[論文レビュー] Necessary and sufficient conditions for causal feature selection in time series with latent common causes

Atalanti A. Mastakouri, Bernhard Schölkopf+1 more|arXiv (Cornell University)|May 18, 2020

Bayesian Modeling and Causal Inference参考文献 15被引用数 11

ひとこと要約

本稿では、潜在的共通原因が存在する場合でも直接的・間接的要因を同定できる、時系列における因果的特徴選択のための新規手法SyPIを提案する。各候補要因に対して2回の条件付き独立性検定のみを用い、時間的構造に基づいて最適な条件付き集合を構築することで、ほぼゼロの誤検出率と低めの見逃し率を達成し、シミュレーションおよび実データにおいてグランジャ因果性やseqICPを上回る性能を発揮する。特に潜在的交絡要因が存在する状況で顕著な優位性を示す。

ABSTRACT

We study the identification of direct and indirect causes on time series and provide conditions in the presence of latent variables, which we prove to be necessary and sufficient under some graph constraints. Our theoretical results and estimation algorithms require two conditional independence tests for each observed candidate time series to determine whether or not it is a cause of an observed target time series. We provide experimental results in simulations, as well as real data. Our results show that our method leads to very low false positives and relatively low false negative rates, outperforming the widely used Granger causality.

研究の動機と目的

• 潜在的共通原因が関係する因果的特徴選択の課題に取り組むこと。
• 因果的十分性の仮定をせず、直接的および間接的要因を同定できる手法を開発すること。
• 標準的手法（例：グランジャ因果性）が失敗する潜在的交絡要因が存在する状況で、誤検出率と見逃し率を低減すること。
• 特定のグラフ制約下で因果的特徴選択の必要十分条件を提供し、信頼性の高い因果推論を可能にすること。
• 時間的順序に基づいて事前に最適な条件付き集合を計算することで、広範な条件付き独立性検定を回避するスケーラブルなアルゴリズムを設計すること。

提案手法

• SyPIは、完全な時系列DAGから要約グラフを構築し、時間的ポイント間の因果的依存関係を表現する。
• 各候補要因について、そのラグと条件付き集合を、ターゲットの直前の時間ポイントに直接影響を与えるノードを分析することで同定する。
• 各候補要因に対して、正確に2回の条件付き独立性検定を実行する：1回目は、要因が直接的かつ交絡なしの原因かどうかを確認するためのものであり、2回目は、交絡経路を介した間接的因果関係であるかどうかを検証するためのものである。
• ターゲットノードの直前の時間ステップにおける親ノードを分離するステップを導入することで、効率的かつ統計的に堅牢な条件付き集合を保証する。
• d-分離と条件付き独立性基準を活用して因果関係を同定するが、すべての可能な条件付き集合に対する全探索を回避する。
• 線形および非線形関係を対象として設計されており、線形ケースでは偏相関を、非線形関係にはKCI、KCIPT、またはFCITを用いる。

実験結果

リサーチクエスチョン

• RQ1 潜在的共通原因を伴う時系列において、直接的および間接的要因を同定するための必要十分条件は何か？
• RQ2 潜在的交絡要因が存在する状況でも、高い正確性を維持しつつ、最小限の条件付き独立性検定で因果的特徴選択を達成できるか？
• RQ3 潜在的交絡要因が存在する状況で、SyPIはグランジャ因果性やseqICPと比べて誤検出率および見逃し率においてどのように差をつけるか？
• RQ4 干渉を必要とせず、因果的十分性の仮定をしない状況でも、SyPIは交絡なしの直接的要因をどの程度正確に同定できるか？
• RQ5 時系列の数が増加する場合や、複数ラグの依存関係が存在する場合、この手法はどのようにスケーリングするか？

主な発見

• シミュレーションにおいて、さまざまなグラフタイプ、ノイズレベル、サンプルサイズの下で、SyPIはほぼゼロの誤検出率を達成し、Lasso-Granger や seqICP より顕著に優れた性能を示した。
• 潜在的交絡要因が存在する環境でも、比較的低い見逃し率を維持しており、因果的十分性の違反に対しても頑健であることが示された。
• 低サンプルサイズで仮定違反の可能性がある実世界のデータセットにおいて、SyPIは100％の真正陽性率と100％の真正陰性率を達成した。
• SyPIの計算複雑度はO(n)であり、seqICPのO(n log n)よりも効率的で、FCIベースの手法が行う全検定を回避する。
• KCIやFCITを用いた条件付き独立性検定において、非線形関係下でも性能が安定しており、最適な条件付き集合により信号対雑音比が著しく向上した。
• 理論的分析により、本手法の条件は交絡なしの直接的要因の同定に必要であり、指定されたグラフ制約下では直接的および間接的要因の同定に十分であることが確認された。