[論文レビュー] Context-Specific Causal Discovery for Categorical Data Using Staged Trees

Manuele Leonelli, Gherardo Varando|arXiv (Cornell University)|Jun 8, 2021

Bayesian Modeling and Causal Inference被引用数 5

ひとこと要約

本稿では、従来のDAGを超えた複雑で非対称な因果関係を表現できる、カテゴリカルデータにおける因果発見のための段階的木モデルを導入する。本稿は、文脈に特化した干渉差違（CID）という新しい指標と、図的同値性基準を提案し、シミュレーションおよび実世界の応用を通じて、段階的木がDAGよりも非対称な依存関係を捉える能力と因果推論の正確性に優れていることを示している。

ABSTRACT

Causal discovery algorithms aim at untangling complex causal relationships from data. Here, we study causal discovery and inference methods based on staged tree models, which can represent complex and asymmetric causal relationships between categorical variables. We provide a first graphical representation of the equivalence class of a staged tree, by looking only at a specific subset of its underlying independences. We further define a new pre-metric, inspired by the widely used structural intervention distance, to quantify the closeness between two staged trees in terms of their corresponding causal inference statements. A simulation study highlights the efficacy of staged trees in uncovering complexes, asymmetric causal relationships from data, and real-world data applications illustrate their use in practical causal analysis.

研究の動機と目的

• 標準的なDAGの制限を超えて、複雑で非対称な因果関係をモデル化できる、カテゴリカルデータ向けの因果発見アルゴリズムの開発。
• 段階的木モデル間の因果干渉文の違いを測る新しい準距離、文脈に特化した干渉差違（CID）の定義。
• 対称的インデペンデンスに着目することで、段階的木の同値類の一部を特徴付ける初の図的基準の確立。
• 段階的木とDAGの両者を、シミュレーションおよび実世界のデータ設定で比較して性能評価。
• 非線形的かつ非対称な依存関係を伴う状況において、段階的木が実世界の因果分析でDAGよりも優れた因果推論とモデル適合を提供する実用的有効性の提示。

提案手法

• 本稿は、エッジに条件付き確率がラベル付けされた段階的木モデルを用いて、カテゴリカル変数間の非対称な因果関係を表現する。
• 構造的干渉距離（SID）を模倣したが、段階的木に特化した新しい差違測度、CIDを導入し、干渉分布に基づいてモデルを比較する。
• 段階的木内の対称的条件付きインデペンデンスのみを分析することで、図的同値性基準を提案し、同値類の部分的特徴付けを可能にする。
• 動的計画法とスコアベースの学習（例：AIC、BIC）を用いた因果発見アルゴリズムを実装し、stagedtrees Rパッケージを通じて実行する。
• 構造と変数順序の学習にベイジアンヒューリスティックサーチ（BHC）とスコアベース最適化を適用する。
• シミュレーション研究および実世界の応用（ENSO、IOD、オーストラリア春降雨に関する研究を含む）を通じて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 DAGが失敗するような状況において、段階的木モデルはカテゴリカルデータにおける非対称な因果関係を効果的に捉え、表現できるか？
• RQ2 依存関係が文脈に特化しており非対称な場合、因果モデル間の意味のある類似度をどのように定義できるか？
• RQ3 複雑な依存関係を伴う観測データから真の因果構造を回復する際、段階的木はDAGに比べてどの程度の性能を示すか？
• RQ4 対称的条件付きインデペンデンスにのみ着目することで、段階的木の同値類の一部を特徴付ける図的基準を開発できるか？
• RQ5 実世界の応用において、非線形的かつ文脈に特化した効果を伴う状況では、段階的木がDAGよりも優れた因果推論とモデル適合を提供するか？

主な発見

• シミュレーション研究により、データが段階的木モデルから生成された場合、段階的木はDAGよりも複雑で非対称な因果関係を顕著に優れて回復していることが示された。
• 文脈に特化した干渉差違（CID）指標は、SIDが対称的関係を仮定するのに対し、非対称な依存関係を考慮することで、段階的木モデル間の差違を的確に測定できた。
• ENSO-IOD-AUケーススタディにおいて、段階的木は降雨がENSOが中立的状態にある間のみIODに依存することを明らかにした。これは先行研究と整合する非線形的かつ文脈に特化した効果を裏付けるものであった。
• 変数順序がENSO-IOD-AUの段階的木はAICが368.23であり、対照的な順序（371.04）よりも低い値を示し、モデル適合性および因果構造回復の優位性を支持した。
• 図的同値性基準は、対称的インデペンデンスに着目することで、段階的木の同値類の一部を的確に同定でき、実用的な同値に基づく推論を可能にした。
• stagedtrees Rパッケージ（実装済みのアルゴリズムおよびシミュレーション実験を含む）は公開されており、再現性とさらなる研究を支援している。