[논문 리뷰] Probabilistic Variational Causal Approach in Observational Studies

Usef Faghihi, Amir Saki|arXiv (Cornell University)|2022. 08. 12.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 간섭을 총변화와 함께 통합하고 배경 변수에 따른 노출 값 변화의 자연스러운 가용성을 반영하는 새로운 원인 추론 프레임워크인 확률적 변분 원인 효과(Probabilistic Variational Causal Effect, PACE)를 소개한다. 이는 노출 값 변화의 가용성을 차수 $d$로 매개변수화함으로써 단일 값이 아닌 원인 효과 벡터를 생성함으로써 희귀사건 및 확률적 원인 문제에 대한 강건한 처리를 가능하게 하며, 식별 가능한 반사적 결과와 PEACE 및 SPACE와 같은 확장 기능을 통해 양의 및 음의 효과를 측정할 수 있다.

ABSTRACT

In this paper, we introduce a new causal methodology that accounts for the rarity and frequency of events in observational studies based on their relevance to the underlying problem. Specifically, we propose a direct causal effect metric called the Probabilistic vAriational Causal Effect (PACE) and its variations adhering to certain postulates applicable to both non-binary and binary treatments. The PACE metric is derived by integrating the concept of total variation, representing the purely causal component, with interventions on the treatment value, combined with the probabilities of hypothetical transitioning between treatment levels. PACE features a parameter $d$, where lower values of $d$ correspond to scenarios emphasizing rare treatment values, while higher values of $d$ focus on situations where the causal impact of more frequent treatment levels is more relevant. Thus, instead of a single causal effect value, we provide a causal effect function of the degree $d$. Additionally, we introduce positive and negative PACE to measure the respective positive and negative causal changes in the outcome as exposure values shift. We also consider normalized versions of PACE, referred to MEAN PACE. Furthermore, we provide an identifiability criterion for PACE to handle counterfactual challenges in observational studies, and we define several generalizations of our methodology. Lastly, we compare our framework with other well-known causal frameworks through the analysis of various examples.

연구 동기 및 목표

• 실세계 설정에서 노출 값 변화의 자연스러운 가용성을 고려하는 원인 추론 프레임워크를 개발하는 것.
• 희귀사건이나 비확률적 시나리오가 중심이 되는 경우 기존 프레임워크(예: 펄의 프레임워크 및 정보이론 모델)의 한계를 해결하는 것.
• 단일 매개변수화 공식을 통해 확률적 및 비확률적 원인 문제를 통합적으로 다루는 접근법을 제공하는 것.
• PEACE 및 SPACE 변형을 통해 양의 및 음의 원인 효과 측정을 가능하게 하는 것.
• 관찰 데이터에서 반사적 결과의 식별 가능성 기준을 PACE 프레임워크를 통해 설정하는 것.

제안 방법

• 총변화와 확률 이론을 통합한 함수의 적분을 기반으로 한 PACE를 원인 효과 공식으로 제안한다.
• 희귀 또는 일반적인 노출 변화에 대한 민감도를 제어하기 위해 차수 매개변수 $d$를 도입하여 원인 효과 벡터를 생성한다.
• 간섭 하에서 양의 및 음의 원인 변화를 별도로 측정하기 위해 PEACE 및 SPACE를 변형으로 정의한다.
• 원인 효과 계산의 핵심 구성 요소로 노출 값 변화의 자연스러운 가용성 $\mathbb{P}(X=1|\bm{Z}=\bm{z})$를 사용한다.
• 구조적 방정식 모델 $Y = g(X, \bm{Z})$를 사용하여 조정 변수 $\bm{Z}$ 조건 하에서 직접 원인 효과를 형식화한다.
• 조건부 확률과 반사적 추론을 활용하여 관찰 연구에서 PACE의 식별 가능성 기준을 수립한다.

실험 결과

연구 질문

• RQ1 희귀 노출 변화가 결과에 크게 영향을 주는 상황에서 원인 추론은 어떻게 향상될 수 있는가?
• RQ2 노출 값 변화의 자연스러운 가용성이 직접 원인 효과 추정에 어떤 영향을 미치는가?
• RQ3 단일 원인 효과 공식이 어떻게 확률적 및 비확률적 원인 문제를 모두 처리할 수 있는가?
• RQ4 매개변수 $d$는 원인 효과 벡터의 형태와 희귀사건에 대한 민감도에 어떤 역할을 하는가?
• RQ5 PACE는 원인 강도를 캡처하는 데 있어 펄의 do-계산법, 상호정보량, 제닝스 등과 같은 기존 프레임워크와 비교해 어떻게 다를까?

주요 결과

• PACE는 차수 매개변수 $d$를 이산화시켜 민감도 분석을 다양한 노출 변화 가용성 수준에서 수행할 수 있도록 하여 원인 효과 벡터를 생성한다.
• 습기 있는 잔디 예제에서 PACE는 $\mathbb{I}(R;W|S) \approx 0.4936$ 및 $\mathbb{I}(S;W|R) \approx 0.3707$를 식별하여 빗물이 분수를 통해 간접적으로 더 강한 원인 영향을 미친다는 것을 보여준다.
• 희귀 질병 예제에서는 낮은 $\mathbb{P}(N=1|\bm{o})$ 값이 원인 효과를 감소시킴으로써 실제 희귀성의 영향을 반영한다.
• 이 프레임워크는 $W \sim \mathbb{B}(0.6509)$, 엔트로피 $\mathbb{H}(W) \approx 0.9333$, 조건부 엔트로피 $\mathbb{H}(W|R) \approx 0.6849$로 식별되어 원인 강도의 정량화를 뒷받침한다.
• PACE의 식별 가능성 기준은 조건부 확률과 구조적 모델을 활용하여 관찰 데이터에서 반사적 추론을 가능하게 한다.
• 이중 대칭 채널 및 질병 예제에서 보여지듯이, 희귀 사례나 비대칭적 노출 가용성이 중요한 경우 기존 모델보다 PACE가 원인 효과를 더 잘 캡처한다.