[論文レビュー] Distinguishing Cause from Effect Based on Exogeneity

Kun Zhang, Jiji Zhang+1 more|arXiv (Cornell University)|Apr 22, 2015

Bayesian Modeling and Causal Inference参考文献 20被引用数 13

ひとこと要約

本稿では、因果の原因となる要因のパrameterに対する外生性を検定することで、原因と結果を区別する非パrametric因果発見手法を提案する。ブートストラップに基づく周辺分布および条件付き分布の推論を用いて、構造的制約や滑らかさの仮定を必要とせず、因果方向を同定する。また、存在する場合には共変量を効果的に検出できる。

ABSTRACT

Recent developments in structural equation modeling have produced several methods that can usually distinguish cause from effect in the two-variable case. For that purpose, however, one has to impose substantial structural constraints or smoothness assumptions on the functional causal models. In this paper, we consider the problem of determining the causal direction from a related but different point of view, and propose a new framework for causal direction determination. We show that it is possible to perform causal inference based on the condition that the cause is "exogenous" for the parameters involved in the generating process from the cause to the effect. In this way, we avoid the structural constraints required by the SEM-based approaches. In particular, we exploit nonparametric methods to estimate marginal and conditional distributions, and propose a bootstrap-based approach to test for the exogeneity condition; the testing results indicate the causal direction between two variables. The proposed method is validated on both synthetic and real data.

研究の動機と目的

• 構造方程式モデルで一般的に用いられる強い構造的仮定に依存せずに、2変数系における原因と結果の区別を困難にすることに取り組む。
• 因果推論フレームワークを、原因が効果のメカニズムを規定するパrameterと独立であるという統計的外生性の概念に基づくものとする。
• 実世界の観察データに適用可能な計算的に実行可能な非パrametricな外生性検定法を開発する。
• 両方の因果方向における外生性の有無を評価することで、観察されない共変量の検出を可能にする。
• 滑らかさやパラメトリックな関数形の仮定を必要とする既存手法の代替としての強健性を提供する。

提案手法

• 原因が効果の条件付き分布のパラメータに対して外生的であるとみなすフレームワークを提案する。これは、原因のデータ生成過程が効果メカニズムのパラメータと独立であるべきという考えに基づく。
• 非パラメトリックなカーネル密度推定を用いて、原因の周辺分布および原因を条件とする効果の条件付き分布をモデル化する。
• 経験的分布から複数の合成データセットを生成するためのブートストラップリサンプリング手順を採用し、推定パラメータの標本分布を評価する。
• 効果の条件付きモデルの推定パラメータ（例：回帰係数や密度パラメータ）と原因の周辺モデルのパラメータとの間の統計的独立性を検証する。
• ブートストラップに基づく仮説検定を用いて、原因が効果のパラメータに対して外生的かどうかを評価する。帰無仮説が棄却されれば、その方向が因果的である可能性が高いと判断する。
• 検定結果をもとに因果方向を推定する：片方の方向で外生性が成立するがもう片方では成立しない場合、外生性が成立する方を因果方向と推定する。

実験結果

リサーチクエスチョン

• RQ1 条件付き分布のパラメータに対する原因の外生性が、原因と結果の区別に有効な基準となるか？
• RQ2 特定の関数形やデータ生成過程の滑らかさを仮定しない非パラメトリックなブートストラップ検定が、因果方向を同定できるか？
• RQ3 この手法は、因果関係における観察されない共変量の存在をどの程度検出できるか？
• RQ4 この外生性に基づく手法の性能は、IGCI、ANM、GPIといった既存手法と比較して、合成データおよび実世界データの両方でどうなるか？
• RQ5 非線形性や共変量が存在するデータ生成過程においても、この手法は強健性を保っているか？

主な発見

• 提案手法のブートストラップに基づく外生性検定は、57組の実世界の因果関係ペアのうち41組（72%の正確性）で正しい因果方向を同定した。これは他の先進的手法と同等の性能であった。
• 共変量を含む合成データに対しては、共変量の影響が強い場合には両方の因果方向でp値が低くなることで、共変量の存在を効果的に検出できた。
• 線形共変量の場合（α=0, b=0）では、βが大きい場合にIGCIやANMを上回り、強い共変量が存在する状況でも因果方向の同定に優れていた。
• 非線形共変量の場合（α=0.2, b=0.3）では、性能が高く維持され、共変量の影響が顕著な場合には特に正しい因果方向の同定に効果的であった。
• 20件の実データセット（全77件）で、両方向でp値 < 0.01となったことから、潜在的な共変量が検出された。これは複雑な依存構造の可視化による確認と整合的であった。
• この手法は、滑らかさや関数形のパラメトリック仮定を必要としないため、SEMに基づく手法よりも広い応用範囲に適している。