[論文レビュー] Nested Counterfactual Identification from Arbitrary Surrogate Experiments

Juan D. Correa, Sanghack Lee+1 more|arXiv (Cornell University)|Dec 6, 2021

Bayesian Modeling and Causal Inference被引用数 1

ひとこと要約

本稿は、観測データと介入データの任意の組み合わせからネストされた反事後的要因を同定する包括的なフレームワークを提案する。Counterfactual Unnesting Theorem (CUT) を確立し、複雑なネストされた反事後的要因を非ネスト形に変換する。識別可能性のための必要十分なグラフィカルな条件を提示し、識別可能性を確実に判断する効率的で完全なアルゴリズムを提示する。

ABSTRACT

The Ladder of Causation describes three qualitatively different types of activities an agent may be interested in engaging in, namely, seeing (observational), doing (interventional), and imagining (counterfactual) (Pearl and Mackenzie, 2018). The inferential challenge imposed by the causal hierarchy is that data is collected by an agent observing or intervening in a system (layers 1 and 2), while its goal may be to understand what would have happened had it taken a different course of action, contrary to what factually ended up happening (layer 3). While there exists a solid understanding of the conditions under which cross-layer inferences are allowed from observations to interventions, the results are somewhat scarcer when targeting counterfactual quantities. In this paper, we study the identification of nested counterfactuals from an arbitrary combination of observations and experiments. Specifically, building on a more explicit definition of nested counterfactuals, we prove the counterfactual unnesting theorem (CUT), which allows one to map arbitrary nested counterfactuals to unnested ones. For instance, applications in mediation and fairness analysis usually evoke notions of direct, indirect, and spurious effects, which naturally require nesting. Second, we introduce a sufficient and necessary graphical condition for counterfactual identification from an arbitrary combination of observational and experimental distributions. Lastly, we develop an efficient and complete algorithm for identifying nested counterfactuals; failure of the algorithm returning an expression for a query implies it is not identifiable.

研究の動機と目的

• 観測データと介入データのみが利用可能な状況で、異なる行動がとられた場合にどうなっていたかという反事後的結果を推論する課題に対処する。
• 特に媒介分析や公平性分析の分野で困難をきたすネストされた反事後的要因に対処できない既存手法の限界を克服する。
• 観測分布と介入分布の任意の混合から、任意のネストされた反事後的要因クエリを形式的かつ完全に同定するソリューションを提供する。
• 反事後的要因の識別可能性のための必要十分なグラフィカルな条件を確立し、そのような推論が可能かどうかを明確に決定できるようにする。
• 識別可能な反事後的要因クエリが存在するかどうかを、常に正しく判定するアルゴリズムを開発する。

提案手法

• 因果推論における構造と意味を明確にするために、ネストされた反事後的要因の形式的定義を導入する。
• 任意のネストされた反事後的要因を、構造的因果モデルを用いて等価な非ネスト形に還元する、Counterfactual Unnesting Theorem (CUT) を証明する。
• 観測データと介入データの混合から反事後的要因の識別可能性を判断するための、因果図の構造に基づく必要十分なグラフィカル基準を定義する。
• シンボリックなdo-計算と潜在的アウトカムの操作を用いて、識別式を構築するアルゴリズムを設計する。このアルゴリズムは、グラフィカル条件を体系的にチェックする。
• アルゴリズムが完全であることを保証する：識別式が返されない場合、そのクエリは証明的に同定不能である。
• 因果の段階のラダーの構造を活用し、介入（do）から反事後的（～ならばどうだったか）の推論へと、層間をまたぐ問題として反事後的推論を定式化する。

実験結果

リサーチクエスチョン

• RQ1 観測分布と介入分布の任意の組み合わせから、ネストされた反事後的要因クエリがどのような条件下で同定可能となるか。
• RQ2 任意のネストされた反事後的要因を、同定を容易にするために体系的に非ネスト形に変換できるか。
• RQ3 与えられた反事後的要因クエリが混合データから同定可能かどうかを常に判定する、完全で効率的なアルゴリズムは存在するか。
• RQ4 識別可能な反事後的要因クエリの集合を特徴付けるグラフィカル構造は何か。
• RQ5 このフレームワークは、媒介分析や公平性評価といった実世界の問題にどのように応用できるか。

主な発見

• Counterfactual Unnesting Theorem (CUT) により、任意のネストされた反事後的要因を等価な非ネスト形に変換する形式的手段が得られ、既存の識別技術の適用が可能になる。
• 観測データと介入データの混合から反事後的要因の識別可能性を判断するための必要十分なグラフィカルな条件が確立され、分野における長年の曖昧さが解消された。
• 提案されたアルゴリズムは完全かつ効率的である：識別式が存在する場合は正しく返し、存在しない場合はそれを証明的に示す。
• 従来、臨床的・特異的処理が必要とされてきた、媒介分析や公平性分析における直接効果、間接効果、誤った効果（スルーレイソン）などの複雑な反事後的要因の同定が可能になる。
• 結果として、混合データからの反事後的推論が、明確に定義された条件下で体系的かつ解けることが示され、因果推論分野の最先端を前進させる。
• 本手法は、因果の段階のラダーにおける層間推論、特に介入から反事後的推論への統一的かつ形式的保証付きのアプローチを提供する。