[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

Time Series Analysis and Forecasting被引用数 65

ひとこと要約

tldr: PCMCI+は、自己相関を有する非線形時間系列において遅延と同時因果関係の両方を発見する条件付き独立性ベースの手法であり、PCよりも較正の改善、接続/方向の再現性の向上、実行時間の高速化を実現する。

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

• 時系列の因果発見のための CI ベースの枠組みを開発し、遅延リンクと同時リンクの双方を扱う。
• 条件設定の最適化により、強い自己相関下でのCI検定の信頼性を向上させる。
• 停止偽陽性を制御しつつ接続検出と向きの再現性を高め、実行時間を短縮する。

提案手法

• PCMCI+を導入し、同時リンク検出を含むPCMCIの拡張を行う。
• エッジ削除を遅延条件付相と同時条件付相に分け、CI検定の数を減らす。
• モーメント条件付き独立性(MCI)条件付を用いて自己相関下で検定を較正し、効果量を高める。
• PCMCI+の健全性（正しい隣接性）を証明し、Faithfulnessとともに完備性（最大の向き表現）を確保する。
• シミュレーションにおいて、順序非依存性と接続検出・向き再現性・実行時間の経験的向上をPCより示す。

実験結果

リサーチクエスチョン

• RQ1 自己CIベースの因果発見法が自己相関を有する非線形時間系列において遅延リンクと同時リンクの両方を信頼性高く同定できるか。
• RQ2 最適化された条件設定とMCIベースの検定は、自己相関下で検出力と偽陽性制御を改善するか。
• RQ3 PCMCI+は、PCなどの既存手法と比べて順序非依存かつ計算効率が高く、精度を維持できるか。
• RQ4 線形・非線形、ガウスノイズ・非ガウスノイズ、さまざまな自己相関レベルでPCMCI+はどのように機能するか。
• RQ5 標準的な因果仮定の下で、PCMCI+ に関する理論的保証（健全性/完備性）は何か。

主な発見

• 強い自己相関の下で、PCMCI+はPCより接続検出力と同時方向の再現性を高める。
• PCMCI+ は偽陽性制御が改善され、PCより実行時間が短い。
• 最適化された条件設定とMCI検定体系は検定効果量を高め、同時リンクの検出力を向上させる。
• PCMCI+は健全で、Faithfulnessとともに完全で、因果グラフ再構成において順序非依存である。
• 本手法は非線形・多変量設定を含む、さまざまな CI 検定とデータ型に対して柔軟に適用可能である。