[論文レビュー] Identification and Model Testing in Linear Structural Equation Models using Auxiliary Variables

Bryant Chen, Daniel Kumor+1 more|arXiv (Cornell University)|Dec 11, 2016

Advanced Graph Neural Networks被引用数 11

ひとこと要約

本稿では、補助変数（AVs）を用いた線形構造方程式モデル（SEM）における因果パラメータの同定化のための新規アルゴリズムを提案する。これは、道具変数法を一般化したものであり、因果パラメータの同定範囲を拡大する。AVとモデル変数の間の条件付き独立性のグラフ理論的特徴付けを提供し、従来の手法よりも多くの係数やモデルを同定可能にする。また、AVを用いたモデル検定のための新しい手順も開発している。

ABSTRACT

We developed a novel approach to identification and model testing in linear structural equation models (SEMs) based on auxiliary variables (AVs), which generalizes a widely-used family of methods known as instrumental variables. The identification problem is concerned with the conditions under which causal parameters can be uniquely estimated from an observational, non-causal covariance matrix. In this paper, we provide an algorithm for the identification of causal parameters in linear structural models that subsumes previous state-of-the-art methods. In other words, our algorithm identifies strictly more coefficients and models than methods previously known in the literature. Our algorithm builds on a graph-theoretic characterization of conditional independence relations between auxiliary and model variables, which is developed in this paper. Further, we leverage this new characterization for allowing identification when limited experimental data or new substantive knowledge about the domain is available. Lastly, we develop a new procedure for model testing using AVs.

研究の動機と目的

• 観測データからの一意な推定が不可能な場合に生じる、線形構造方程式モデル（SEMs）における既存の同定手法の限界を解消すること。
• 因果パラメータの同定を拡張するため、条件付き独立性および除外制約に関するドメイン知識を統合する補助変数（AVs）を導入することで、道具変数技術を一般化すること。
• AVとモデル変数の間の条件付き独立性のグラフ理論的特徴付けを構築し、因果パラメータの同定範囲を拡大すること。
• 現在の最先端手法（g-HTおよびハーフトレック法）を超えて同定可能な係数を同定可能にするために、同定の範囲を拡張すること。
• 因果仮定の整合性を検出できる、AVを用いた新しいモデル検定手順を導入すること。

提案手法

• 線形SEMにおける補助変数と内生変数の間の条件付き独立関係をモデル化するためのグラフ理論的フレームワークを構築する。
• 条件付き独立制約を活用する新しいパラメータ同定アルゴリズムを提案し、従来の手法が失敗する状況でも同定が可能になるようにする。
• 道具変数集合内の交差ループを除去する変換を適用し、同定に適した条件付け集合の存在を保証する。
• 有向交差グラフにおける経路のトポロジカル順序を用いて、同定の条件を満たすようにし、非巡回性および道具変数集合の有効性を保証する。
• 経路にコリダーが含まれる場合でも同定が可能な、条件付き道具変数（IV）フレームワークを提案し、一般化されたIVの主な限界を克服する。
• 過同定化およびd-分離に基づく、AVを用いたモデル検定手順と新しい同定アルゴリズムを統合し、因果仮定の不整合を検出可能にする。

実験結果

リサーチクエスチョン

• RQ1 補助変数は、既存の道具変数法の範囲を超えて、線形SEMにおける因果パラメータの同定に利用可能か？
• RQ2 線形SEMにおいて因果効果を同定可能にするために、補助変数の集合が満たすべきグラフ理論的条件は何か？
• RQ3 道具変数集合内の交差ループを体系的に除去する方法は何か？これにより、有効な同定条件が保証される。
• RQ4 一般化された道具変数集合や準AV集合が失敗する状況で、1つの条件付きIVが因果効果を同定できるのはどのような場合か？
• RQ5 補助変数を用いて、テスト可能な因果仮定に基づく、より強力な新しいモデル検定手順を開発可能か？

主な発見

• 提案されたアルゴリズムは、g-HTおよびハーフトレック法を含む、従来の最先端手法よりも、より多くの因果パラメータとモデルを同定可能である。
• 本手法は、道具変数技術を一般化し、経路にコリダーが含まれる場合でも同定が可能になる。これは、一般化されたIVが取り扱えない限界を克服している。
• 有効な道具変数集合の存在は、交差ループの不在および特定の条件付き独立性条件の満たし方によって特徴付けられ、これらはアルゴリズム的に検証可能である。
• 過同定化およびd-分離を用いて、SEMのテスト可能な帰結を検出できる、補助変数を用いた新しいモデル検定手順が開発された。
• 本稿では、特定の例を通じて、一般化された道具変数集合や準AV集合が失敗する状況でも、条件付きIVが因果効果を同定可能であることを示している。
• アルゴリズムは計算的に効率的かつスケーラブルであり、グレブナー基底法の非効率性を回避し、複雑なSEMにおける同定の実用的解決策を提供する。