[논문 리뷰] Distinguishing Cause from Effect Based on Exogeneity

Kun Zhang, Jiji Zhang외 1명|arXiv (Cornell University)|2015. 04. 22.

Bayesian Modeling and Causal Inference참고 문헌 20인용 수 13

한 줄 요약

이 논문은 조건부 분포의 매개변수에 대한 원인의 외생성(exogeneity)을 검증하여 원인과 결과를 구분하는 비모수적 인과 발견 방법을 제안한다. 부트스트래핑 기반의 근사 추론을 통해 근사 분포와 조건부 분포를 분석함으로써, 구조적 제약 조건이나 매끄러움 가정 없이도 인과 방향을 식별할 수 있으며, 존재할 경우 혼란 변수(confounders)도 성공적으로 탐지할 수 있다.

ABSTRACT

Recent developments in structural equation modeling have produced several methods that can usually distinguish cause from effect in the two-variable case. For that purpose, however, one has to impose substantial structural constraints or smoothness assumptions on the functional causal models. In this paper, we consider the problem of determining the causal direction from a related but different point of view, and propose a new framework for causal direction determination. We show that it is possible to perform causal inference based on the condition that the cause is "exogenous" for the parameters involved in the generating process from the cause to the effect. In this way, we avoid the structural constraints required by the SEM-based approaches. In particular, we exploit nonparametric methods to estimate marginal and conditional distributions, and propose a bootstrap-based approach to test for the exogeneity condition; the testing results indicate the causal direction between two variables. The proposed method is validated on both synthetic and real data.

연구 동기 및 목표

• 구조방정식모델에서 흔히 사용되는 강력한 구조적 가정에 의존하지 않고 이변량 시스템에서 원인과 결과를 구분하는 데 도전하는 것.
• 원인이 영향을 주는 요소의 매개변수와 독립이 되어야 한다는 통계적 개념인 외생성에 기반한 인과 추론 프레임워크를 개발하는 것.
• 실제 관측 데이터에 적용 가능한 계산적으로 실현 가능한 비모수적 방법을 개발하여 외생성 검증을 수행하는 것.
• 양방향에서 외생성 여부를 평가함으로써 비관측 혼란 변수를 탐지할 수 있도록 하는 것.
• 매끄러움 또는 비모수적 기능 형태 가정이 필요한 기존 방법들에 대한 강건한 대안을 제공하는 것.

제안 방법

• 원인이 영향을 주는 요소의 조건부 분포의 매개변수에 대해 원인이 외생적임을 가정하는 프레임워크를 제안하며, 이는 원인의 데이터 생성 과정이 영향 기구의 매개변수와 독립이어야 한다는 아이디어에 기반한다.
• 원인의 근사 분포와 원인에 조건부된 영향의 조건부 분포를 모델링하기 위해 비모수적 커널 밀도 추정을 사용한다.
• 표본 분포를 평가하기 위해 실제 분포에서 다수의 시뮬레이션 데이터셋을 생성하기 위해 부트스트래핑 재표본화 절차를 적용한다.
• 조건부 모델의 추정 매개변수(예: 회귀 계수 또는 밀도 매개변수)와 원인의 근사 모델의 매개변수 간의 통계적 독립성을 검증한다.
• 부트스트래핑 기반의 가설 검정을 통해 원인이 영향의 매개변수에 대해 외생적인지 평가한다; 귀무가설 기각은 해당 방향이 인과적일 가능성이 높음을 의미한다.
• 검정 결과를 바탕으로 인과 방향을 추론한다: 한 방향에서는 외생성이 성립하지만 다른 한 방향에서는 성립하지 않는 경우, 외생성이 성립하는 쪽이 인과 방향으로 추론된다.

실험 결과

연구 질문

• RQ1 조건부 분포의 매개변수에 대한 원인의 외생성이 원인과 결과를 식별하는 데 유효한 기준이 될 수 있는가?
• RQ2 특정 기능 형태나 데이터 생성 과정의 매끄러움을 가정하지 않고도 비모수적 부트스트래핑 기반 검정이 인과 방향을 탐지할 수 있는가?
• RQ3 이 방법은 인과관계에서 비관측 혼란 변수의 존재를 어느 정도 탐지할 수 있는가?
• RQ4 이 외생성 기반 방법의 성능은 합성 및 실세계 데이터에서 기존 방법들인 IGCI, ANM, GPI와 비교해 어떻게 되는가?
• RQ5 데이터 생성 과정에 비선형성 또는 혼란 변수가 포함되어 있을 경우에도 이 방법은 강건성을 유지하는가?

주요 결과

• 제안된 부트스트래핑 기반 외생성 검정은 57개의 실세계 인과 쌍 중 41개(72% 정확도)에서 올바르게 인과 방향을 식별했으며, 다른 주요 방법들과 유사한 성능을 보였다.
• 혼란 변수가 존재하는 합성 데이터에서, 혼란 변수의 영향력이 강할 경우 양방향에서 낮은 p-값을 통해 혼란 변수 존재를 성공적으로 탐지했다.
• 선형 혼란 변수 케이스(α=0, b=0)에서 β 값이 높을 경우, 이 방법은 IGCI 및 ANM보다 우수한 성능을 보였으며, 강한 혼란 변수 하에서 인과 방향 탐지 능력이 뛰어났다.
• 비선형 혼란 변수 케이스(α=0.2, b=0.3)에서도 높은 성능를 유지했으며, 혼란 변수의 영향력이 클 경우 특히 정확한 인과 방향 식별에 효과적이었다.
• 20개의 실세계 데이터셋(전체 77개 중)에서 양방향에서 p-값 < 0.01을 기록하여 잠재적 혼란 변수를 탐지했으며, 이는 복잡한 종속성 패턴의 시각적 검토와 일치했다.
• 이 방법은 매끄러움 또는 비모수적 기능 형태에 대한 가정이 필요 없어, SEM 기반 방법보다 더 넓은 분야에 적용 가능하다.