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

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

Time Series Analysis and Forecasting인용 수 65

한 줄 요약

PCMCI+은 조건부 독립성에 기초한 방법으로 자기상관이 있는 비선형 시계열에서 지연된(lagged) 관계와 동시적(contemporaneous) 인과 관계를 모두 발견하며, 보정이 향상되고 인접성/방향성 재현율이 더 높고 PC보다 런타임이 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

• 시계열에서 지연된(lagged) 링크와 동시적(contemporaneous) 링크를 모두 다루는 CI 기반 인과 발견 프레임워크를 개발한다.
• 강한 자기상관하에서 CI 테스트의 신뢰성을 Conditioning 집합 최적화를 통해 향상시킨다.
• 제어된 거짓 양성 및 더 빠른 런타임으로 인접성 탐지와 방향성 재현율을 높인다.

제안 방법

• PCMCI+를 도입하여 PCMCI의 확장으로 동시적 링크 발견을 포함한다.
• CI 테스트를 줄인 상태에서 지연된 및 동시적 조건화 단계로 간선 제거를 분리한다.
• 자기상관하에서 테스트를 보정하고 효과 크기를 증가시키기 위해 순간적 조건부 독립(MCI) 조건화를 사용한다.
• PCMCI+의 건전성(올바른 인접성)을 입증하고 Faithfulness와 함께 완전성(최대 방향화)을 보장한다.
• 순서 무관성과 PC에 비해 인접성 탐지, 방향성 재현율, 런타임에서의 실험적 이득을 시뮬레이션으로 보여준다.

실험 결과

연구 질문

• RQ1 자기상관이 있는 비선형 시계열에서 CI 기반의 인과 발견 방법이 지연된 링크와 동시적 링크를 모두 신뢰성 있게 식별할 수 있는가?
• RQ2 최적화된 Conditioning 집합과 MCI 기반 테스트가 자기상관 하에서 탐지 능력과 거짓 양성 제어를 향상시키는가?
• RQ3 PCMCI+가 기존 접근 방식인 PC보다 순서에 독립적이고 계산적으로 더 효율적인가, 정확성을 유지하면서?
• RQ4 PCMCI+는 선형 및 비선형, 가우시안 및 비가우시안 노이즈, 다양한 자기상관 수준에 걸쳐 어떻게 성능을 보이는가?
• RQ5 표준 인과 가정 하에서 PCMCI+에 대해 어떤 이론적 보장(건전성/완전성)이 성립하는가?

주요 결과

• PCMCI+는 강한 자기상관하에서 PC보다 인접성 탐지 능력과 동시적 방향성 재현율이 더 높다.
• PCMCI+는 PC에 비해 거짓 양성 제어가 더 좋고 런타임이 더 짧다.
• 최적화된 Conditioning 집합과 MCI 테스트 프레임워크가 테스트 효과 크기를 증가시켜 동시적 링크 탐지 능력을 향상시킨다.
• PCMCI+는 건전하고 Faithfulness와 함께 완전하며, 인과 그래프 재구성에서 순서에 독립적이다.
• 이 방법은 비선형 및 다변수 설정을 포함한 다양한 CI 테스트 및 데이터 유형에 유연하게 적용 가능하다.