[論文レビュー] Graphical Markov models, unifying results and their interpretation

Nanny Wermuth|arXiv (Cornell University)|May 10, 2015

Bayesian Modeling and Causal Inference参考文献 76被引用数 3

ひとこと要約

この論文は、縦断的研究および介入研究における因果的経路をモデル化するために、特に回帰グラフモデルを含むグラフィカルなマルコフモデルを統合する。条件付き独立制約を有向無閉路グラフおよび無向グラフと統合することにより、変数の省略、サブポピュレーションの選択、データ生成の順序変更といった構造的効果を追跡可能にする。これにより、結果の予測や研究間の知識統合のためのフレームワークが提供される。

ABSTRACT

Graphical Markov models combine conditional independence constraints with graphical representations of stepwise data generating processes.The models started to be formulated about 40 years ago and vigorous development is ongoing. Longitudinal observational studies as well as intervention studies are best modeled via a subclass called regression graph models and, especially traceable regressions. Regression graphs include two types of undirected graph and directed acyclic graphs in ordered sequences of joint responses. Response components may correspond to discrete or continuous random variables and may depend exclusively on variables which have been generated earlier. These aspects are essential when causal hypothesis are the motivation for the planning of empirical studies. To turn the graphs into useful tools for tracing developmental pathways and for predicting structure in alternative models, the generated distributions have to mimic some properties of joint Gaussian distributions. Here, relevant results concerning these aspects are spelled out and illustrated by examples. With regression graph models, it becomes feasible, for the first time, to derive structural effects of (1) ignoring some of the variables, of (2) selecting subpopulations via fixed levels of some other variables or of (3) changing the order in which the variables might get generated. Thus, the most important future applications of these models will aim at the best possible integration of knowledge from related studies.

研究の動機と目的

• 縦断的研究および介入研究における因果的プロセスをモデル化するため、特に回帰グラフモデルを含むグラフィカルなマルコフモデルを統合的かつ体系的に統合すること。
• 変数が無視された、サブポピュレーションが選択された、または変数生成順序が変更された場合に、構造的効果がどのように生じるかをモデル化する課題に対処すること。
• 生成された分布が、信頼性のある推論と予測を可能にするための、同時ガウス分布の主要な性質を反映していることを保証すること。
• 発達経路と構造的変化をモデル化することにより、関連する実証的研究間の知識統合のためのフレームワークを提供すること。

提案手法

• 回帰グラフにおける連関応答の順序付き系列を用いて、条件付き独立制約とグラフィカル表現を統合する。
• 因果的依存関係を表す有向無閉路エッジと、条件付き独立性を表す無向エッジを併用する混合グラフを用いて、データ生成プロセスを表現する。
• 生成された分布が有効な推論と予測を支持するように保証するために、同時ガウス分布の性質を適用する。
• 変数の省略がもたらす構造的効果を、周辺化における条件付き分布の分析によりモデル化する。
• 観測変数の固定レベルでの条件付けを用いて、サブポピュレーションの選択を分析し、その影響を下流で評価する。
• 変数生成順序の変更を、グラフィカルモデルにおける応答の順序の再順序化によって調査し、変化した依存関係を予測する。

実験結果

リサーチクエスチョン

• RQ1 グラフィカルなマルコフモデルは、縦断的研究および介入研究における因果的プロセスを表現するために、どのように統合可能か？
• RQ2 回帰グラフモデルにおいて、特定の変数を無視した場合の構造的効果は何か？
• RQ3 ある変数の固定レベルによるサブポピュレーションの選択は、条件付き独立構造にどのように影響するか？
• RQ4 変数生成順序が変更された場合、モデル構造にはどのような変化が生じるか？
• RQ5 回帰グラフモデルは、代替のデータ生成プロセスを予測・比較するために、どのように利用可能か？

主な発見

• 回帰グラフモデルは、有向エッジと無向エッジを組み合わせることで、縦断的研究および介入研究における因果的経路を統合的フレームワークとして提供する。
• モデルは、変数の省略に起因する構造的効果の導出を可能とし、欠損データの影響分析が可能になる。
• 変数の固定レベルによるサブポピュレーションの選択は、条件付き独立構造に識別可能な変化をもたらし、その変化はグラフ上で追跡可能である。
• 変数生成順序の変更は依存構造を変化させ、これらの変化はグラフィカルモデルを用いて体系的に分析可能である。
• モデルは、同時ガウス分布の主要な性質を保持しており、さまざまなデータ生成仮定下でも信頼性の高い予測と推論を保証する。
• これらのモデルは、異なる実証的文脈における発達経路と構造的変化をモデル化することで、関連研究からの知識統合を可能にする。