[논문 리뷰] Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets

Jakob Runge|arXiv (Cornell University)|2020. 03. 07.

Bayesian Modeling and Causal Inference참고 문헌 20인용 수 36

한 줄 요약

PCMCI+는 자기상관이 있는 비선형 시계열에서 지연된 인과 관계와 동시적 인과 관계를 모두 발견하기 위한 조건부 독립성 기반 방법으로, 검출력과 거짓 양성 제어를 개선하면서 PC보다 더 빠릅니다.

ABSTRACT

The paper introduces a novel conditional independence (CI) based method for linear and nonlinear, lagged and contemporaneous causal discovery from observational time series in the causally sufficient case. Existing CI-based methods such as the PC algorithm and also common methods from other frameworks suffer from low recall and partially inflated false positives for strong autocorrelation which is an ubiquitous challenge in time series. The novel method, PCMCI$^+$, extends PCMCI [Runge et al., 2019b] to include discovery of contemporaneous links. PCMCI$^+$ improves the reliability of CI tests by optimizing the choice of conditioning sets and even benefits from autocorrelation. The method is order-independent and consistent in the oracle case. A broad range of numerical experiments demonstrates that PCMCI$^+$ has higher adjacency detection power and especially more contemporaneous orientation recall compared to other methods while better controlling false positives. Optimized conditioning sets also lead to much shorter runtimes than the PC algorithm. PCMCI$^+$ can be of considerable use in many real world application scenarios where often time resolutions are too coarse to resolve time delays and strong autocorrelation is present.

연구 동기 및 목표

• 자기상관과 비선형성이 존재하는 관찰 시계열에서 강건한 인과 발견을 추구하는 동기를 제시한다.
• PCMCI를 확장하여 지연된 인과 관계와 함께 동시적 인과 관계를 신뢰할 수 있게 탐지한다.
• 자기상관 하에서 CI 테스트를 보정하고 검출력을 높이기 위해 조건화 집합 선택을 개선한다.
• 표준 가정 하에서 건전성(soundness), 완전성(completeness), 순서 독립성(order-independence)을 증명한다.
• PC에 비해 더 짧은 실행 시간으로 인접 탐지 성능과 방향 회상(recall)을 우수하게 시연한다.

제안 방법

• PCMCI+를 제안한다. PCMCI를 확장하여 동시적 링크를 포함하는 CI 기반 프레임워크.
• 스켈레톤(skeleton) 탐색을 지연(lagged) 단계와 동시적 단계로 분할하고 CI 테스트를 축소한다.
• 강한 인접성을 조건으로 하는 MCI(momentary conditional independence) 테스트를 사용하여 효과 크기를 증가시킨다.
• 조건화 집합이 지연된 혼란 경로를 차단하고 자기상관 하에서 테스트를 보정하도록 한다.
• 이론적 결과를 제공한다: 건전성(soundness), 완전성(completeness), 순서 독립성(order-independence), 그리고 향상된 효과 크기(p=0 테스트).
• 다항 시간의 지연 단계와 집중된 동시적 조건화로 PC에 비해 계산적 이점을 보인다.

실험 결과

연구 질문

• RQ1 PCMCI+가 자기상관이 있는 비선형 시계열에서 지연된 인과 관계와 동시적 인과 관계를 신뢰성 있게 모두 회복할 수 있는가?
• RQ2 기존 CI 기반 방법들보다 동시적 링크에 대해 더 높은 인접 탐지 능력과 더 나은 방향 회상을 달성하면서도 거짓 양성을 통제하는가?
• RQ3 표준 원인 충분성 가정 하에서 PCMCI+의 이론적 보장은 무엇인가? (건전성, 완전성, 순서 독립성)
• RQ4 PCMCI+가 PC 및 PCMCI+0 변형에 비해 실행 시간과 강한 자기상관에 대한 강건성 측면에서 어떤 성능을 보이는가?
• RQ5 조건화 전략과 테스트 보정이 지연 링크와 동시적 링크의 탐지력에 어떻게 영향을 미치는가?

주요 결과

• PCMCI+는 PC 및 PCMCI+0보다 인접 탐지 능력이 더 높으며, 특히 동시적 링크에서 두드러진다.
• PCMCI+는 자기상관 하에서 거짓 양성을 더 잘 통제하면서 동시적 간선에 대한 방향 회상을 개선한다.
• 이 방법은 순서 독립적이며 오라클 경우에도 일관되며 PC보다 훨씬 짧은 런타임을 보인다.
• 지연된 인접성과 동시인 부모를 모두 조건화하면 MCI 테스트의 효과 크기가 커져 탐지 힘이 증가한다.
• 지연 링크 탐지는 여전히 강하지만, MCI 조건화로 일부 구성에서 지연 효과 크기가 다소 감소할 수 있다.
• 전반적으로 PCMCI+는 시계열에서 일반적인 특징인 자기상관의 이점을 활용하고 비선형 및 이질적 잡음 환경에서 향상된 신뢰성을 보여준다.