[論文レビュー] Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets

Daniel Kumor, Bryant Chen+1 more|arXiv (Cornell University)|Oct 29, 2019

Bayesian Modeling and Causal Inference被引用数 5

ひとこと要約

本稿では、線形構造的因果モデルにおける効率的な因果効果同定のための新しい多項式時間基準であるインストゥルメンタルカットセット（IC）を導入する。最大フローの原則と一般化されたインストゥルメンタル集合を活用することで、従来の手法が見逃していたパラメータを効率的に同定し、TSID同定がNP完全であることを証明するとともに、すべてのテストベンチマークにおいて高い同定力と多項式時間効率を両立する最初の手法であることを示した。

ABSTRACT

One of the most common mistakes made when performing data analysis is attributing causal meaning to regression coefficients. Formally, a causal effect can only be computed if it is identifiable from a combination of observational data and structural knowledge about the domain under investigation (Pearl, 2000, Ch. 5). Building on the literature of instrumental variables (IVs), a plethora of methods has been developed to identify causal effects in linear systems. Almost invariably, however, the most powerful such methods rely on exponential-time procedures. In this paper, we investigate graphical conditions to allow efficient identification in arbitrary linear structural causal models (SCMs). In particular, we develop a method to efficiently find unconditioned instrumental subsets, which are generalizations of IVs that can be used to tame the complexity of many canonical algorithms found in the literature. Further, we prove that determining whether an effect can be identified with TSID (Weihs et al., 2017), a method more powerful than unconditioned instrumental sets and other efficient identification algorithms, is NP-Complete. Finally, building on the idea of flow constraints, we introduce a new and efficient criterion called Instrumental Cutsets (IC), which is able to solve for parameters missed by all other existing polynomial-time algorithms.

研究の動機と目的

• 線形構造的因果モデル（SCM）における因果効果同定の計算非効率性、特に指数時間アルゴリズムに依存する場合の課題に取り組む。
• 従来の効率的アルゴリズムが失敗する状況においても、因果効果を同定可能な多項式時間手法を開発すること。
• 近年提案されたが、これまでに分析が行われていなかった強力な同定手法であるTSIDの計算複雑性を形式的に確立すること。
• インストゥルメンタル集合を一般化し、これまで到達できなかったパラメータを効率的に同定できる新しいグラフィカル基準—インストゥルメンタルカットセット（IC）—を導入すること。

提案手法

• インストゥルメンタルカットセット（IC）を提案する。これは最大フローに基づく基準であり、インストゥルメントからターゲット変数への頂点に依存しないパスを分析することで、多項式時間でインストゥルメンタル集合を同定する。
• 半トレック基準と無条件インストゥルメンタル集合をフローに基づく枠組みに適応させ、それらの適用範囲を一般化する。
• 頂点に依存しないパス分解と最小カット解析を用いて、フロー制約下での有効なインストゥルメンタル集合の存在を検証する。
• ICを各ターゲット変数に適用する再帰的アルゴリズム（ICID）を採用し、段階的に構造的パラメータを同定する。
• マッチブロックや最近接最小カットといったグラフ理論的性質を活用して、フロー条件の妥当性を検証し、正しさを保証する。
• 既知のNP完全問題への還元により、TSID同定がNP完全であることを証明し、その計算的困難性を確立する。

実験結果

リサーチクエスチョン

• RQ1 既存の効率的アルゴリズムが失敗する状況において、線形SCMで因果効果を多項式時間で同定できるか。
• RQ2 最近提案されたTSIDという手法の同定力は、計算的に容易か、あるいはNP完全か。
• RQ3 高い同定力と多項式時間効率を両立する新しい基準を設計できるか。
• RQ4 従来のインストゥルメンタル集合手法を超える構造的パラメータの効率的同定を可能にするグラフ理論的条件は何か。

主な発見

• インストゥルメンタルカットセット（IC）は、すべての従来の効率的アルゴリズムが見逃す線形SCMにおける因果効果同定を可能にする最初の多項式時間手法である。
• 本稿では、TSIDを用いた因果効果同定が可能かどうかを判断することはNP完全であることを証明し、文脈文献における未解決の問題を解決した。
• ICは、gHTC や gAVS といった最も強力な既存手法と同等またはそれを上回る同定力を達成しながら、多項式時間の複雑性を維持している。
• 再帰的ICIDアルゴリズムは、テストされたモデルにおいて一般に同定可能なすべてのパラメータを効果的に同定でき、実用的応用の有効性を示した。
• 理論的分析により、ICは与えられたフロー制約下で妥当かつ完全であることが確認され、誤検出や同定漏れが生じないことが保証された。
• 最大フローと最小カットの推論を組み込むことで、無条件インストゥルメンタル集合と半トレック基準を一般化し、より広範な適用可能性を実現した。