[論文レビュー] Depicting deterministic variables within directed acyclic graphs (DAGs): An aid for identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables

L Berrie, Kellyn F Arnold+3 more|arXiv (Cornell University)|Nov 23, 2022

Geochemistry and Geologic Mapping被引用数 5

ひとこと要約

本稿は、合成変数や構成的変数などの決定論的変数を有向非巡回グラフ（DAGs）に組み込むための2段階手法を提案する。親変数から代数的に定義される変数を明示的に表現することで、同義的関連の誤解を軽減し、構成的データにおける条件付き効果を明確にし、合成変数分析における仮定の吟味を促進し、より正確な因果効果推定を実現する。

ABSTRACT

Deterministic variables are variables that are fully explained by one or more parent variables. They commonly arise when a variable has been algebraically constructed from one or more parent variables, as with composite variables, and in compositional data, where the 'whole' variable is determined from its 'parts'. This article introduces how deterministic variables may be depicted within directed acyclic graphs (DAGs) to help with identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables. We propose a two-step approach in which all variables are initially considered, and an explicit choice is then made whether to focus on the deterministic variable(s) or the determining parents. Depicting deterministic variables within DAGs bring several benefits. It is easier to identify and avoid misinterpreting tautological associations, i.e., self-fulfilling associations between variables with shared algebraic parent variables. In compositional data, it is easier to understand the consequences of conditioning on the 'whole' variable, and correctly identify total and relative causal effects. For composite variables, it encourages greater consideration of the target estimand and greater scrutiny of the consistency and exchangeability assumptions. DAGs with deterministic variables are a useful aid for planning and interpreting analyses involving tautological associations, compositional data, and/or composite variables.

研究の動機と目的

• 決定論的変数（例：合成変数や全体の一部）が因果モデルに存在する際の因果効果の誤解を解消すること。
• DAGにおける共有代数的親変数に起因する、誤った相関（同義的関連）に起因する混乱を解消すること。
• 構成的データにおける「全体」変数への条件付き処理が因果効果同定に与える影響を明確にすること。
• 合成変数を因果分析で使用する際のターゲット推定量の定義における透明性と厳密性を高めること。
• 研究者がDAGにおいて決定論的変数をモデル化するか、その親変数をモデル化するかを判断するための体系的フレームワークを提供すること。

提案手法

• 2段階のDAGモデリング手法を提案：まず、決定論的変数を含むすべての変数を表現する。次に、決定論的変数かその親変数に焦点を当てるかを判断する。
• 決定論的変数をその親変数の関数として明示的に図式化するためのグラフィカル表記を用いることで、確率的変数と区別する。
• do-計算フレームワークを用いて、特に構成的データ設定において決定論的変数への条件付き処理の影響を評価する。
• DAGにおける「全体」変数の役割を分析することで、構成的データにおける総合的および相対的因果効果を区別する。
• 決定論的変数が関与する際、一貫性および交換可能性の仮定をより厳密に検証するよう研究者を促す。
• 5枚の図を用いた具体的なDAGを提示し、一般的な因果モデリングの落とし穴における正しいおよび誤った解釈を示す。

実験結果

リサーチクエスチョン

• RQ1 合成変数や全体の一部のような決定論的変数を、同義的関連を避けるためにDAGにどのように適切に表現できるか？
• RQ2 構成的データにおいて決定論的「全体」変数に条件付けるとどのような影響があり、これは総合的および相対的因果効果の同定にどのように影響するか？
• RQ3 決定論的構造に共通する親変数が同義的関連を引き起こすメカニズムは何か？DAGはそれらを検出・回避するのにどのように役立つか？
• RQ4 合成変数を分析する際、DAGはターゲット推定量の明確化とモデリング仮定の吟味をどのように改善できるか？
• RQ5 因果DAGにおいて、決定論的変数をモデル化するか、その親変数をモデル化するかを最適に選ぶ戦略は何か？

主な発見

• 決定論的変数をDAGに直接組み込むことで、共有代数的親変数に起因する同義的関連の誤認識を防げる。
• 構成的データにおける「全体」変数への条件付き処理は、誤った関連を誘発し、因果効果推定を歪める可能性があるが、DAGによりその影響が明示され、回避可能となる。
• 2段階アプローチにより、「全体」変数の役割を明確にすることで、構成的データにおける総合的および相対的因果効果を明確に区別できる。
• 決定論的変数をDAGで表現することで、推定量の定義における透明性が向上し、合成変数モデルにおける一貫性や交換可能性の仮定の評価が促進される。
• 体重と身長から算出されるボディマスインデックス（BMI）のような数学的に関連する変数が存在するデータにおいて、関連性の過剰解釈のリスクが低下する。
• このフレームワークは一般化可能であり、インデックス、比、部分-全体関係など、代数的構造を含む多様な研究分野に適用可能である。