[논문 리뷰] Strong Faithfulness and Uniform Consistency in Causal Inference

Jiji Zhang, Peter Spirtes|arXiv (Cornell University)|2012. 10. 19.

Bayesian Modeling and Causal Inference참고 문헌 12인용 수 69

한 줄 요약

이 논문은 시간 순서가 알려져 있지 않거나 잠재적 혼란 인자가 존재하는 상황에서도 구조적 방정식 모델에서 균일하게 일致하는 인과적 추론을 가능하게 하는, 충실성 가정의 두 가지 일반화인 강한 충실성(Strong Faithfulness)과 균일 충실성(Uniform Faithfulness)을 제안한다. 저자들은 표준 인과 추론 알고리즘을 약간 수정함으로써 이러한 더 강력한 가정 하에서 균일 일致성을 달성할 수 있음을 보이며, 이는 기존 표준 충실성 가정 하에서의 주요 한계를 해결한다.

ABSTRACT

A fundamental question in causal inference is whether it is possible to reliably infer manipulation effects from observational data. There are a variety of senses of asymptotic reliability in the statistical literature, among which the most commonly discussed frequentist notions are pointwise consistency and uniform consistency. Uniform consistency is in general preferred to pointwise consistency because the former allows us to control the worst case error bounds with a finite sample size. In the sense of pointwise consistency, several reliable causal inference algorithms have been established under the Markov and Faithfulness assumptions [Pearl 2000, Spirtes et al. 2001]. In the sense of uniform consistency, however, reliable causal inference is impossible under the two assumptions when time order is unknown and/or latent confounders are present [Robins et al. 2000]. In this paper we present two natural generalizations of the Faithfulness assumption in the context of structural equation models, under which we show that the typical algorithms in the literature (in some cases with modifications) are uniformly consistent even when the time order is unknown. We also discuss the situation where latent confounders may be present and the sense in which the Faithfulness assumption is a limiting case of the stronger assumptions.

연구 동기 및 목표

• 시간 순서가 알려져 있지 않거나 잠재적 혼란 인자가 존재할 때 표준 충실성 가정 하에서 인과 추론의 균일 일치성에 대한 한계를 해결하기 위해.
• 신뢰할 수 있는 인과 추론의 범위를 확장하기 위해 강력한 가정인 강한 충실성과 균일 충실성을 제안하기 위해.
• 기존 인과 추론 알고리즘이 새로운 가정 하에서 균일 일치성을 달성하도록 수정될 수 있음을 보여주기 위해.
• 표준 충실성 가정과 제안된 더 강력한 가정 간의 관계를 명확히 하여, 후자가 전자의 자연스러운 일반화임을 보여주기 위해.

제안 방법

• 표준 충실성 가정의 일반화로 강한 충실성의 개념을 도입하여, 조건부 인dependence 문장이 매개변수 상쇄에 의해 발생하지 않음을 보장한다.
• 주어진 모델 클래스의 모든 분포에서 인과 추론 알고리즘의 균일 일치성을 보장하는 조건으로 균일 충실성을 정의한다.
• 기존 인과 추론 알고리즘(예: PC 및 FCI)을 수정하여 새로운 가정을 통합함으로써, 올바른 인과 그래프로의 균일 수렴을 보장한다.
• 가정을 형식화하고 일치성 성질을 분석하기 위해 구조적 방정식 모델(SEM)을 기반 프레임워크로 사용한다.
• 새로운 가정 하에서 오차율에 대한 이론적 경계를 수립하여, 최악의 경우 오차는 유한한 표본 크기로 제어 가능함을 보여준다.
• 표준 충실성 가정이 강한 충실성의 극한 경우임을 보이며, 후자가 매개변수 의존성에 더 강건함을 밝힌다.

실험 결과

연구 질문

• RQ1 시간 순서가 알려져 있지 않거나 잠재적 혼란 인자가 존재할 때 표준 가정 하에서 균일 일치성 인과 추론을 달성할 수 있는가?
• RQ2 어떻게 충실성 가정을 강화하여 인과 추론에서 균일 일치성을 보장할 수 있는가?
• RQ3 알 수 없는 시간 순서가 존재할 때 기존 인과 추론 알고리즘이 여전히 균일 일치성을 유지할 수 있는 이론적 조건은 무엇인가?
• RQ4 표준 충실성 가정이 강한 충실성과 같은 더 강력한 가정의 극한 경우라는 것은 어떤 의미인가?
• RQ5 제안된 가정은 인과 추론 알고리즘의 신뢰성과 유한 표본 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 강한 충실성과 균일 충실성 가정은 시간 순서가 알려져 있지 않거나 잠재적 혼란 인자가 존재하는 상황에서도 균일 일치성 인과 추론을 가능하게 한다.
• 표준 인과 추론 알고리즘인 PC 및 FCI는 새로운 가정 하에서 균일 일치성을 달성하도록 수정될 수 있다.
• 표준 충실성 가정은 강한 충실성의 극한 경우로 밝혀지며, 후자는 매개변수 상쇄에 더 강건하다.
• 시간 순서가 알려져 있지 않거나 잠재적 혼란 인자가 존재할 경우 표준 충실성 가정 하에서는 균일 일치성이 달성될 수 없지만, 더 강력한 가정 하에서는 가능해진다.
• 이론적 분석을 통해 새로운 가정 하에서 오차 경계는 유한한 표본 크기로 제어 가능하며, 이는 안정적인 추론을 가능하게 한다.