[論文レビュー] Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets

Jakob Runge|arXiv (Cornell University)|Mar 7, 2020

Bayesian Modeling and Causal Inference参考文献 20被引用数 36

ひとこと要約

PCMCI+ は自己相関を持つ非線形時系列データにおいて、遅延と同時的な因果リンクの両方を発見する条件付き独立性ベースの手法であり、検出力と偽陽性制御を向上させつつ、PC よりも高速です。

ABSTRACT

The paper introduces a novel conditional independence (CI) based method for linear and nonlinear, lagged and contemporaneous causal discovery from observational time series in the causally sufficient case. Existing CI-based methods such as the PC algorithm and also common methods from other frameworks suffer from low recall and partially inflated false positives for strong autocorrelation which is an ubiquitous challenge in time series. The novel method, PCMCI$^+$, extends PCMCI [Runge et al., 2019b] to include discovery of contemporaneous links. PCMCI$^+$ improves the reliability of CI tests by optimizing the choice of conditioning sets and even benefits from autocorrelation. The method is order-independent and consistent in the oracle case. A broad range of numerical experiments demonstrates that PCMCI$^+$ has higher adjacency detection power and especially more contemporaneous orientation recall compared to other methods while better controlling false positives. Optimized conditioning sets also lead to much shorter runtimes than the PC algorithm. PCMCI$^+$ can be of considerable use in many real world application scenarios where often time resolutions are too coarse to resolve time delays and strong autocorrelation is present.

研究の動機と目的

• 自己相関と非線形性を伴う観測時系列から頑健な因果推定を動機付ける。
• 遅延リンクと同時リンクの両方を信頼性高く検出できるよう、PCMCIを拡張する。
• 自己相関下でCI検定を校正し検出力を高めるために、条件設定を改善する。
• 標準的な仮定の下で妥当性、完全性、順序独立性を証明する。
• PCと比較して実行時間を短縮しつつ、隣接検出の優越性と向き再現性を示す。

提案手法

• 同時リンクを含むようにPCMCIを拡張したCIベースの枠組みとしてPCMCI+を提案する。
• スケルトン探索を遅延フェーズと同時フェーズに分割し、CI検定を削減する。
• 強い隣接条件付きで条件付き独立性（MCI）検定を用い、効果量を高める。
• 条件付セットが遅延因果経路をブロックし、自己相関下で検定を校正することを保証する。
• 理論結果を提供する：妥当性、完全性、順序独立性、効果量の改善（p=0 の検定を含む）。
• 多項式時間の遅延フェーズと同時 conditioning の集中化によるPCに対する計算上の利点を示す。

実験結果

リサーチクエスチョン

• RQ1 PCMCI+ は自己相関を持つ非線形時系列において、遅延と同時の因果リンクの両方を信頼性高く回収できるか？
• RQ2 既存のCIベースの手法よりも同時リンクの隣接検出力と向きの再現性を向上させつつ、偽陽性を抑制できるか？
• RQ3 標準的因果十分性仮定の下でのPCMCI+ の理論的保証（妥当性、完全性、順序独立性）は何か？
• RQ4 PCおよびPCMCI+0 バリアントと比較した場合の実行時間と強い自己相関への頑健性はどうか？
• RQ5 条件付戦略と検定校正が遅延リンクと同時リンクの検出力にどのように影響するか？

主な発見

• PCMCI+ は PC および PCMCI+0 よりも隣接検出力が高く、特に同時リンクに対して顕著である。
• 自己相関下で偽陽性をより良く抑えつつ、同時エッジの向き再現性を改善する。
• 本手法は順序独立でオラクルケースにおいて一貫性があり、PCよりはるかに短い実行時間である。
• 遅延隣接と同時親を両方条件付けすることで MCI 検定の効果量が増加し、検出力を高める。
• 遅延リンク検出は依然として強いが、MCI 条件付けが一部の構成では遅延効果量を僅かに低下させる可能性がある。
• 全体として、PCMCI+ は自己相関（時系列に共通する特徴）を活かし、非線形および異質ノイズ設定において信頼性の向上を示す。