[논문 리뷰] Reply to Stokes and Purdon: A study of problems encountered in Granger causality analysis from a neuroscience perspective

Lionel Barnett, Adam B. Barrett외 1명|arXiv (Cornell University)|2017. 08. 26.

Functional Brain Connectivity Studies참고 문헌 19인용 수 7

한 줄 요약

이 논문은 신경과학에서 그랑저-게베케 인과성(GGС)의 사용을 변호하며 심각한 편향과 제한된 인과적 통찰력에 대한 주장에 반박한다. GGC가 신경 시스템 내 예측 인과성에 대해 유효하고 통계적으로 근거가 있는 측정을 제공함을 주장하며, 그 한계에 대한 오해를 바로잡고, 뇌 네트워크 내 방향성 정보 흐름 분석에서 GGC의 유용성을 재확인한다.

ABSTRACT

Stokes and Purdon [1] raise several concerns about the use of Granger-Geweke causality (GGC) analysis in neuroscience. They make two primary claims: (i) that GGC estimates may be severely biased or of high variance, and (ii) that GGC fails to reveal the full structural/causal mechanisms of a system. Unfortunately, these claims rest, respectively, on an incomplete evaluation of the literature and a misconception about what GGC can be said to measure. [1] Patrick A. Stokes and Patrick. L. Purdon (2017), A study of problems encountered in Granger causality analysis from a neuroscience perspective, Proc. Natl. Acad. Sci. USA, 114(34):7063-7072.

연구 동기 및 목표

• 스톡스(Stokes)와 퍼던(Purdon)이 제기한 신경과학에서 그랑저-게베케 인과성(GGC)의 신뢰성과 해석 가능성에 대한 우려를 다루기 위해.
• GGC 추정치가 일반적인 신경과학 응용에서 심각하게 편향되거나 분산이 높다는 오해를 바로잡기 위해.
• GGC가 스토하스틱 과정 내 예측 의존성을 측정하는 데 목적을 두며, 전체 구조적 또는 기계적 인과성을 측정하는 것은 아니며, 이 특정 목적을 위해 그 유효성을 변호하기 위해.
• 적절히 적용될 경우 GGC가 신경 시계열 데이터 내 방향성 정보 흐름을 분석하는 데 있어 여전히 유효한 도구임을 재확인하기 위해.

제안 방법

• GGC의 이론적 기초를 분석하여 그 통계적 성질과 가정을 명확히 하기 위해.
• GGC의 의도된 범위—시계열 내 예측 의존성 측정—를 전체 구조적 인과성 요구와 대비시켜 보다기 위해.
• 기존 문헌을 검토하여 보고된 편향과 분산 문제들이 일반적인 신경과학 응용에 일반화되지 않는다는 것을 보여주기 위해.
• GGC가 스토하스틱 과정의 프레임워크 내에서 작동하며, 관측되지 않은 인과 메커니즘을 복원하도록 설계된 것은 아니라는 점을 강조하기 위해.
• 형식적 통계적 추론을 사용하여, 일반 조건 하에서 GGC 추정치가 유한한 데이터 조건에서도 일관성을 유지함을 보여주기 위해.
• 적절히 적용될 경우 GGC가 신경 데이터 내 방향성 영향을 식별하는 데 유효한 도구로 남아 있다는 주장을 펼기 위해.

실험 결과

연구 질문

• RQ1 신경과학에서 그랑저-게베케 인과성 추정치는 실무적으로 체계적으로 편향되거나 과도하게 변동성이 큰가?
• RQ2 그랑저-게베케 인과성은 신경 시스템의 진정한 인과적 구조를 어느 정도 드러낼 수 있는가?
• RQ3 어떤 연구자들이 GGC가 뇌 네트워크 내 전체 인과 메커니즘을 포착하지 못한다고 주장하는가?
• RQ4 GGC의 이론적 범위는 신경과학 연구에서 기대되는 바와 어떻게 비교되는가?

주요 결과

• 스톡스와 퍼던의 주장과는 달리, 일반적인 신경과학 응용에서 GGC 추정치는 일반적으로 심각하게 편향되거나 분산이 높지 않다.
• 보고된 편향과 분산 문제들은 문헌의 오해적 해석과 부적절한 적용 맥락에서 기인한다.
• GGC는 관측되지 않은 구조적 또는 기계적 인과 관계를 드러내는 데 목적을 두지 않으며, 시계열 내 예측 의존성을 정량화하는 데 목적을 두고 있다.
• 적절한 이론적 프레임워크 내에서 적용될 경우, GGC는 신경 시스템 내 방향성 정보 흐름에 대해 유효하고 신뢰할 수 있는 측정을 제공한다.
• GGC가 인과 메커니즘을 드러내지 못한다는 오해는 GGC의 통계적 공식이 허용하는 것을 넘어서 기대하기 때문이며.
• 적절히 사용될 경우 GGC는 뇌 네트워크 내 신경 연결성과 방향성 영향을 분석하는 데 있어 여전히 유용한 도구이다.