[논문 리뷰] A Complete Generalized Adjustment Criterion

Emilija Perković, Johannes Textor외 2명|arXiv (Cornell University)|2015. 07. 06.

Bayesian Modeling and Causal Inference참고 문헌 25인용 수 18

한 줄 요약

이 논문은 DAGs, MAGs, CPDAGs, 및 PAGs의 네 가지 유형의 그래픽 causal 모델에서 공변량 조정을 위한 통합적이고 필수적이고 충분한 기준을 제안한다. 이는 잠재적 혼동인자나 부분적인 인과 지식이 존재하는 상황에서도 총 인과 효과에 대한 유효한 조정 집합을 식별할 수 있는 단일 프레임워크를 제공함으로써 기존 기준들을 일반화한다. 이는 이전 결과들을 포함하며, 완전하지 않은 구조 지식을 가진 관찰 데이터로부터 강력한 인과 추론을 가능하게 한다.

ABSTRACT

Covariate adjustment is a widely used approach to estimate total causal effects from observational data. Several graphical criteria have been developed in recent years to identify valid covariates for adjustment from graphical causal models. These criteria can handle multiple causes, latent confounding, or partial knowledge of the causal structure; however, their diversity is confusing and some of them are only sufficient, but not necessary. In this paper, we present a criterion that is necessary and sufficient for four different classes of graphical causal models: directed acyclic graphs (DAGs), maximum ancestral graphs (MAGs), completed partially directed acyclic graphs (CPDAGs), and partial ancestral graphs (PAGs). Our criterion subsumes the existing ones and in this way unifies adjustment set construction for a large set of graph classes.

연구 동기 및 목표

• 다양한 유형의 인과 그래프에서 공변량 조정을 위한 다수의 일관되지 않은 그래픽 기준으로 인해 발생하는 혼란을 해결하기 위해.
• DAGs, MAGs, CPDAGs, 및 PAGs에 대한 기존의 조정 기준들을 단일이고 일관된 프레임워크로 통합하기 위해.
• 진정한 인과 구조가 부분적으로만 알려져 있거나 잠재적 혼동인자가 존재하는 상황에서도 작동하는 필수적이고 충분한 조건을 제공하기 위해.
• 기본 DAG나 MAG를 완전히 알지 못하더라도, 그래프의 마르코프 동치 클래스만을 사용하여 관찰 데이터로부터 신뢰할 수 있는 인과 효과 추정을 가능하게 하기 위해.
• 일부 관측이 불가능하거나 일부로 방향이 정해지지 않은 그래프에 대해 조정 기준의 적용 범위를 확장하기 위해.

제안 방법

• 그래픽 모델 내 경로 차단 조건에 기반한 일반화된 조정 기준(GAC)을 제안한다.
• 조정 집합을 X와 Y 사이의 비인과적 경로를 차단하면서도 인과적 경로를 유지하는 집합 S로 정의한다.
• 경로와 화살표 표시의 일관된 해석을 통해 DAGs, MAGs, CPDAGs, 및 PAGs 전반에 이 기준을 적용한다.
• m-연결 경로와 콜라이더/비콜라이더 상태 개념을 사용하여 집합 S가 모든 비인과적 경로를 차단하는지 여부를 판단한다.
• 유효한 조정 집합의 존재성과 그래프 내 경로 차단 조건의 만족성 간의 동치성을 확립한다.
• Zhang(2006, 2008) 및 Maathuis & Colombo(2015)의 결과를 활용하여 일반화된 백도어 기준을 CPDAGs와 PAGs로 확장한다.

실험 결과

연구 질문

• RQ1 DAGs, MAGs, CPDAGs, 및 PAGs 전반에 걸쳐 공변량 조정에 대해 필수적이고 충분한 단일 기준을 개발할 수 있는가?
• RQ2 진정한 인과 구조가 부분적으로만 알려져 있거나 마르코프 동치 클래스로 표현되는 경우, 조정 집합은 어떻게 식별할 수 있는가?
• RQ3 잠재적 혼동인자가 존재하는 그래프에서, 치료 X와 결과 Y 사이의 모든 비인과적 경로를 차단하는 조건은 무엇인가?
• RQ4 DAGs/CPDAGs와 MAGs/PAGs 간에 조정 기준을 적용할 때 화살표 방향의 해석 방식은 어떻게 다를 수 있는가?
• RQ5 이 기준을 사용하여 잠재적 혼동인자나 선택 편향에 영향을 받지 않는 조정 집합을 식별할 수 있는가?

주요 결과

• 제안된 일반화된 조정 기준은 DAGs, MAGs, CPDAGs, 및 PAGs에서 조정에 대해 필수적이고 충분하며, 이전 결과들을 통합한다.
• 제시된 CPDAG(그림 1a 참조)에서 X가 Y에 미치는 총 영향에 대해 {A, Z}가 유효한 조정 집합임을 정확히 식별한다. 이는 모든 마르코프 동치 DAGs에서 유효하다.
• 이 방법은 잠재적 혼동인자가 존재하는 상황에서도 진정한 인과 구조를 완전히 알지 못한 채 관찰 데이터로부터 인과 효과 추정을 가능하게 한다.
• 기존에 충분 조건만 존재했던 CPDAGs와 PAGs로 일반화된 백도어 기준을 확장한다.
• 기준은 도구 변수(즉, X의 부모이지만 X의 자식과는 조상이 되지 않는 변수)가 MAGs와 PAGs에서 적합성과 조정에 충분함을 드러낸다.
• 이 접근법은 그래프가 MAG 또는 PAG로 올바르게 표현되어 있다면, 잠재적 혼동인자에 대해 강건한 조정 집합을 식별할 수 있도록 한다.