[論文レビュー] High-recall causal discovery for autocorrelated time series with latent confounders

Andreas Gerhardus, Jakob Runge|arXiv (Cornell University)|Jul 3, 2020

Bayesian Modeling and Causal Inference参考文献 35被引用数 35

ひとこと要約

LPCMCI を提案する。潜在的因子を含む自己相関のある時系列のための、制約ベースの因果推定手法であり、偽陽性を抑制しつつ SVAR-FCI より再現率を高める。既知の親に基づくデフォルトの条件付けと、新規 LPCMCI-PAG ルールによる早期指向を用いて効果量を高める。

ABSTRACT

We present a new method for linear and nonlinear, lagged and contemporaneous constraint-based causal discovery from observational time series in the presence of latent confounders. We show that existing causal discovery methods such as FCI and variants suffer from low recall in the autocorrelated time series case and identify low effect size of conditional independence tests as the main reason. Information-theoretical arguments show that effect size can often be increased if causal parents are included in the conditioning sets. To identify parents early on, we suggest an iterative procedure that utilizes novel orientation rules to determine ancestral relationships already during the edge removal phase. We prove that the method is order-independent, and sound and complete in the oracle case. Extensive simulation studies for different numbers of variables, time lags, sample sizes, and further cases demonstrate that our method indeed achieves much higher recall than existing methods for the case of autocorrelated continuous variables while keeping false positives at the desired level. This performance gain grows with stronger autocorrelation. At https://github.com/jakobrunge/tigramite we provide Python code for all methods involved in the simulation studies.

研究の動機と目的

• 潜在混乱因子を持つ自己相関のある時系列の因果発見における低再現率の問題に対処する。
• 情報に基づく条件設定集合を用いて CI テストの効果量を高める手法を開発する。
• 祖先関係を早期に決定するような反復的なエッジ除去と向き付けのフレームワークを導入する。
• 提案手法の健全性、完全性（オラクルの場合）、および順序独立性を証明する。
• ベンチマークと再現性を可能にするオープンソースのコードを提供する。

提案手法

• LPCMCI を導入する。潜在的共因子を持つ時系列のための制約ベースの因果発見アルゴリズム。
• CI テストにおける効果量を定義し、既知の親に対するデフォルト条件付けが検出力を高める方法を示す。
• 早期の祖先決定を可能にする新規 LPCMCI-PAG 向き付けルールとミドルマークを開発する。
• テスト中にエッジ除去と向き付けを絡めて祖先関係を反復的に洗練させる。
• 順序独立性を証明し、オラクル仮定の下で健全性と完全性を示す。
• オープンソースの Python 実装を提供し、SVAR-FCI および SVAR-RFCI のベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 自己相関と潜在的共因子が存在する場合に、LPCMCI は既存の時系列因果推定手法より再現率を高く達成できるか？
• RQ2 既知の親への条件付け（デフォルト条件）が偽陽性を増やすことなく CI テストの検出力を改善するか？
• RQ3 新しい向き付けルールと LPCMCI-PAG 表現は、エッジ除去中のより早く、より信頼できる祖先関係決定を可能にするか？
• RQ4 LPCMCI アルゴリズムはオラクル設定で順序独立性と健全性・完全性を備えるか？
• RQ5 変数数、時間ラグ、サンプルサイズの異なる条件で LPCMCI はどのように性能を発揮するか？

主な発見

• LPCMCI は自己相関のある連続データに対して、偽陽性をターゲット水準に維持しつつ、SVAR-FCI より実質的に高い再現率をもたらす。
• A および B の親に対するデフォルト条件付けを使用することで、CI テストの効果量が増大し検出力が向上する。
• 新規の向き付けルールと LPCMCI-PAG により、エッジ除去中の祖先関係を早期に決定できる。
• アルゴリズムは順序独立であり、オラクル CI 決定の下で健全性と完全性を有する。
• 厳密な自己相関が強く、問題サイズが大きい場合に性能向上が大きくなる。