[논문 리뷰] The Blessings of Multiple Causes

Zhaoran Wang, David M. Blei|arXiv (Cornell University)|2018. 05. 17.

Advanced Causal Inference Techniques참고 문헌 18인용 수 16

한 줄 요약

이 논문은 잠재적 혼란 변수를 비지도 기계학습과 예측 모델 검증을 통해 다중 원인을 이용해 추론하는 원인 인과 추론 방법인 deconfounder를 제안한다. 원인 간의 의존성을 모델링함으로써 고전적 무관성 가정보다 더 약한 가정 하에 검증 가능한 인과 추정을 가능하게 하며, 반시뮬레이션 및 실제 데이터 연구에서 기존 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Causal inference from observational data often assumes "ignorability," that all confounders are observed. This assumption is standard yet untestable. However, many scientific studies involve multiple causes, different variables whose effects are simultaneously of interest. We propose the deconfounder, an algorithm that combines unsupervised machine learning and predictive model checking to perform causal inference in multiple-cause settings. The deconfounder infers a latent variable as a substitute for unobserved confounders and then uses that substitute to perform causal inference. We develop theory for the deconfounder, and show that it requires weaker assumptions than classical causal inference. We analyze its performance in three types of studies: semi-simulated data around smoking and lung cancer, semi-simulated data around genome-wide association studies, and a real dataset about actors and movie revenue. The deconfounder provides a checkable approach to estimating closer-to-truth causal effects.

연구 동기 및 목표

• 모든 혼란 변수가 관측되어야 한다는 고전적 인과 추론의 검증 불가능한 가정인 무혼란성 가정을 해결하기 위해.
• 관측된 자료 내 다중 원인의 특성을 활용하여 직접 측정되지 않은 혼란 변수를 잠재 변수 모델링을 통해 간접적으로 추론하기 위해.
• 검증 가능한 요인 모델로 검증 불가능한 혼란 변수 가정을 대체하여 검증 가능한 인과 추론 접근법을 개발하기 위해.
• 단일 원인 설정보다 다중 원인 설정이 더 약한 가정 하에 더 견고한 인과 추론을 가능하게 하는지 확인하기 위해.

제안 방법

• 관측된 원인들의 공통 의존 구조를 캐치하기 위해 관측된 원인에 대해 잠재 변수 모델(예: 확률적 주성분 분석)을 피팅한다.
• 피팅된 모델을 사용해 관측별 잠재 혼란 변수 변수를 추정하여 직접 관측되지 않은 혼란 변수의 대체 변수로 사용한다.
• 추정된 잠재 혼란 변수를 인과 모델의 제어 변수로 사용하여 숨겨진 혼란 요인을 보정한다.
• 잠재 혼란 변수 모델의 적합도를 검증하기 위해 예측 모델 검증을 적용하여 혼란 효과를 잘 캐릭터라이즈하는지 확인한다.
• 잠재 변수를 직접 관측되지 않은 혼란 변수의 대리 변수로 간주함으로써 비지도 학습과 인과 추론을 결합한다.
• 모델 적합도를 통해 검증 가능한 방식으로 잠재 혼란 변수를 개선하고 인과 효과 추정치를 향상시키기 위해 반복적 추정을 적용한다.

실험 결과

연구 질문

• RQ1 관측 데이터 내 다중 원인이 직접 측정되지 않은 혼란 변수를 측정하지 않고도 간접적으로 추론하는 데 활용될 수 있는가?
• RQ2 무혼란성 가정 하에서 deconfounder 방법이 고전적 방법보다 더 정확한 인과 효과 추정치를 도출하는가?
• RQ3 deconfounder의 잠재 혼란 변수가 예측 모델 검증을 통해 검증 가능하여 방법이 검증 가능한가?
• RQ4 유전체 연관 연구와 같은 고차원적이고 노이즈가 많은 환경에서 deconfounder는 어떻게 성능을 발휘하는가?
• RQ5 혼란 변수가 관측되지 않았을 때 deconfounder가 표준 방법보다 성능이 뛰어난 상황은 어떤가?

주요 결과

• 다중 원인 간의 동시 발생 패턴을 분석함으로써 잠재 혼란 변수를 추론함으로써 인과 효과 추정의 편향을 줄였다.
• 흡연과 폐암 주변의 반시뮬레이션 데이터에서, deconfounder는 기존 방법보다 진실에 더 가까운 인과 추정치를 도출하였다.
• 유전체 연관 연구에서, deconfounder는 인구 구조를 효과적으로 보정하고 거짓 양성률을 감소시켰다.
• 배우와 영화 수익에 관한 실제 데이터셋에서, deconfounder는 단순 회귀 모델보다 더 신뢰할 수 있는 인과 추정치를 제공하였다.
• 예측 모델 검증을 통해 메서드의 성능이 검증되었으며, 이는 잠재 혼란 변수 모델이 경험적으로 적합하다는 것을 보여주었다.
• deconfounder는 고전적 무관성 가정보다 더 약한 가정을 요구한다. 즉, 모든 혼란 변수가 완전히 관측되어야 한다는 요구 조건이 없기 때문이다.