[論文レビュー] On efficient adjustment in causal graphs

Janine Witte, Leonard Henckel+2 more|arXiv (Cornell University)|Feb 17, 2020

Advanced Causal Inference Techniques参考文献 62被引用数 27

ひとこと要約

本稿は、共変量の関連情報をすべて保持する潜在的投影（latent projection）である「禁止投影（forbidden projection）」を用いて、因果グラフにおける最適調整集合（O-set）の新しい図的特徴付けを提示する。この手法により、非適合可能なグラフにおける因果効果推定のためのIDAアルゴリズムをO-setを用いて拡張し、特定の仮定下で結果指向の変数選択と整合するO-setの性質を示す。さらに、パラメトリックおよびノンパラメトリックモデルにおいて、O-setが漸近的分散を最小化することを示している。

ABSTRACT

We consider estimation of a total causal effect from observational data via covariate adjustment. Ideally, adjustment sets are selected based on a given causal graph, reflecting knowledge of the underlying causal structure. Valid adjustment sets are, however, not unique. Recent research has introduced a graphical criterion for an 'optimal' valid adjustment set (O-set). For a given graph, adjustment by the O-set yields the smallest asymptotic variance compared to other adjustment sets in certain parametric and non-parametric models. In this paper, we provide three new results on the O-set. First, we give a novel, more intuitive graphical characterisation: We show that the O-set is the parent set of the outcome node(s) in a suitable latent projection graph, which we call the forbidden projection. An important property is that the forbidden projection preserves all information relevant to total causal effect estimation via covariate adjustment, making it a useful methodological tool in its own right. Second, we extend the existing IDA algorithm to use the O-set, and argue that the algorithm remains semi-local. This is implemented in the R-package pcalg. Third, we present assumptions under which the O-set can be viewed as the target set of popular non-graphical variable selection algorithms such as stepwise backward selection.

研究の動機と目的

• 因果グラフにおける最適調整集合（O-set）の新しい、直感的な図的特徴付けを提供すること。
• IDAアルゴリズムを拡張し、O-setを用いて非適合可能なCPDAGおよびmaxPDAGにおける因果効果推定を可能にすること。
• O-setがバックワード選択などのデータ駆動型変数選択手法の目的とするものと一致する条件を確立すること。
• O-setがパラメトリックおよびノンパラメトリックモデルの両方において、漸近的分散を最小化することを示すことにより、推定効率を向上させること。

提案手法

• 調整による全因果効果推定に必要な情報をすべて保持する『禁止投影』—潜在的投影グラフを導入する。
• O-setを禁止投影における結果ノードの親集合として定義し、従来の定義よりも直感的な図的基準を提供する。
• 半局所的IDAアルゴリズムを拡張し、親集合の代わりにO-setを用いるようにし、半局所的性質を維持するとともに、部分的に観測されたグラフにおける効率的な因果効果推定を可能にする。
• O-setを適合可能および非適合可能なCPDAGおよびmaxPDAGに適用し、同値クラスに属するすべてのDAGにおいて有効な調整が保証されることを確認する。
• 多変量正規線形モデルを用いて、O-setを用いた推定量と他の有効な調整集合を用いた推定量との間の漸近的分散を比較する。
• 特定の仮定下で、O-setがステップワイズバックワード選択の出力と一致することを示す。

実験結果

リサーチクエスチョン

• RQ1 新しい図的構築法を用いて、最適調整集合（O-set）をより直感的に特徴付ける方法は何か？
• RQ2 O-setは、非適合可能なCPDAGおよびmaxPDAGにおける因果効果推定に向け、IDAアルゴリズムに効果的に統合可能か？
• RQ3 O-setがバックワード選択などのデータ駆動型変数選択手順の結果と一致する条件は何か？
• RQ4 O-setは、パラメトリックおよびノンパラメトリックモデルの両方において、因果効果推定量の漸近的分散を一貫して最小化するか？

主な発見

• O-setは、すべての交絡関連構造を保持する潜在的投影グラフである禁止投影における結果ノードの親集合として正式に特徴付けられる。
• 禁止投影は、因果推論における有効かつ効率的な調整に必要な情報をすべて保持する強力なメソドロジカルツールである。
• O-setを用いた拡張IDAアルゴリズムは、半局所的性質を維持し、標準的なIDAアルゴリズムと比較してより低い漸近的分散を達成する。
• 多変量正規モデルにおいて、O-setを用いた因果効果推定量の漸近的分散は、他の任意の有効な調整集合を用いた場合よりも厳密に小さい。
• 特定の仮定下で、O-setがステップワイズバックワード選択の目的とするものと等価であることが示され、図的最適性と一般的なデータ駆動型変数選択手法との間に接続が確立された。
• ヴァイオリンプロットを用いた実験的結果から、さまざまなサンプルサイズ、グラフサイズ、スパarsityレベルにおいて、最適IDAが相対的平均二乗誤差の観点で半局所的IDAを一貫して上回ることが示された。