[논문 리뷰] The lure of misleading causal statements in functional connectivity research

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

Functional Brain Connectivity Studies참고 문헌 105인용 수 29

한 줄 요약

이 논문은 기능적 연결성 연구에서 인과적 언어의 오용을 비판하며, 통계적 방법(예: 그랜저 인과성, 정보 흐름)이 낮은 차원의 데이터에서 유래한 바탕으로 뇌 기제를 드러내는 것처럼 오해되지만 실제로는 그러한 기제를 밝혀내지 못한다고 주장한다. 저자들은 관측되지 않은 공통 입력이 무한한 타당한 인과 모델을 만들어내어 상관관계만으로는 기제적 추론이 불가능하다는 점을 입증하며, '인과성'과 '흐름' 같은 용어가 기제적 이해를 암시하는 것처럼 잘못된 인식을 유도한다는 점을 지적한다.

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

• 기능적 연결성 측정치에 기반한 뇌 기제 추론의 위험을 드러내기 위해, 이러한 측정치가 낮은 차원의 데이터에서 유래한 바탕으로 부족한 샘플링에 의존하고 있음에도 불구하고 이를 기반으로 뇌 기제를 추론하는 데 있어 위험을 폭 드러내는 것.
• 인과성, 연결성, 흐름 등의 오해를 불러일으키는 용어들이 기제적 이해를 암시하는 것처럼 보이게 하여 실제 근거 없이 잘못된 인식을 유도하는 방식을 식별하는 것.
• 관측되지 않은 공통 입력이 어떤 관측된 상관관계에 대해서도 무한한 타당한 인과 모델을 생성할 수 있음을 입증하여 인과적 주장의 타당성을 약화시키는 것.
• 현재 통계적 도구가 진정한 뇌 기제를 포착하는 데 한계가 있음을 반영하기 위해 신경영상 연구에서 방법론적 및 언어적 엄밀함을 강화할 것을 촉구하는 것.

제안 방법

• 저자들은 이론적 분석을 통해 기능적 연결성 데이터에서 관측된 어떤 상관관계도 관측되지 않은 변수를 포함한 무한한 수의 인과 모델로 설명될 수 있음을 보여주며, 이는 고유한 인과 추론이 불가능함을 시사한다.
• 기능적 연결성, 그랜저 인과성, 정보 흐름과 같은 일반적인 통계 기법을 검토하며, 이러한 기법들이 고차원의 뇌 활동에서 낮은 차원의 측정치에 의존하고 있음을 강조한다.
• 수학적 추론을 활용하여 관측되지 않은 공통 입력이 관측된 상호작용보다 지배적이며, 이로 인해 관측된 상관관계로부터의 인과 추론이 통계적으로 정당하지 않음을 설명한다.
• 신경과학 문헌에서의 언어적 프레임워크를 분석하여, '인과성'과 '흐름' 같은 용어가 실증적 근거 없이도 기제적 통찰을 암시하는 것처럼 보이게 한다는 점을 밝힌다.
• 모의 데이터와 코드를 사용하여, 낮은 샘플링과 숨겨진 혼란 변수가 존재하는 현실적인 조건에서 인과 추론의 불안정성과 애매함을 시연한다.
• 현재 통계 도구가 진정한 뇌 기제를 포착하는 데 한계가 있음을 반영하기 위해 용어와 방법론의 전환을 주장한다.

실험 결과

연구 질문

• RQ1 왜 연구자들은 기능적 연결성에서의 통계적 상관관계를 인과적 뇌 기제의 증거로 일반적으로 오해하는가?
• RQ2 관측되지 않은 공통 입력은 낮은 차원의 뇌영상 데이터에서 인과 추론을 어떻게 무너뜨리는가?
• RQ3 '인과성'과 '정보 흐름'과 같은 오해를 불러일으키는 용어들이 기능적 연결성 결과의 해석을 어느 정도 왜곡하는가?
• RQ4 관측되지 않은 변수를 고려할 경우, 뇌 활동에서 관측된 어떤 상관관계도 무한한 수의 서로 다른 인과 모델로 설명될 수 있는가?
• RQ5 표준 연결성 지표를 사용한 신경과학에서 인과적 주장의 타당성에 대해 부족한 샘플링이 어떤 영향을 미치는가?

주요 결과

• 기능적 연결성 데이터에서 관측된 어떤 상관관계도 관측되지 않은 공통 입력을 포함한 무한한 수의 인과 모델로 설명될 수 있으며, 이는 고유한 인과 추론이 불가능함을 의미한다.
• 그랜저 인과성과 정보 흐름과 같은 통계 기법은 고차원의 뇌 활동에서 낮은 차원의 측정치에 의존하고 있기에 본질적으로 한계를 지닌다.
• 관측되지 않은 변수—관측된 것보다 더 큰 영향을 미칠 가능성이 있는 변수—의 존재로 인해 기능적 연결성 연구에서의 대부분의 인과적 주장은 근거가 없다.
• 신경영상 문헌에서 '인과성', '연결성', '흐름' 등의 용어 사용은 실증적 근거 없이도 기제적 통찰을 암시하는 잘못된 인식을 유도한다.
• 논문에서 제시한 모의 데이터와 코드는 이러한 방법으로부터의 인과 추론이 불안정하고 숨겨진 혼란 변수에 매우 민감함을 시연한다.
• 저자들은 현재 방법론과 언어가 기제적 이해를 과도하게 과대평가하고 있으며, 이에 따라 방법론적 및 용어적 개선이 필수적임을 결론짓는다.