[논문 리뷰] Identification and Model Testing in Linear Structural Equation Models using Auxiliary Variables

Bryant Chen, Daniel Kumor외 1명|arXiv (Cornell University)|2016. 12. 11.

Advanced Graph Neural Networks인용 수 11

한 줄 요약

이 논문은 보조 변수(_AVs_)를 사용하여 선형 구조적 방정식 모델에서 원인 매개변수를 식별하는 새로운 알고리즘을 제안하며, 기존의 도구변수 기법을 일반화한다. 보조 변수와 모델 변수 간의 조건부 인과관계를 그래프 이론적으로 특성화하여 이전 방법보다 더 많은 계수와 모델을 식별할 수 있도록 하며, 보조 변수를 활용한 모델 검증을 위한 새로운 절차도 개발한다.

ABSTRACT

We developed a novel approach to identification and model testing in linear structural equation models (SEMs) based on auxiliary variables (AVs), which generalizes a widely-used family of methods known as instrumental variables. The identification problem is concerned with the conditions under which causal parameters can be uniquely estimated from an observational, non-causal covariance matrix. In this paper, we provide an algorithm for the identification of causal parameters in linear structural models that subsumes previous state-of-the-art methods. In other words, our algorithm identifies strictly more coefficients and models than methods previously known in the literature. Our algorithm builds on a graph-theoretic characterization of conditional independence relations between auxiliary and model variables, which is developed in this paper. Further, we leverage this new characterization for allowing identification when limited experimental data or new substantive knowledge about the domain is available. Lastly, we develop a new procedure for model testing using AVs.

연구 동기 및 목표

• 관측 데이터에서 원인 매개변수를 유일하게 추정할 수 없는 경우에 발생하는 기존 식별 방법의 한계를 해결하기 위해.
• 원인 매개변수의 조건부 인과관계 및 배제 제약 조건에 대한 영역 지식을 반영하는 보조 변수(_AVs_)를 도입하여 도구변수 기법을 일반화하기 위해.
• 보조 변수와 모델 변수 간의 조건부 인과관계를 그래프 이론적으로 특성화하여 원인 매개변수의 더 넓은 식별 가능성을 확보하기 위해.
• 기존 최첨단 기법들, 특히 g-HT 및 하프트렉 알고리즘을 초월하여 이전에 식별 불가능했던 계수들까지 식별할 수 있도록 식별 범위를 확장하기 위해.
• 식별 가능한 결과의 테스트 가능 성격을 탐지할 수 있도록 보조 변수를 활용한 새로운 모델 검증 절차를 도입하여 원인 가정의 타당성을 향상시키기 위해.

제안 방법

• 선형 SEM에서 보조 변수와 내생 변수 간의 조건부 인과관계 관계를 모델링하기 위한 그래프 이론적 프레임워크를 개발한다.
• 기존 방법이 실패할 경우에도 작동할 수 있도록 조건부 인과관계 제약 조건을 활용하는 새로운 매개변수 식별 알고리즘을 제안한다.
• 기존의 기반 세트에서 교차 루프를 제거하기 위한 변환을 적용하여 식별을 위한 유효한 조건부 집합의 존재를 보장한다.
• 방향성 교차 그래프에서 경로의 위상적 순서를 사용하여 식별 조건을 충족시키며, 기반 세트의 사이클 없음과 타당성을 보장한다.
• 기반 세트에서 결과 변수로 향하는 경로에 콜라이더가 포함된 경우에도 식별이 가능한 조건부 도구변수(_IV_) 프레임워크를 제안하며, 일반화된 도구변수의 주요 한계를 극복한다.
• 새로운 식별 알고리즘을 과다식별 및 d-분리 기반의 모델 검증 절차와 통합하여, 보조 변수를 활용해 원인 가정의 일관성 오류를 탐지한다.

실험 결과

연구 질문

• RQ1 기존 도구변수 기법의 범위를 초월하여 보조 변수를 사용해 선형 SEM에서 원인 매개변수를 식별할 수 있는가?
• RQ2 보조 변수 집합이 선형 SEM에서 원인 효과를 식별하는 데 성공하기 위해 충족해야 할 그래프 이론적 조건은 무엇인가?
• RQ3 기반 세트의 교차 루프를 체계적으로 제거하여 유효한 식별 조건을 확보할 수 있는가?
• RQ4 일반화된 도구변수 기반 세트나 준-보조 변수 세트가 실패하는 경우, 단일 조건부 도구변수로 원인 효과를 식별할 수 있는가?
• RQ5 식별 가능한 결과의 성격을 기반으로 보조 변수를 활용해 더 강력한 새로운 모델 검증 절차를 개발할 수 있는가?

주요 결과

• 제안된 알고리즘은 기존 최첨단 기법들, 특히 g-HT 및 하프트렉 알고리즘보다 더 많은 원인 매개변수와 모델을 식별한다.
• 기존 도구변수 기법을 일반화하여 도구변수에서 결과 변수로 향하는 경로에 콜라이더가 포함된 경우에도 식별이 가능하게 하며, 이는 일반화된 도구변수 기법이 해결하지 못한 한계를 극복한다.
• 유효한 기반 세트의 존재는 교차 루프의 부재와 특정 조건부 인과관계 조건의 만족 여부로 특성화되며, 이는 알고리즘적으로 검증 가능하다.
• 보조 변수를 활용한 새로운 모델 검증 절차를 개발하여 과다식별 및 d-분리를 통해 SEM의 테스트 가능한 성격을 탐지할 수 있다.
• 논문은 특정 예시를 통해 조건부 도구변수 기법이 일반화된 기반 세트나 준-보조 변수 세트가 실패하는 경우에도 원인 효과를 식별할 수 있음을 입증한다.
• 알고리즘은 계산적으로 효율적이고 확장 가능하며, 그뢰버 기반 방법의 비가역성 문제를 피하며 복잡한 SEM에서의 식별을 위한 실용적인 해결책을 제공한다.