[論文レビュー] The lure of misleading causal statements in functional connectivity research

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

Functional Brain Connectivity Studies参考文献 105被引用数 29

ひとこと要約

この論文は、関数的結合に関する研究における因果的言語の誤用を批判しており、Granger因果性や情報フローといった統計的手法が、低次元でアンダーサンプリングされたデータに基づいているにもかかわらず、脳のメカニズムを明らかにすると誤解される傾向があると主張している。著者らは、観察されない共通の入力が無限にあり得る因果モデルを生じさせることで、相関関係だけでは機械的メカニズムの推論が不十分であることを示し、'因果性' や 'フロー' といった用語が、実証的根拠のないままに機械的理解を示唆する誤解を招くことを強調している。

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

• 関数的結合の統計的測定値から脳のメカニズムを推論するリスクを暴露すること。これは、アンダーサンプリングされ、低次元のデータに依存しているにもかかわらずである。
• 『因果性』『結合』『フロー』といった誤解を招く用語が、機械的理解を偽装する方法を特定すること。
• 観察されない共通の入力が、いかなる観察された相関に対しても無限にあり得る因果モデルを生じさせることを示し、因果的主張を根底から覆すこと。
• 神経画像法研究における、現在の統計的手法が真の脳のメカニズムを捉えることの限界を反映する、より高い方法論的・言語的厳密性を提唱すること。

提案手法

• 著者らは理論的分析を用いて、関数的結合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によって説明可能であることを示している。
• 機能的結合、Granger因果性、情報フローといった一般的な統計的手法を検討し、高次元の脳活動からの低次元の測定に依存している点を強調している。
• 数学的推論を用いて、観察されない共通の入力が観察された相互作用を上回り、観察された相関からの因果的推論が統計的に無効であることを示している。
• 神経科学の文献における言語的フレーミングを分析し、'因果性' や 'フロー' といった用語が、実証的根拠のないままに機械的理解を示唆するように見えることを明らかにしている。
• シミュレーテッドデータとコードを用いて、アンダーサンプリングと隠れた交絡要因の現実的状況下での因果的推論の不安定さと曖昧さを示している。
• 現在の統計的手法が真の脳のメカニズムを捉えることの限界を反映するよう、用語と方法論の見直しを提唱している。

実験結果

リサーチクエスチョン

• RQ1 なぜ研究者たちは、関数的結合における統計的相関を、因果的脳メカニズムの証拠と誤って解釈するのか？
• RQ2 観察されない共通の入力が、低次元の神経画像データからの因果的推論をどのように無効にするのか？
• RQ3 '因果性' や '情報フロー' といった誤解を招く用語が、関数的結合の結果の解釈をどの程度歪めるのか？
• RQ4 観察されない変数を考慮に入れると、脳の活動におけるいかなる観察された相関も、無限に異なる因果モデルによって説明可能になるのか？
• RQ5 標準的な結合メトリクスを用いた神経科学分野における因果的主張の妥当性に、アンダーサンプリングが及ぼす影響は何か？

主な発見

• 関数的結合データにおけるいかなる観察された相関も、観察されない共通の入力を含む無限の因果モデルによって説明可能であり、一意な因果的推論は不可能である。
• Granger因果性や情報フローといった統計的手法は、高次元の脳活動からの低次元の測定に依存しているという点で、根本的に制限を受ける。
• 観察されない変数（おそらく観察されたものよりも影響力が大きい）が存在するため、関数的結合研究からの大多数の因果的主張は根拠がない。
• 神経画像法の文献における '因果性' '結合' 'フロー' といった用語の使用は、実証的根拠のないままに機械的理解を示唆する誤解を生じさせている。
• 本論文のシミュレーテッドデータとコードは、こうした手法からの因果的推論が不安定で、隠れた交絡要因に極めて感受しやすいことを示している。
• 著者らは、現在の手法と言語が、機械的理解を過剰に主張していると結論づけ、方法論的および用語的改革の必要性を強調している。