[論文レビュー] Causal Inference through a Witness Protection Program

Ricardo Silva, Robin J. Evans|arXiv (Cornell University)|Jun 2, 2014

Bayesian Modeling and Causal Inference参考文献 36被引用数 14

ひとこと要約

本稿では、観測された条件付き独立性を用いて、緩い忠実性仮定の下で平均因果効果（ACE）の事後的境界を生成する、新たな因果推論手法であるウィtness Protection Program（WPP）を紹介する。経路キャンセレーションを緩和パラメータでモデル化し、線形計画法とベイズ推論を組み合わせることで、モデルの誤指定に対してより感受性が低く、頑健で誠実な境界を提供する。

ABSTRACT

One of the most fundamental problems in causal inference is the estimation of a causal effect when variables are confounded. This is difficult in an observational study, because one has no direct evidence that all confounders have been adjusted for. We introduce a novel approach for estimating causal effects that exploits observational conditional independencies to suggest "weak" paths in a unknown causal graph. The widely used faithfulness condition of Spirtes et al. is relaxed to allow for varying degrees of "path cancellations" that imply conditional independencies but do not rule out the existence of confounding causal paths. The outcome is a posterior distribution over bounds on the average causal effect via a linear programming approach and Bayesian inference. We claim this approach should be used in regular practice along with other default tools in observational studies.

研究の動機と目的

• 観測研究において交絡変数が未測定または不完全に測定されている場合の因果効果推定の課題に対処すること。
• 因果発見に用いられる厳密な忠実性仮定を緩和し、依然として条件付き独立性を示すさまざまな度合いの経路キャンセレーションを許容すること。
• 有限サンプル条件下で不安定になりがちなポイント推定に依存せず、計算的に効率的で事後基準の境界を提供する平均因果効果（ACE）の境界を提示すること。
• 道具変数の推論を線形計画法とベイズ推論と統合する枠組みを構築し、保守的で解釈可能な境界を生成すること。
• 情報量と未測定の交絡要因に対する頑健性の両立を図る、実用的でデフォルトとして利用可能なツールを提供すること。

提案手法

• 忠実性の部分的違反をモデル化するための緩和パラメータ（εw, εx, εy, β）を導入し、因果経路が完全に遮断されていなくても条件付き独立性が成立するようにする。
• 観測データから、例えばW → X → Yのような潜在的な道具変数構造を特定するために、Entnerらの条件付き独立性ルールを用いる。
• 観測された条件付き独立性と緩和パラメータから導かれる制約のもとで、ACEのタイトな境界を計算するために線形計画法を適応する。
• 完全な数値最適化を回避するための記号的近似を考案し、メッセージパッシングに類似した更新により高速な計算を実現する。
• 緩和パラメータにベイズ階層モデルを適用し、非情報的事前分布（例：[0,1] 上の一様分布）を用いて境界の事後分布を導出する。
• 候補となる証人変数（例：DM, RENAL）の評価とMCMCサンプリングによる感度分析を可能にするアルゴリズムを用いて、モデル選択を支援する。

実験結果

リサーチクエスチョン

• RQ1 未測定の交絡要因が存在するが、条件付き独立性が観測される場合に、平均因果効果の境界をどのように推定できるか。
• RQ2 忠実性仮定をどの程度緩和しても、観測データから有効な因果境界を導出できるか。
• RQ3 線形計画法とベイズ推論を組み合わせた計算的に効率的な手法を開発し、因果効果の頑健で誠実な境界を提供できるか。
• RQ4 弱いまたは隠れた交絡要因が存在する状況で、緩和パラメータが得られる境界のタイトさと解釈可能性にどのように影響するか。
• RQ5 単純な道具変数チェーン（W → X → Y）を超えて、因果順序が未知のより複雑な因果構造へ一般化可能か。

主な発見

• 本手法は、平均因果効果（ACE）の事後分布を効果的に生成でき、下限の95%信用区間が0を含むことから、因果効果の存在についての不確実性が示された。
• インfluenzaワクチンデータへの実世界応用では、事後平均ACEは-0.0007、標準偏差は0.0009と推定され、有害な効果の可能性を示唆したが、信頼区間は広かった。
• 証人変数DMを用いた場合、ACEの期待事後区間は[0.01, 0.02]と推定され、わずかではあるが正の効果を示唆したが、依然として不確実性が残った。
• 緩和パラメータの推定値は、それぞれεwが0.38、εx = εyが0.02、βが0.99であり、忠実性仮定が中程度に緩和されたことを示した。
• 記号的近似法により計算コストを顕著に削減したが、精度は維持され、より大規模な問題へのスケーラビリティが可能になった。
• モデルの誤指定下でも、強い仮定を避けることでポイント推定器を上回る性能を示し、弱い道具変数や隠れた交絡要因が存在する状況でも頑健性を維持した。