[论文解读] Discovering Cyclic Causal Models by Independent Components Analysis

Gustavo Lacerda, Peter Spirtes+2 more|arXiv (Cornell University)|Jun 13, 2012

Blind Source Separation Techniques参考文献 11被引用 45

一句话总结

该论文将基于ICA的方法扩展至发现具有循环因果结构的线性非高斯结构方程模型（LiNG），推广了先前针对无环LiNGAM方法的研究。该研究提出了一套框架，能够从观测数据中识别循环LiNG模型的分布等价类，并提供了充分条件，使得在该等价类中仅存在一个稳定模型，从而在大样本极限下实现唯一因果发现。

ABSTRACT

We generalize Shimizu et al's (2006) ICA-based approach for discovering linear non-Gaussian acyclic (LiNGAM) Structural Equation Models (SEMs) from causally sufficient, continuous-valued observational data. By relaxing the assumption that the generating SEM's graph is acyclic, we solve the more general problem of linear non-Gaussian (LiNG) SEM discovery. LiNG discovery algorithms output the distribution equivalence class of SEMs which, in the large sample limit, represents the population distribution. We apply a LiNG discovery algorithm to simulated data. Finally, we give sufficient conditions under which only one of the SEMs in the output class is 'stable'.

研究动机与目标

• 将基于ICA的LiNGAM方法推广至无环结构之外，以处理循环因果模型。
• 解决当潜在因果图包含循环时，发现线性非高斯结构方程模型（LiNG）的挑战。
• 从观测数据中识别循环LiNG模型的分布等价类。
• 建立充分条件，使得在输出等价类中仅存在一个稳定模型。
• 即使存在循环，也能在大样本极限下实现唯一因果发现。

提出的方法

• 将独立分量分析（ICA）适配于识别具有循环结构的线性非高斯结构方程模型中的误差分布。
• 对观测数据应用LiNG发现算法，以恢复循环SEM的分布等价类。
• 利用误差项的结构及其独立性，推断潜在因果图，即使在存在循环的情况下亦可实现。
• 对误差分布和结构系数施加约束，以确保模型类的可识别性。
• 推导出使等价类坍缩为单一稳定模型的条件，利用系数矩阵的谱性质。
• 采用基于评分的选择准则，在存在多个候选模型时识别唯一稳定模型。

实验结果

研究问题

• RQ1 基于ICA的方法能否扩展至识别线性非高斯模型中的循环因果结构？
• RQ2 在什么条件下，循环LiNG模型的分布等价类中仅存在一个稳定模型？
• RQ3 如何从观测数据中识别循环LiNG模型的分布等价类？
• RQ4 误差项的非高斯性在识别循环因果结构中起什么作用？
• RQ5 在存在循环的情况下，因果结构在何种条件下可从观测数据中唯一恢复？

主要发现

• 所提出的方法能够成功从观测数据中识别出循环线性非高斯结构方程模型的分布等价类。
• 建立了充分条件，使得在输出等价类中仅存在一个稳定模型，从而实现唯一因果发现。
• 通过利用ICA和非高斯性，该方法将现有无环LiNGAM方法推广至循环情形。
• 仿真结果证实，在假设条件下，该算法能够正确恢复循环模型的等价类。
• 稳定性条件确保模型在干预下保持不变，支持因果解释。
• 该方法在大样本极限下保持一致性，收敛至真实等价类。