[論文レビュー] Causal Inference on Time Series using Structural Equation Models

Jonas Peters, Dominik Janzing+1 more|arXiv (Cornell University)|Jul 21, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用数 8

ひとこと要約

本稿では、時間系列における因果推論のための構造方程式モデルフレームワークであるTiMINo（Time Series Models with Independent Noise）を提案する。このフレームワークは、忠実性や線形性の仮定を必要とせず、非線形的で即時のおよびラグ付きの因果効果の同定可能性を可能にする。実用的なアルゴリズムを導入し、仮定が満たされない場合には結論を下さないことで、誤った因果的結論を避ける。合成データおよび実データにおいて、既存手法を上回る性能を発揮する。

ABSTRACT

Causal inference uses observations to infer the causal structure of the data generating system. We study a class of functional models that we call Time Series Models with Independent Noise (TiMINo). These models require independent residual time series, whereas traditional methods like Granger causality exploit the variance of residuals. There are two main contributions: (1) Theoretical: By restricting the model class (e.g. to additive noise) we can provide a more general identifiability result than existing ones. This result incorporates lagged and instantaneous effects that can be nonlinear and do not need to be faithful, and non-instantaneous feedbacks between the time series. (2) Practical: If there are no feedback loops between time series, we propose an algorithm based on non-linear independence tests of time series. When the data are causally insufficient, or the data generating process does not satisfy the model assumptions, this algorithm may still give partial results, but mostly avoids incorrect answers. An extension to (non-instantaneous) feedbacks is possible, but not discussed. It outperforms existing methods on artificial and real data. Code can be provided upon request.

研究の動機と目的

• 既存の時間系列因果推論手法に見られる線形性、忠実性の仮定、および即時の効果の除外といった制限に対処すること。
• 構造方程式モデルを用いて、非線形的で即時的かつラグ付きの因果効果の同定可能性を実現するフレームワークの開発。
• モデルの仮定が満たされない場合に、結論を下さないことで誤った因果的結論を避ける実用的なアルゴリズムの設計。
• 従来i.i.d.データに適用されてきた関数的モデルベース因果推論を、理論的保証とともに時間系列分野へ拡張すること。

提案手法

• 本稿では、各時間系列がその直接的因と独立ノイズの関数として定義され、すべての変数および時間におけるノイズ項が同時に独立であるという構造方程式モデルのクラス、TiMINoを導入する。
• 定常性と有限なラグ次数（$p$を超える影響なし）を仮定し、即時のおよびラグ付きの因果効果（非線形的かつ非忠実な関係を含む）をモデル化する。
• 因果構造の推定には、残差時間系列間の非線形独立性検定に依存し、グランジャ因果の手法で用いられる分散に基づく測度に依存しない。
• アルゴリズムであるTiMINo因果は、条件付き独立性検定と非線形独立性検定を用いて、有限標本から因果グラフを回復する。
• データがモデル仮定を満たさない場合には、結論を下さない「未決定」の判断ルールを組み込み、誤った因果的主張のリスクを低減する。
• 弱い条件下で理論的同定可能性が証明されている：ノイズ項が同時に独立であり、関数形が十分に一般（例えば加法的ノイズ）であれば、分布から因果構造全体が回復可能である。

実験結果

リサーチクエスチョン

• RQ1 非線形的で即時の、非忠実な効果を含む一般の条件下で、時間系列における因果構造を同定できるか？
• RQ2 関数的モデルをどのように時間系列に適応させれば、線形的またはガウス分布の仮定を超えて同定可能性を保証できるか？
• RQ3 モデル仮定が満たされない場合に、誤った因果的結論を避ける実用的なアルゴリズムを設計できるか？
• RQ4 グランジャ因果、LiNGAM、または位相勾配インデックスと比較して、本手法は合成データおよび実世界データにおいてどの程度優れているか？

主な発見

• TiMINoは、非線形的で即時のおよび非忠実な効果に加え、非即時のフィードバックを含む一般性を持つため、既存手法よりも包括的な同定可能性結果を提供する。
• 提案されたTiMINo因果アルゴリズムは、人工的および実世界の時間系列データにおいて、既存手法を上回る性能を発揮し、特に複雑な因果構造の検出に優れている。
• モデル仮定が満たされない場合には、アルゴリズムは多くが「未決定」となる一方で、誤った因果的結論を導くことはほとんどないため、頑健性が向上する。
• 隠れた共通原因（例：バターとチーズに影響を与える乳価）が存在する状況では、TiMINoはバターとチーズの間に直接の因果関係がないことを正しく特定するが、TS-LiNGAM やグランジャ因果は誤って因果関係を推定してしまう。
• 時間遅れ効果や隠れた交絡要因が存在する状況でも、他の手法が失敗するのに対し、本手法は正しく因果構造を同定できる。
• 理論的分析により、ノイズの同時独立性と構造的制約が満たされれば、関連分布から因果グラフ全体が同定可能であることが確認された。