[論文レビュー] Deep determinism and the assessment of mechanistic interaction between categorical and continuous variables

Carlo Berzuini, A. P. Dawid|arXiv (Cornell University)|Dec 10, 2010

Bayesian Modeling and Causal Inference参考文献 8被引用数 6

ひとこと要約

本稿は、二値の結果に対して、カテゴリカル要因と連続的要因の間の機構的相互作用を検出する形式的枠組みを提示する。この枠組みは、結果が因果要因と観察されない文脈変数の決定的関数であるという「ディープ・デターミニズム」仮定に基づく。増強された有向無環グラフ（ADAGs）を用いて、観察的および介入的データの両方の状況下で有効な検定を提案し、一方的な干渉（一方の要因が他方の効果を無効化する）の検出を可能にし、複雑な研究（例：虚血性心疾患）における共有生物学的メカニズムの同定に堅牢な手法を提供する。

ABSTRACT

Our aim is to detect mechanistic interaction between the effects of two causal factors on a binary response, as an aid to identifying situations where the effects are mediated by a common mechanism. We propose a formalization of mechanistic interaction which acknowledges asymmetries of the kind "factor A interferes with factor B, but not viceversa". A class of tests for mechanistic interaction is proposed, which works on discrete or continuous causal variables, in any combination. Conditions under which these tests can be applied under a generic regime of data collection, be it interventional or observational, are discussed in terms of conditional independence assumptions within the framework of Augmented Directed Graphs. The scientific relevance of the method and the practicality of the graphical framework are illustrated with the aid of two studies in coronary artery disease. Our analysis relies on the "deep determinism" assumption that there exists some relevant set V - possibly unobserved - of "context variables", such that the response Y is a deterministic function of the values of V and of the causal factors of interest. Caveats regarding this assumption in real studies are discussed.

研究の動機と目的

• 因果要因間の機構的相互作用、特に一方の要因が他方の効果を無効化する「非対称的干渉」を形式化すること。
• 観察的および介入的データ収集の両方の状況下で有効な機構的相互作用のための統計的検定を開発すること。
• 結果が因果要因と文脈変数の決定的関数であるという「ディープ・デターミニズム」に基づく枠組みを提供し、共有生物学的メカニズムを同定すること。
• 離散的要因に限らない既存の手法を、連続的および混合カテゴリカル-連続的変数に拡張すること。
• ADAGsを用いて、収集されたデータのレジームに依存しない仮定をモデル化することで、実用的有用性を実証すること。

提案手法

• 干渉の正式な定義を提示：BがAを干渉するとは、Aの介入効果がBの介入によって無効化されることを意味する。
• 「ディープ・デターミニズム」仮定を導入：Y = f(A, B, V) で、Vは観察されない文脈変数の集合であり、YがA, B, Vによって完全に決定されることを意味する。
• 増強された有向無環グラフ（ADAGs）を用いて因果構造と、介入インジケータσAおよびσBを含むレジーム固有の仮定を表現する。
• 4つの核心的条件を定義：ディープ・デターミニズム、(A,B,C,U)を条件とするYとレジームの独立性、Cを条件とするUと(A,B,σ)の独立性、および(C,σ)を条件とするAとBの独立性。
• これらの条件下で、Y ⊥⊥ σ | (A,B,C) という含意が成り立つことから、共作用の検定が観察的データでも有効であることを導出する。
• 実際の虚血性心疾患研究にこの枠組みを適用し、観察された共変数Cが、核心的条件を満たせば、共同因果効果のための十分な制御変数として機能することを示す。

実験結果

リサーチクエスチョン

• RQ1 一方の要因が他方の効果を無効化するが、逆は成り立たない場合に、2つの因果要因間の機構的相互作用を形式的に定義できるか？
• RQ2 1つまたは両方の因果要因が連続的またはカテゴリカルな場合、このような相互作用をどのように検定できるか？
• RQ3 観察的レジームでデータが収集された場合、機構的相互作用の検定が有効となる条件は何か？
• RQ4 YがA, B, Vの決定的関数である場合、観察されない文脈変数Vを因果推論でどのように扱えるか？
• RQ5 異なるデータ収集レジームで機構的相互作用の検定の有効性を保証するために必要な図的表現および条件付き独立性の仮定は何か？

主な発見

• 核心的条件（特にディープ・デターミニズムおよびCを条件とするUとσの独立性）が満たされれば、観察的および介入的データの両方で、機構的相互作用の検定が有効である。
• この枠組みは非対称的干渉を許容する：AがBに干渉するとは限らず、BがAに干渉することは可能であり、片方向の機構的依存性の検出が可能である。
• 核心的条件4（A ⊥⊥ B | (C,σ)）は、観察的レジームでAとBが条件付き独立であることを保証し、これは有効な推論に不可欠である。
• 文脈変数Vが観察されない場合でも、観察された共変数Cが核心的条件を満たし、Vの代理として機能する限り、共有メカニズムの検出が可能である。
• 虚血性心疾患研究において、この手法は文脈に依存する因果的パターンを効果的に同定し、共有生物学的メカニズムと整合的であることを示しており、科学的有用性が裏付けられた。
• 理論的結果から、核心的条件が満たされれば、共作用のためのバックドア基準が満たされ、観察的データからの推定が可能であることが示された。