[논문 리뷰] Complete Graphical Characterization and Construction of Adjustment Sets in Markov Equivalence Classes of Ancestral Graphs

Emilija Perković, Johannes Textor외 2명|arXiv (Cornell University)|2016. 06. 22.

Bayesian Modeling and Causal Inference참고 문헌 23인용 수 31

한 줄 요약

이 논문은 원인 그래프의 마르코프 동치 클래스(예: DAG, MAG, CPDAG, PAG 포함)에서 공변량 조정을 위한 타당하고 완전한 그래픽 기준을 제시한다. 이는 다양한 모델 간 조정 기준을 통합하고, 유효한 조정 집합을 명시적으로 구성하는 방법을 제공하며, 효율적인 알고리즘을 통해 이를 열거함으로써 구조적 불확실성 또는 잠재적 혼란 인자 존재 하에서 인과 효과 추정을 가능하게 한다.

ABSTRACT

We present a graphical criterion for covariate adjustment that is sound and complete for four different classes of causal graphical models: directed acyclic graphs (DAGs), maximum ancestral graphs (MAGs), completed partially directed acyclic graphs (CPDAGs), and partial ancestral graphs (PAGs). Our criterion unifies covariate adjustment for a large set of graph classes. Moreover, we define an explicit set that satisfies our criterion, if there is any set that satisfies our criterion. We also give efficient algorithms for constructing all sets that fulfill our criterion, implemented in the R package dagitty. Finally, we discuss the relationship between our criterion and other criteria for adjustment, and we provide new soundness and completeness proofs for the adjustment criterion for DAGs.

연구 동기 및 목표

• . 이 논문은 다양한 유형의 인과 그래픽 모델 클래스에 걸쳐 기존의 조정 기준을 통합하고 확장하고자 한다.
• . 진정한 인과 구조가 알려져 있지 않거나 부분적으로만 지정된 경우의 공변량 조정 문제를 다룬다.
• . 마르코프 동치 클래스에서 유효한 조정 집합을 식별하기 위해 타당하고 완전한 기준을 제공하는 것이 목적이다.
• . 잠재적 혼란 인자나 콜라이더 편향이 존재하는 상황에서 어떤 변수를 조정해야 하는지에 대한 일반적인 오해를 해결하고자 한다.
• . 이 작업은 기저 인과 그래프를 완전히 알지 못하더라도 인과 효과 추정이 가능하도록 한다.

제안 방법

• . 이 논문은 DAG, MAG, CPDAG, PAG 전반에 균일하게 적용 가능한 일반화된 조정 기준을 도입한다.
• . Corollary 15를 통해 구성적 조정 집합을 정의하며, 이는 존재할 경우 유효한 조정 집합을 명시적으로 구성한다.
• . 조정 집합 식별 문제를 하위 그래프 내에서 m-분리 집합을 찾는 것으로 환원하며, van der Zander 등(2014)의 결과를 활용한다.
• . d-분리, m-분리 및 Forb(X,Y,D) 개념과 같은 그래프 이론적 성질을 활용하여 유효한 조정 집합을 특성화한다.
• . 이론적 증명을 통해 네 가지 그래프 클래스 전반에 걸쳐 기준의 타당성과 완전성을 입증한다.
• . 이 방법은 R 패키지 dagitty에 구현되어 있어 주어진 그래프에 대해 모든 유효한 조정 집합을 효율적으로 계산할 수 있다.

실험 결과

연구 질문

• RQ1 . DAG, MAG, CPDAG, PAG 전반에 걸쳐 공변량 조정을 위한 그래픽 기준 중 타당하고 완전한 것은 무엇인가?
• RQ2 . 마르코프 동치 클래스 내에서 유효한 조정 집합이 존재할 경우 이를 명시적으로 구성할 수 있는 방법은 무엇인가?
• RQ3 . 제안된 기준과 기존의 조정 기준(예: 백도어 기준 또는 일반화된 백도어 기준) 간의 관계는 무엇인가?
• RQ4 . 구조적 불확실성 하에서 원인 그래프 내에서 조정 집합을 효율적으로 열거할 수 있는 방법은 무엇인가?
• RQ5 . 잠재적 혼란 인자가 존재하는 상황에서 어떤 조건이 배경 경로를 차단하고 콜라이더 편향을 방지하는가?

주요 결과

• . 제안된 조정 기준은 DAG, MAG, CPDAG, PAG 전반에 걸쳐 공변량 조정에 대해 타당하고 완전하다.
• . Corollary 15에서 구성적 조정 집합이 정의되며, 이는 존재할 경우 특정하고 계산 가능한 집합을 제공하여 조정 기준을 충족한다.
• . 조정 집합을 찾는 문제를 하위 그래프 내에서 m-분리 집합을 식별하는 것으로 환원함으로써 효율적인 알고리즘적 구성이 가능해진다.
• . 기준은 그림 1a에 나타난 CPDAG에서 X가 Y에 미치는 총 인과 효과에 대해 {A, Z}가 유효한 조정 집합임을 정확히 식별한다.
• . 이 논문은 DAG에서 조정 기준에 대해 새로운 타당성과 완전성 증명을 제공하며, 인과 추론의 기초 결과를 강화한다.
• . 진정한 인과 그래프를 알지 못하더라도 마르코프 동치 클래스(예: CPDAG 또는 PAG)를 안다면 인과 효과 추정이 가능하다.