[논문 리뷰] Decomposition and Identification of Linear Structural Equation Models

Bryant Chen|arXiv (Cornell University)|2015. 08. 07.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 선형 구조적 방정식 모델(SEM)에서 구조적 계수를 식별하기 위해 반트레크 기준을 확장하며, 식별 능력을 향상시키기 위해 순환적 c-성분 분해를 도입한다. 제안된 방법이 비모수적 식별 알고리즘을 포함함을 보여주며, 기존 선형 방법으로는 식별할 수 없었던 계수의 식별이 가능하다.

ABSTRACT

In this paper, we address the problem of identifying linear structural equation models. We first extend the edge set half-trek criterion to cover a broader class of models. We then show that any semi-Markovian linear model can be recursively decomposed into simpler sub-models, resulting in improved identification power. Finally, we show that, unlike the existing methods developed for linear models, the resulting method subsumes the identification algorithm of non-parametric models.

연구 동기 및 목표

• 기존 선형 SEM 식별 방법이 일부 계수를 식별하지 못하는 한계를 해결한다. 이러한 계수들은 비모수적 접근을 통해 식별 가능하다.
• 반복적 추정 소프트웨어에 의존하지 않고, 인구 공분산 행렬에서 직접적으로 구조적 계수를 식별하는 방법을 개발한다.
• c-성분을 사용하여 반복적으로 모델을 더 단순한 부분 모델들로 분해함으로써, 반마르코프 선형 모델의 식별 능력을 향상시킨다.
• 제안된 방법이 선형 SEM에 적용되었을 때 비모수적 식별 알고리즘을 포함함을 보여주며, 이는 이전 연구에서의 핵심적 격차를 해결한다.

제안 방법

• 엣지 집합 반트레크 기준을 더 넓은 모델 클래스, 특히 비마르코프 구조를 포함하도록 확장한다.
• 모델을 부분 모델들로 단순화하기 위해 순환적 c-성분 분해를 적용하여, 이전에는 식별 불가능했던 계수의 식별을 가능하게 한다.
• 일반화된 반트레크 기준(g-HTC)을 사용하여 공분산 행렬 내의 d-분리 및 조건부 독립성을 활용해 부분 모델 내 계수를 식별한다.
• 그래프를 c-성분으로 반복적으로 분해하고 후계자 집합을 제거함으로써 새로운 식별 기회를 드러내는 순환 알고리즘을 구현한다.
• 식별된 부분 모델의 정보를 원래 그래프로 재통합하기 위해, 새로운 계수들이 식별될 경우 마진화된 노드를 다시 복원함으로써 식별의 연속성을 확보한다.
• 비모수 모델에서 직접 효과가 식별 가능하다면, 제안된 방법을 통해 선형 모델에서도 해당 계수는 동일하게 식별 가능하다는 사실을 활용한다.

실험 결과

연구 질문

• RQ1 반트레크 기준을 비마르코프 모델을 포함한 더 넓은 선형 SEM 클래스에서 더 많은 계수를 식별할 수 있는가?
• RQ2 순환적 c-성분 분해가 반마르코프 선형 SEM에서 식별 능력을 향상시키는가?
• RQ3 제안된 방법이 기존 선형 SEM 식별 알고리즘으로는 식별 불가능하지만 비모수적 방법으로는 식별 가능한 계수를 식별할 수 있는가?
• RQ4 분해와 g-HTC를 체계적으로 활용하여, 표준 선형 식별 절차 이후에도 식별되지 않은 계수를 식별할 수 있는 방법이 존재하는가?

주요 결과

• 확장된 반트레크 기준은 비마르코프 모델을 포함한 더 넓은 선형 SEM 클래스에서 계수를 성공적으로 식별한다.
• 순환적 c-성분 분해를 통해 모델의 구조를 단순화하고 조건부 독립 관계를 드러내어 추가 계수의 식별이 가능해진다.
• 제안된 방법은 선형 SEM에 대해 비모수적 식별 알고리즘을 포함함을 보여주며, 비모수적 방법으로 식별 가능한 모든 계수는 이 방법을 통해도 식별 가능하다.
• 전체 모델이 국소적으로 식별되지 않더라도 알고리즘이 계수를 식별할 수 있어, 데이터 수집 이전에 부분적으로도 구조적 매개변수를 식별할 수 있다.
• 식별 잠재력을 최대한 활용하기 위해 분해 및 재식별의 반복적 반복이 필요할 수 있다.
• 이 방법은 기존 표준 선형 식별 알고리즘으로는 식별되지 않았지만 비모수적 방법으로는 식별 가능한, 그림 2(a)의 계수 $ h $ 를 식별한다.