[論文レビュー] Data-Driven Causal Effect Estimation Based on Graphical Causal Modelling: A Survey

Debo Cheng, Jiuyong Li+3 more|arXiv (Cornell University)|Aug 20, 2022

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本調査は、部分的または不確実な因果知識下での平均処置効果（ATE）推定に焦点を当て、グラフィカル因果モデルを用いたデータ駆動型因果効果推定手法の包括的レビューを提供する。核心的な理論を統合し、交絡要因および潜在変数の取り扱いに基づいて手法を分類し、その仮定、長所、短所を評価することで、観測データからの因果推論における今後の研究の基盤を提供する。

ABSTRACT

In many fields of scientific research and real-world applications, unbiased estimation of causal effects from non-experimental data is crucial for understanding the mechanism underlying the data and for decision-making on effective responses or interventions. A great deal of research has been conducted to address this challenging problem from different angles. For estimating causal effect in observational data, assumptions such as Markov condition, faithfulness and causal sufficiency are always made. Under the assumptions, full knowledge such as, a set of covariates or an underlying causal graph, is typically required. A practical challenge is that in many applications, no such full knowledge or only some partial knowledge is available. In recent years, research has emerged to use search strategies based on graphical causal modelling to discover useful knowledge from data for causal effect estimation, with some mild assumptions, and has shown promise in tackling the practical challenge. In this survey, we review these data-driven methods on causal effect estimation for a single treatment with a single outcome of interest and focus on the challenges faced by data-driven causal effect estimation. We concisely summarise the basic concepts and theories that are essential for data-driven causal effect estimation using graphical causal modelling but are scattered around the literature. We identify and discuss the challenges faced by data-driven causal effect estimation and characterise the existing methods by their assumptions and the approaches to tackling the challenges. We analyse the strengths and limitations of the different types of methods and present an empirical evaluation to support the discussions. We hope this review will motivate more researchers to design better data-driven methods based on graphical causal modelling for the challenging problem of causal effect estimation.

研究の動機と目的

• 完全な因果知識（例えば、完全な因果グラフやすべての交絡要因）が得られない状況において、観測データからのバイアスのない因果効果推定の課題に対処すること。
• 特に忠実性仮定やマークフ・条件といった仮定下でのデータ駆動型因果効果推定に関連する、散在するグラフィカル因果モデリングの理論的基盤を統合すること。
• 因果構造学習の不確実性、計算複雑性、潜在的交絡要因といった、データ駆動型因果効果推定における主な課題を特定・分析すること。
• 仮定、手法的アプローチ、性能に基づいて既存手法を評価し、特に平均処置効果（ATE）推定に焦点を当てる。
• 研究者がより良いデータ駆動型因果推論手法の選定および開発を支援するための体系的概要と実証的評価を提供すること。

提案手法

• 観測データにおける因果関係を表現する基盤として、グラフィカル因果モデル（例：DAG、MAG）を体系的にレビューする。
• 因果構造学習における不確実性の取り扱い方に基づき、制約ベース、スコアベース、ハイブリッド探索戦略を用いる手法を分類する。
• 潜在的交絡要因に対処するために、インストゥルメンタル変数（IVs）および条件付きインストゥルメンタル変数を組み込んだ手法を分析する。これには、不適切なインストゥルメンタル変数を許容するsisVIVEのようなアプローチも含まれる。
• 真の因果効果および構造が既知の合成および準合成データセット（例：IHDP、Twins）を用いて、精度と頑健性を評価する。
• 特に潜在変数を伴う高次元設定における、手法の時間計算量とスケーラビリティを評価する。
• 真の因果効果が近似的に分かっている分野知識を用いた実世界データセット（例：職業訓練、401(k)、Schoolingreturns）を用いた実証的評価により、手法を比較する。

実験結果

リサーチクエスチョン

• RQ1 完全な因果構造が不明または部分的に観測されている状況下で、グラフィカル因果モデリングに基づくデータ駆動型手法は、平均処置効果（ATE）をどのように推定するか？
• RQ2 これらの手法の背後にある主な仮定（例：忠実性、マークフ・条件、因果的十分性）は何か。それらは推定精度にどのように影響するか？
• RQ3 観測データからの因果効果推定において、潜在的交絡要因および不適切なインストゥルメンタル変数は、どのように処理されるか？
• RQ4 データ駆動型因果推論において、手法的複雑性、計算効率、推定精度の間のトレードオフは何か？
• RQ5 実世界のデータセットにおいて真の因果効果が得られない状況で、どのように意味のある実証的評価を実施できるか？

主な発見

• グラフィカル因果モデリングに基づくデータ駆動型因果効果推定手法は、因果構造の部分的知識がある状況でも、特にインストゥルメンタル変数手法と組み合わせることで、ATEの効果的な推定が可能である。
• sisVIVEのような手法は、不適切なインストゥルメンタル変数が存在しても頑健であることが示され、未測定の交絡要因を伴う実世界の応用に適している。
• IHDP や Twins といった準合成データセットにおける実証的評価では、多くのデータ駆動型手法が妥当な精度を達成しているが、データ品質や前提仮定に大きく依存して性能が変動することが判明した。
• 実世界のデータセットには真の因果効果がないため、信頼できる評価が制限されており、既存のベンチマークは分野知識や経験的推定値を代理指標として用いている。
• 時間計算量は依然として大きな課題であり、特に潜在変数を伴う高次元設定における構造学習では、一部の手法のスケーラビリティが制限される。
• 本調査は、現在の手法が忠実性仮定や因果的十分性仮定に制約を受けており、推定の妥当性を保ちつつこれらの仮定を緩和するためのさらなる研究が求められていると同定した。