[논문 리뷰] A Bayesian Method for Causal Modeling and Discovery Under Selection

Gregory F. Cooper|arXiv (Cornell University)|2013. 01. 16.

Bayesian Modeling and Causal Inference참고 문헌 15인용 수 23

한 줄 요약

이 논문은 사례-대조 연구나 편의 표본과 같이 비랜덤 선택 하에 데이터가 수집될 때의 인과 발견 및 모델링을 위한 베이지안 프레임워크를 제시한다. 선택 메커니즘을 사전 믿음에 통합하고 인과 구조에 대한 사후 분포를 유도함으로써 관찰, 실험, 선택적 표본 데이터 등 혼합된 데이터 유형에서 강건한 추론을 가능하게 한다.

ABSTRACT

This paper describes a Bayesian method for learning causal networks using samples that were selected in a non-random manner from a population of interest. Examples of data obtained by non-random sampling include convenience samples and case-control data in which a fixed number of samples with and without some condition is collected; such data are not uncommon. The paper describes a method for combining data under selection with prior beliefs in order to derive a posterior probability for a model of the causal processes that are generating the data in the population of interest. The priors include beliefs about the nature of the non-random sampling procedure. Although exact application of the method would be computationally intractable for most realistic datasets, efficient special-case and approximation methods are discussed. Finally, the paper describes how to combine learning under selection with previous methods for learning from observational and experimental data that are obtained on random samples of the population of interest. The net result is a Bayesian methodology that supports causal modeling and discovery from a rich mixture of different types of data.

연구 동기 및 목표

• 사례-대조 연구나 편의 표본과 같이 비랜덤 표본 추출 방식으로 데이터가 수집될 때의 인과 모델링 과제를 해결한다.
• 선택적 표본 데이터를 사전 인과 지식과 통합하는 원칙적인 베이지안 접근법을 개발한다.
• 관찰, 실험, 선택된 표본을 포함한 이질적인 데이터 원천들로부터의 인과 발견을 가능하게 한다.
• 선택 과정의 불확실성을 인과 모델에 대한 사전 분포에 통합하여 선택 편향을 모델링함으로써 추론의 정확성을 높인다.
• 랜덤 표본 데이터를 위한 기존 방법과 선택 표본 데이터를 통합한 학습을 지원하여 통합된 인과 추론을 가능하게 한다.

제안 방법

• 선택 과정을 생성 모델의 일부로 형식화하여 표본 선택 방식에 대한 가정을 사전 분포에 포함시킨다.
• 선택된 데이터와 사전 믿음을 바탕으로 인과 네트워크 구조에 대한 사후 확률을 계산하기 위해 베이지안 업데이트를 사용한다.
• 관측 변수와 선택 지표의 결합 분포를 모델링하여 선택 하에 인과 구조에 대한 추론을 가능하게 한다.
• 실제 데이터셋에 대해 계산이 가능하도록 근사 기법과 특수 케이스 알고리즘을 도입한다.
• 표본 선택을 고려한 모델을 관찰 및 실험 데이터에 대한 표준 베이지안 방법과 결합하여 다중 원천 학습을 지원한다.
• 베이지안 네트워크 프레임워크 내에서 조건부 독립성 및 d-분리 기준을 활용하여 선택 하에서의 인과 구조 평가를 수행한다.

실험 결과

연구 질문

• RQ1 사례-대조 연구와 같이 비랜덤으로 선택된 데이터일 때 어떻게 안정적으로 인과 모델을 학습할 수 있는가?
• RQ2 선택 메커니즘에 대한 사전 지식을 베이지안 인과 모델에 적절히 어떻게 통합할 수 있는가?
• RQ3 데이터가 인구 집단의 랜덤 샘플이 아니면 인과 구조에 대한 사후 확률은 어떻게 계산할 수 있는가?
• RQ4 랜덤 표본, 관찰 데이터, 선택된 표본 데이터를 통합할 수 있는 통합된 베이지안 프레임워크는 가능한가?
• RQ5 계산이 비현실적으로 어려운 상황을 피하기 위해 현실적인 데이터셋에 적용할 수 있는 효과적인 계산 근사 기법은 무엇인가?

주요 결과

• 선택 과정을 사전에 명시적으로 모델링함으로써 비랜덤 표본 데이터로부터 유효한 인과 추론을 가능하게 하는 방법을 제안한다.
• 프레임워크는 사례-대조 연구와 같이 고정된 유병률 표본 추출 방식이 적용된 경우에도 인과 구조에 대한 사후 추론을 지원한다.
• 랜덤 표본, 관찰 데이터, 선택된 표본 등 다양한 데이터 원천의 증거를 단일 베이지안 프레임워크 내에서 원칙적으로 통합할 수 있다.
• 정확한 추론은 대규모 데이터셋에 대해 계산적으로 비가능하지만, 이 논문은 계산이 가능한 특수 케이스와 근사 기법을 식별하여 정확성을 유지한다.
• 이 방법은 베이지안 확률 이론에 엄밀히 기반하며, 기존의 인과 발견 방법에 선택 편향을 모델링된 구성 요소로 확장한다.
• 이 방법은 도메인 지식을 표본 추출 과정에 통합할 수 있어 학습된 인과 모델의 강건성과 해석 가능성을 향상시킨다.