[논문 리뷰] In reply to Faes et al. and Barnett et al. regarding "A study of problems encountered in Granger causality analysis from a neuroscience perspective"

Patrick A. Stokes, Patrick L. Purdon|arXiv (Cornell University)|2017. 09. 29.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 신경과학 분야에서 그랜저-게베케(GG) 인과성에 대한 이전 연구에 대한 비판에 대응하며, 별도의 모델 피팅이 특히 주파수 도메인에서 편향과 분산을 유발한다는 점을 강조한다. 이는 단일 모델, 상태공간 접근법을 통해 이러한 문제를 제거할 것을 주장하며, 인과성은 데이터에 내재된 것이 아니라 모델 사양과 동역학에 따라 달라지므로 연구자들이 기본 설정보다도 모델의 투명성과 과학적 관련성을 우선시해야 한다고 당부한다.

ABSTRACT

This reply is in response to commentaries by Barnett, Barrett, and Seth (arXiv:1708.08001) and Faes, Stramaglia, and Marinazzo (arXiv:1708.06990) on our paper entitled "A study of problems encountered in Granger causality analysis from a neuroscience perspective." (PNAS 114(34):7063-7072. 2017). In our paper, we analyzed several properties of Granger-Geweke causality (GGC) and discussed potential problems in neuroscience applications. We demonstrated: (i) that GGC, estimated using separate model fits, is either severely biased, particularly when the true model is known, or a high variance is introduced to overcome the bias; and (ii) that GGC does not reflect some component dynamics of the system. The commentaries by both Faes et al. and Barnett et al. point out that the computational problems of (i) are resolved by using recent computational methods. We acknowledge that these problems are indeed resolved by these methods. However, the traditional computation using separate model fits continues to be presented and applied. More fundamentally, the interpretational problems stemming from (ii) are not in anyway addressed by the improved methods because they are inherent to the definition of GGC. These properties are indeed acknowledged by both commentaries. We have no misconception of the GGC measure and do not claim that these properties are facially wrong. But we do discuss at length how these properties make it inappropriate and misleading for common types of scientific questions, how presentation of GGC results without model estimates are not decipherable, and how the absence of clear statements of questions of interest present further opportunities for misinterpretation.

연구 동기 및 목표

• 기존의 별도의 모델 접근법이 주파수 도메인 추정에서 편향과 분산을 유발하는 통계적 한계를 명확히 하기 위해, 특히 주파수 도메인 추정에서의 편향과 분산에 초점을 맞춘다.
• 이러한 문제들이 단일 모델, 상태공간 프레임워크를 통해 해결될 수 있음을 이전에 바넷, 세스, 솔로가 제시한 바와 같이 보여주기 위해 노력한다.
• GG-인과성 해석에서 모델의 동역학과 구조가 가지는 핵심적 역할을 강조하며, 인과성이 독립된 결과가 아니라 모델링 선택의 산물임을 주장한다.
• 특히 진동하는 신경 시스템에서 동역학이 핵심적인 이해 기초가 되므로, '유도 정보 흐름'을 생리적 인과성과 동일시하는 것을 경계한다.
• 신경과학에서 인과성 분석이 기본 계산 파ipeline이 아닌 과학적으로 의미 있는 동역학에 기반한 모델 중심 접근법을 통해 협업을 장려한다.

제안 방법

• 편향과 분산을 유발하는 별도의 모델 추정 방식을 피하기 위해, 단일이고 통합된 피팅을 통해 GG-인과성을 추정하기 위해 상태공간 모델링 프레임워크를 채택한다.
• 상태공간 프레임워크 내에서 스펙트럼 분해를 사용하여 주파수 도메인 GG-인과성을 계산함으로써 일관성과 통계적 강건성을 확보한다.
• 시뮬레이션 연구를 통해 별도의 모델 접근법과 단일 모델 접근법의 성능를 비교하여 인과성 추정에서의 편향과 분산을 정량화한다.
• 단순히 인과성 값만이 아니라 추정된 모델과 그 동역학적 구성 요소를 공개함으로써 모델의 투명성을 강조한다.
• 인과성을 데이터의 본질적 성질이 아니라 선택된 모델과 그 동역학에 대한 진술로 재정의한다.
• 신경과학자와 수리 연구자 간의 밀접한 협업을 통해 모델의 구조를 과학적 질문과 일치시킬 것을 주장한다.

실험 결과

연구 질문

• RQ1 그랜저-게베케 인과성에서 별도의 모델 피팅이 주파수 도메인에서 어떻게 편향과 분산을 유발하는가?
• RQ2 단일 모델, 상태공간 접근법이 GG-인과성 추정에서 이러한 통계적 문제를 어느 정도 해결할 수 있는가?
• RQ3 GG-인과성의 수신기 독립성 성질이 진동하는 시스템에서 신경 인과성 해석에 문제가 되는 이유는 무엇인가?
• RQ4 GG-인과성 모델에서 동역학적 구성 요소가 생략될 경우 신경과학에서 방향성 영향을 어떻게 제대로 해석할 수 없게 되는가?
• RQ5 모델의 구조 선택이 인과성 해석을 어떻게 본질적으로 변화시키며, 왜 이러한 점이 자주 간과되는가?

주요 결과

• GG-인과성에 대해 별도의 모델 피팅을 수행할 경우 주파수 도메인 추정에서 심각한 편향과 분산이 발생하여 신뢰성이 떨어진다.
• 바넷, 세스, 솔로가 이전에 제안한 바와 같이 단일 모델, 상태공간 접근법이 이러한 통계적 문제를 효과적으로 해결한다.
• MVGC 도구상자(MVGC toolbox)는 이미 단일 모델 접근법을 구현하고 있으나, 이는 저자들이 이전에 주장한 바와는 다를 바가 있다.
• GG-인과성은 생리적 메커니즘의 직접적 반영이 아니라, 특정 모델과 그 동역학에 완전히 의존한다.
• 대부분의 GG-인과성 연구에서 모델의 동역학이 생략됨으로써 해석이 제대로 이뤄지지 않으며 과학적 통찰력이 제한된다.
• 저자들은 인과성이 독립된 결과가 아니라 모델링 선택의 산물이므로, 모델의 투명성과 과학적 관련성에 더 많은 관심을 기울여야 한다고 결론을 내린다.