[論文レビュー] Efficient least squares for estimating total effects under linearity and causal sufficiency

F Richard Guo, Emilija Perković|arXiv (Cornell University)|Aug 8, 2020

Bayesian Modeling and Causal Inference参考文献 58被引用数 5

ひとこと要約

本稿では、線形構造方程式モデルにおける全因果効果の推定器を、線形性および因果的十分性の下で提案する。因果構造は、最大に向き付けられた部分有向無閉路グラフ（MPDAG）としてのみ既知である。この推定器は、誤差分布に依存せず、標本共分散行列のみに依存する正則推定器のクラスの中で半パラメトリック効率性を達成し、有限標本においても共変量補正法やIDA型推定器を上回る性能を示す。

ABSTRACT

Recursive linear structural equation models are widely used to postulate causal mechanisms underlying observational data. In these models, each variable equals a linear combination of a subset of the remaining variables plus an error term. When there is no unobserved confounding or selection bias, the error terms are assumed to be independent. We consider estimating a total causal effect in this setting. The causal structure is assumed to be known only up to a maximally oriented partially directed acyclic graph (MPDAG), a general class of graphs that can represent a Markov equivalence class of directed acyclic graphs (DAGs) with added background knowledge. We propose a simple estimator based on recursive least squares, which can consistently estimate any identified total causal effect, under point or joint intervention. We show that this estimator is the most efficient among all regular estimators that are based on the sample covariance, which includes covariate adjustment and the estimators employed by the joint-IDA algorithm. Notably, our result holds without assuming Gaussian errors.

研究の動機と目的

• 真の因果的DAGが未知であるが、MPDAGによって表されるマークオフ同値クラスとして表現される状況において、全因果効果の一貫性と効率性を備えた推定器を開発すること。
• 共変量補正法などの既存の推定器の限界、特に同時介入に対して定義されないことや、常に効率的でないことに起因する問題を解決すること。
• 提案された再帰的最小二乗推定器が、標本共分散行列のみに依存するすべての正則推定器の中で半パラメトリック効率性の限界に達することを確立すること。
• 有限標本における推定器の頑健性と優位性を示すこと。特に、現実的なグラフ推定誤差や非ガウス誤差分布下でも有効であることを確認すること。

提案手法

• 推定器は、MPDAG構造を活用して再帰的最小二乗法を変数の位相的順序に従って適用する。
• 標本共分散行列を唯一の十分統計量として使用することで、標準的な半パラメトリック効率性理論と整合性を保つ。
• 根ノードから始めて、各変数をそのMPDAGにおける親ノードに対して逐次回帰することで、処置から結果への全効果経路を特定する。
• 結果変数を処置変数およびその親ノードに対して線形投影することで推定器を導出する。因果構造はMPDAGに符号化されている。
• 正則かつ漸近正規性を示し、漸近分散が標本共分散行列に基づく推定器クラス内での半パラメトリック効率性の限界に一致することが示された。
• Rパッケージ `eff2` で実装されており、点介入および同時介入の両方をサポートしている。

実験結果

リサーチクエスチョン

• RQ1 因果構造がMPDAGとして表されるマークオフ同値クラスまでしか特定できない状況において、全因果効果の一致性と効率性を備えた推定器を構築できるか？
• RQ2 提案された再帰的最小二乗推定器は、標本共分散行列のみに依存するすべての正則推定器の中で半パラメトリック効率性の限界に達するか？
• RQ3 真のグラフが既知ではなく推定されている場合、特に小さな標本サイズ下で、提案された推定器は共変量補正法やIDA型推定器と比較してどのように性能を発揮するか？
• RQ4 提案された推定器の効率性向上は、非ガウス誤差分布の下でも頑健であるか？

主な発見

• 提案された再帰的最小二乗推定器は、共変量補正法が失敗する状況でも、点介入および同時介入の両方において、識別可能な全因果効果を一貫して推定する。
• 標本共分散行列のみに依存するすべての正則推定器の中で、半パラメトリック効率性の限界に達しており、このクラスの中で最も効率的である。
• シミュレーション結果から、G回帰と呼ばれるこの推定器は、相対二乗誤差の観点で共変量補正法やIDA型推定器を顕著に上回ることが示された。特に小標本から中程度の標本サイズ下で顕著な優位性を示した。
• 真のCPDAGが推定されている場合（例：グリーディ同値探索を用いて）、G回帰の性能向上は減少するが、依然として有意義であり、標本サイズが増加するに従い緩やかに減少する。
• 各位相レベルの分散を均等化するように係数をスケーリングした場合、G回帰と他の推定器との相対的性能差は縮小するが、G回帰は一貫して優位性を維持する。
• 理論的結果がガウス性を仮定しないため、誤差分布に依存せず、推定器の効率性は保持される。