[論文レビュー] A Complete Generalized Adjustment Criterion

Emilija Perković, Johannes Textor+2 more|arXiv (Cornell University)|Jul 6, 2015

Bayesian Modeling and Causal Inference参考文献 25被引用数 18

ひとこと要約

本稿は、DAG、MAG、CPDAG、PAGの4種類のグラフィカルな因果モデルにおいて、共変量調整の統一的で必要十分な基準を提示する。既存の基準を一般化し、潜在的交絡要因や部分的な因果知識が存在する場合でも、合計因果効果の有効な調整集合を特定するための単一のフレームワークを提供する。これにより、因果構造の不完全な知識がある観察データから、頑健な因果推論が可能になる。

ABSTRACT

Covariate adjustment is a widely used approach to estimate total causal effects from observational data. Several graphical criteria have been developed in recent years to identify valid covariates for adjustment from graphical causal models. These criteria can handle multiple causes, latent confounding, or partial knowledge of the causal structure; however, their diversity is confusing and some of them are only sufficient, but not necessary. In this paper, we present a criterion that is necessary and sufficient for four different classes of graphical causal models: directed acyclic graphs (DAGs), maximum ancestral graphs (MAGs), completed partially directed acyclic graphs (CPDAGs), and partial ancestral graphs (PAGs). Our criterion subsumes the existing ones and in this way unifies adjustment set construction for a large set of graph classes.

研究の動機と目的

• 異なるタイプの因果グラフにおける複数で不一致なグラフィカル基準が引き起こす混乱を解消すること。
• DAG、MAG、CPDAG、PAGの既存の調整基準を、単一で整合性のあるフレームワークに統合すること。
• 真の因果構造が部分的にしか分かっていない場合や、未観測の交絡要因が存在する場合でも、有効な調整条件を満たす必要十分条件を提供すること。
• 完全なDAGやMAGの知識がなくても、グラフのマークォブ・エキビバレントクラスのみを用いても、観察データから信頼性の高い因果効果推定を可能にすること。
• 部分的に観測された、または部分的に有向のグラフに調整基準の適用範囲を拡張すること。

提案手法

• グラフィカルモデルにおける経路遮断条件に基づく一般化調整基準（GAC）を提案する。
• 調整集合を、XとYの間の因果的でない経路をすべて遮断し、因果経路を保持する集合Sとして定義する。
• 経路とエッジのマークの整合的解釈を用いて、DAG、MAG、CPDAG、PAGのすべてのグラフタイプにこの基準を適用する。
• m接続経路とコリダー／ノンコリダー状態の概念を用い、集合Sがすべての非因果経路を遮断するかどうかを判断する。
• 有効な調整集合の存在と、グラフ内での経路遮断条件の満たし方との同値性を確立する。
• Zhang（2006, 2008）およびMaathuis & Colombo（2015）の結果を活用し、一般化されたバックドア基準をCPDAGとPAGに拡張する。

実験結果

リサーチクエスチョン

• RQ1 DAG、MAG、CPDAG、PAGのすべてに適用可能な、調整に必要な十分な基準を1つに統合できるか？
• RQ2 真の因果構造が部分的にしか分かっていない、もしくはマークォブ・エキビバレントクラスによって表現されている場合、どのようにして調整集合を特定できるか？
• RQ3 潜在的交絡要因が存在するグラフにおいて、処置Xと結果Yの間のすべての非因果経路を、ある共変量の集合が遮断するための条件は何か？
• RQ4 DAG／CPDAGとMAG／PAGの間で、調整基準を適用する際のエッジの方向の解釈にどのような違いがあるか？
• RQ5 この基準を用いて、未観測の交絡要因や選択バイアスに対して不変な調整集合を特定できるか？

主な発見

• 提案された一般化調整基準は、DAG、MAG、CPDAG、PAGのすべてにおいて、必要十分であることが確認され、既存の結果を統合する。
• 図1aに示すCPDAGにおいて、{A, Z}がXからYへの合計効果の有効な調整集合として正しく特定され、すべてのマークォブ・エキビバレントDAGで有効である。
• 完全な因果構造の知識がなくても、観察データから因果効果推定が可能であり、潜在的交絡要因が存在する状況でも有効である。
• 基準は、従来は十分条件しか得られなかったCPDAGとPAGに対しても、一般化されたバックドア基準を拡張する。
• 基準は、Xの親であり、Xの子の親でない変数（インスツルメンツ）が、MAGおよびPAGにおいて十分に調整可能であることを明らかにする。
• グラフ構造が正しくMAGまたはPAGとして表現されていれば、未観測の交絡要因に対しても頑健な調整集合の特定が可能である。