[論文レビュー] The lure of causal statements: Rampant mis-inference of causality in estimated connectivity

David M. A. Mehler, Konrad P. Körding|arXiv (Cornell University)|Dec 8, 2018

Functional Brain Connectivity StudiesNeuroscience被引用数 18

ひとこと要約

この論文は、観察されない共通入力と因果用語の意味的再定義のため、関数的結合性やグレインジャー因果性といった統計的手法が、サンプリングが不十分な脳データにおいて相関から因果関係を誤って推論させることを主張している。これらの手法は高次元の脳活動と観察されない共変量の無限集合を無視するため、神経機構を信頼性高く明らかにできないことを示している。

ABSTRACT

As neuroscientists we want to understand how causal interactions or mechanisms within the brain give rise to perception, cognition, and behavior. It is typical to estimate interaction effects from measured activity using statistical techniques such as functional connectivity, Granger Causality,or information flow, whose outcomes are often falsely treated as revealing mechanistic insight. Since these statistical techniques fit models to low-dimensional measurements from brains, they ignore the fact that brain activity is high-dimensional. Here we focus on the obvious confound of common inputs: the countless unobserved variables likely have more influence than the few observed ones. Any given observed correlation can be explained by an infinite set of causal models that take into account the unobserved variables. Therefore, correlations within massively undersampled measurements tell us little about mechanisms. We argue that these mis-inferences of causality from correlation are augmented by an implicit redefinition of words that suggest mechanisms, such as connectivity, causality, and flow.

研究の動機と目的

• 相関に基づく統計的手法を用いた神経画像研究における因果関係の広範な誤推論を暴露すること。
• 低次元の脳測定値における観察されない共通入力の混同的影響を強調すること。
• 『結合性』『因果性』『フロー』といった用語の暗黙の再定義が、機械的洞察を示すかのように見せることで、なぜ誤った解釈を生むのかを批判すること。
• 現在の統計モデルが高次元の神経動態を体系的に無視していることにより、機械的主張が損なわれることを主張すること。

提案手法

• 関数的結合性、グレインジャー因果性、情報フローといった統計的手法の構造的限界を分析すること。
• サンプリングが不十分なデータにおけるいかなる観察された相関も、観察されない変数を含む無限の因果モデルで説明可能であることを示すこと。
• 共通入力の混同を、神経データにおける誤った因果推論の主な要因として焦点化すること。
• 理論的推論を用いて、低次元の測定値が脳活動の真の高次元的性質を捉えられないことを示すこと。
• 『因果性』や『フロー』といった用語の意味的シフトを批判し、統計的関連性に誤った機械的洞察の正当性を与えること。

実験結果

リサーチクエスチョン

• RQ1 なぜグレインジャー因果性のような統計的手法が、脳データにおける神経機構に関する誤った推論を引き起こすのか？
• RQ2 観察されない共通入力は、神経結合性研究における観察された相関の解釈をどのように歪めるのか？
• RQ3 サンプリングが不十分な神経データにおける観察された相関は、隠れた変数を含む代替因果モデルでどの程度説明可能なのか？
• RQ4 『結合性』や『因果性』といった用語の再定義は、研究者が実際にメカニズムを特定したと誤って信じ込ませるのか？

主な発見

• 観察された相関は、観察されない変数を含む無限の因果モデルで説明可能であり、相関からの因果推論は根本的に信頼できない。
• 関数的結合性やグレインジャー因果性といった統計的手法は、高次元の神経動態を無視するため、相関を因果関係として誤って表現する傾向がある。
• 脳活動における観察されない共通入力の数々が、因果的主張を無効にする広範な混同要因を形成している。
• 統計的出力における『因果性』や『フロー』といった用語の使用は、実際にはそのようなメカニズムが特定されていないにもかかわらず、誤った機械的洞察の印象を与える。
• 本論文は、現在の手法が脳活動に内在する高次元性と観察されない変数を考慮しないため、神経機構を信頼性高く明らかにできないと結論づけている。