[論文レビュー] Conditional independences and causal relations implied by sets of equations

Tineke Blom, Mirthe M. van Diepen+1 more|arXiv (Cornell University)|Jul 14, 2020

Bayesian Modeling and Causal Inference参考文献 31被引用数 4

ひとこと要約

本稿は、シモンの因果順序アルゴリズムを活用して因果順序グラフ（COG）とマルコフ順序グラフ（MOG）を構築することで、方程式系における因果的および確率的関係を分析するための新規フレームワークを提示する。一意的可解性の仮定の下で、COGは干渉効果（特にソフト干渉および完全干渉）を捉え、MOGは観測データにおける条件付き独立性を符号化し、従来の因果モデル（SCM やベイジアンネットワーク）における曖昧さを解消する。

ABSTRACT

Real-world complex systems are often modelled by sets of equations with endogenous and exogenous variables. What can we say about the causal and probabilistic aspects of variables that appear in these equations without explicitly solving the equations? We make use of Simon's causal ordering algorithm (Simon, 1953) to construct a causal ordering graph and prove that it expresses the effects of soft and perfect interventions on the equations under certain unique solvability assumptions. We further construct a Markov ordering graph and prove that it encodes conditional independences in the distribution implied by the equations with independent random exogenous variables, under a similar unique solvability assumption. We discuss how this approach reveals and addresses some of the limitations of existing causal modelling frameworks, such as causal Bayesian networks and structural causal models.

研究の動機と目的

• 既存の因果モデリングフレームワーク（特に因果的ベイジアンネットワークおよび構造的因果モデル（SCM））が、因果関係と条件付き独立性を明確に表現できないという限界を解決すること。
• 方程式系におけるソフト干渉および完全干渉を形式化し、方程式を明示的に解かずに変数の分布に与える影響を示すこと。
• 動的系にフィードバックがある場合、標準的な因果発見アルゴリズム（例：PC）が観測データに適用された際に、明確な因果的解釈を提供できないことの理由を示すこと。
• 方程式ベースのモデルと、干渉応答および条件付き独立性制約を符号化する図的表現との間の正式な関係を確立すること。
• 因果順序グラフ（COG）とマーコフ順序グラフ（MOG）が、特定の状況下で従来のSCMグラフよりもより正確かつスケーラブルな因果的および確率的構造の表現を提供することを示すこと。

提案手法

• 1953年のシモンの因果順序アルゴリズムを適応・拡張し、方程式が示す因果構造を符号化する有向クラスターグラフ（因果順序グラフ：COG）を構築すること。
• 変数集合 V と方程式集合 F からなる二部グラフ表現 B = ⟨V, F, E⟩ を定義し、エッジは変数と方程式の依存関係を示す。
• COG から変数頂点に構造を投影することでマーコフ順序グラフ（MOG）を構築し、外生変数が独立であるという仮定の下で条件付き独立性を符号化する。
• COG に関して最大一意的可解性の概念を導入し、方程式の解が一意的であり、クラスタのトポロジカル順序に依存することを保証する。
• 二部グラフ上でのソフト干渉および完全干渉を形式化し、COG がそれらの効果を正しく表現することを証明する。干渉はクラスタ構造および親関係を変更する。
• 最大一意的可解性の下で、SV に属する変数や SF に属する方程式に対する干渉が、COG におけるクラスタのトポロジカル順序を保持することを証明し、干渉された変数からターゲット変数への有向パスが存在しない場合、ターゲット変数の解は不変のままとなることを示す。

実験結果

リサーチクエスチョン

• RQ1 1つの図的モデルが、方程式系において条件付き独立性と干渉応答を同時に表現できるか？
• RQ2 ソフト干渉および完全干渉が方程式系における内生変数の分布に与える影響は何か？ そして、方程式を解かずにその影響をどのように捉えることができるか？
• RQ3 なぜ標準的な因果発見アルゴリズム（例：PC）は、フィードバックを持つ動的系からのデータに適用された場合、明確な因果的解釈を提供できないのか？
• RQ4 因果順序グラフ（COG）と構造的因果モデル（SCM）グラフとの関係は何か？ また、COG はどのようにしてより正確または強いマーコフ性を提供できるのか？
• RQ5 外生変数が独立であると仮定した場合、マーコフ順序グラフ（MOG）は、独立外生変数を伴う方程式系が示す連合分布における条件付き独立性を正しく符号化できる条件は何か？

主な発見

• 最大一意的可解性の仮定の下で、因果順序グラフ（COG）は、方程式系におけるソフト干渉および完全干渉の効果を正しく表現する。
• COG から導出されたマーコフ順序グラフ（MOG）は、外生変数が独立である場合、変数の観測分布における条件付き独立性を符号化する。
• フィードバックを持つ平衡状態にある系では、PC アルゴリズムの出力は、干渉効果を正確に捉えていないため、明確な因果的解釈が得られないことがある。
• COG と MOG は、サイクルやフィードバックを含む系において、標準的なSCMグラフよりも干渉および条件付き独立性のモデリングにおいてより表現力に優れていることが示された。
• COG 内で干渉された変数からターゲット変数への有向パスが存在しない場合、干渉後もターゲット変数の解はほとんど確実に不変のままとなる。
• COG 内で干渉された変数からターゲット変数への有向パスが存在する場合、ターゲット変数の分布は干渉によって変化するが、その変化はCOG内でのクラスタ依存関係の変更によって捉えられる。