[논문 리뷰] The lure of causal statements: Rampant mis-inference of causality in estimated connectivity

David M. A. Mehler, Konrad P. Körding|arXiv (Cornell University)|2018. 12. 08.

Functional Brain Connectivity Studies인용 수 18

한 줄 요약

이 논문은 기능적 연결성과 그랑저 인과성 같은 통계적 방법이, 관측되지 않은 공통 입력과 인과 용어의 의미적 재정의로 인해, 부족한 샘플링을 받은 뇌 데이터에서 상관관계를 인과관계로 오해하게 만든다는 점을 주장한다. 이러한 방법들은 뇌의 고차원적 활동과 관측되지 않은 혼란 변수의 무한한 집합을 忽시하기 때문에 신경 기제를 신뢰성 있게 드러내지 못한다.

ABSTRACT

As neuroscientists we want to understand how causal interactions or mechanisms within the brain give rise to perception, cognition, and behavior. It is typical to estimate interaction effects from measured activity using statistical techniques such as functional connectivity, Granger Causality,or information flow, whose outcomes are often falsely treated as revealing mechanistic insight. Since these statistical techniques fit models to low-dimensional measurements from brains, they ignore the fact that brain activity is high-dimensional. Here we focus on the obvious confound of common inputs: the countless unobserved variables likely have more influence than the few observed ones. Any given observed correlation can be explained by an infinite set of causal models that take into account the unobserved variables. Therefore, correlations within massively undersampled measurements tell us little about mechanisms. We argue that these mis-inferences of causality from correlation are augmented by an implicit redefinition of words that suggest mechanisms, such as connectivity, causality, and flow.

연구 동기 및 목표

• 상관관계 기반의 통계적 방법을 사용한 뇌영상 연구에서 인과관계가 널리 잘못 유추되는 이유를 폭 드러내는 것.
• 저차원 뇌 측정치에서 관측되지 않은 공통 입력의 혼란 영향을 부각하는 것.
• 기계적 통찰을 암시하는 것처럼 보이게 하는 '연결성', '인과성', '유량' 등의 용어가 암묵적으로 재정의되는 것을 비판하는 것.
• 현재의 통계 모델이 고차원 신경 동역학을 체계적으로 忽시하고 있음을 주장하며, 이는 기계적 진술을 약화시킨다는 것.

제안 방법

• 기능적 연결성, 그랑저 인과성, 정보 유량 등의 통계 기법의 구조적 한계를 분석하는 것.
• 관측되지 않은 변수를 포함한 무한한 수의 인과 모델이 부족한 샘플링 데이터에서 관측된 상관관계를 설명할 수 있음을 보여주는 것.
• 공통 입력의 혼란 요소를 신경 데이터에서 위조된 인과 추론의 주요 원인으로 집중적으로 다루는 것.
• 이론적 추론을 통해 저차원 측정치가 뇌 활동의 진정한 고차원적 성격을 포착할 수 없다는 것을 보여주는 것.
• 예를 들어 '인과성'과 '유량' 등의 용어가 통계적 결과에 사용되면서 발생하는 의미의 이동을 비판하는 것 — 이는 실제로 기계적 기제가 특정되지 않았음에도 불구하고 기계적 통찰이 있는 것처럼 보이게 한다는 점.

실험 결과

연구 질문

• RQ1 왜 그랑저 인과성 같은 통계적 방법이 뇌 데이터에서 신경 기제에 대한 잘못된 추론을 유도하는가?
• RQ2 관측되지 않은 공통 입력은 신경 연결성 연구에서 관측된 상관관계의 해석을 어떻게 왜곡하는가?
• RQ3 부족한 샘플링을 받은 신경 데이터에서 관측된 상관관계는 얼마나 많은 은닉 변수를 포함한 대체 인과 모델로 설명될 수 있는가?
• RQ4 '연결성'과 '인과성' 등의 용어가 재정의되면서 연구자들이 실제로 기제를 특정했다고 믿게 되는 방식은 어떤가?

주요 결과

• 관측된 뇌 데이터의 상관관계는 관측되지 않은 변수를 포함한 무한한 수의 인과 모델로 설명될 수 있으며, 이는 상관관계만으로 인과관계를 추론하는 데 근본적으로 신뢰할 수 없다는 것을 의미한다.
• 기능적 연결성과 그랑저 인과성과 같은 통계 기법은 고차원 뇌 활동의 특성을 忽시하기 때문에 상관관계를 인과관계로 잘못 해석하는 데 취약하다.
• 뇌 활동에서 수많은 관측되지 않은 공통 입력이 존재함으로써 인과적 주장이 관측된 저차원 측정치에 기반할 경우 무너지게 되는 광범위한 혼란 요소가 발생한다.
• 통계 결과에서 '인과성'과 '유량' 등의 용어를 사용함으로써 기계적 통찰이 있는 것처럼 보이게 하지만, 실제로는 그러한 기제가 특정되지 않았을 경우에도 거짓된 정당성을 부여한다.
• 논문은 현재의 방법론이 뇌 활동에 내재된 고차원성과 관측되지 않은 변수를 고려하지 못하기 때문에 신경 기제를 신뢰성 있게 드러내지 못한다고 결론 내린다.