[논문 리뷰] Multiple Causes: A Causal Graphical View

Zhaoran Wang, David M. Blei|arXiv (Cornell University)|2019. 05. 30.

Advanced Causal Inference Techniques참고 문헌 3인용 수 9

한 줄 요약

이 논문은 다중 원인을 통해 관측되지 않은 혼동요인 조건에서도 간접적 영향 분포를 식별할 수 있음을 보여주는 인과적 그래픽 기반을 제공한다. 이는 관측되지 않은 혼동요인을 가정하지 않고도 더 넓은 범위의 인과 그래프에서 타당한 인과 추정을 가능하게 하여, 다중 원인에 대한 인과 추론 이론을 확장한다.

ABSTRACT

Unobserved confounding is a major hurdle for causal inference from observational data. Confounders---the variables that affect both the causes and the outcome---induce spurious non-causal correlations between the two. Wang & Blei (2018) lower this hurdle with "the blessings of multiple causes," where the correlation structure of multiple causes provides indirect evidence for unobserved confounding. They leverage these blessings with an algorithm, called the deconfounder, that uses probabilistic factor models to correct for the confounders. In this paper, we take a causal graphical view of the deconfounder. In a graph that encodes shared confounding, we show how the multiplicity of causes can help identify intervention distributions. We then justify the deconfounder, showing that it makes valid inferences of the intervention. Finally, we expand the class of graphs, and its theory, to those that include other confounders and selection variables. Our results expand the theory in Wang & Blei (2018), justify the deconfounder for causal graphs, and extend the settings where it can be used.

연구 동기 및 목표

• 관측되지 않은 혼동요인 상황에서 다중 원인의 이점에 대한 인과적 그래픽 프레임워크를 수립하기 위해.
• 도-계산법과 그래프 기반 식별을 통해 데컨파운더 알고리즘을 정당화하기 위해.
• 공통 혼동요인 외에도 측정된 단일 원인 혼동요인과 선택 변수를 포함한 그래프로 식별 가능성 결과를 확장하기 위해.
• 다중 원인이 관측되지 않은 혼동요인을 대체로 사용할 수 있으며, 독립된 외부 대체 변수가 필요하지 않은 조건에서 인과 식별을 가능하게 하기 위해.
• 공동 혼동요인 외의 일반적인 인과 그래프 구조로 데컨파운더의 타당성을 일반화하기 위해.

제안 방법

• 다중 원인과 관측되지 않은 혼동요인을 포함한 그래프에서 도-계산법과 조건부 독립을 사용하여 간접적 영향 분포를 식별한다.
• 다중 원인에서 유도된 잠재 요인(대체 혼동요인)을 도입하여 원인들이 조건부 독립이 되도록 하여 관측되지 않은 혼동요인 조정을 모방한다.
• 확률적 요인 모델을 적용하여 다중 원인의 결합 분포에서 대체 혼동요인을 추정한다.
• 그래픽 모델에서 단일 무관성 가정 조건 하에서 데컨파운더가 $ p(y\mid\mathrm{do}(a_{\mathcal{C}})) $ 를 정확하게 추정함을 증명한다.
• 측정된 단일 원인 혼동요인과 선택 변수를 포함한 그래프로 프레임워크를 확장하여, 이러한 설정에서 데컨파운더의 식별성과 정확성을 보여준다.
• 원인이 관측되지 않은 혼동요인을 대체로 사용할 수 있음을 입증하여 외부 또는 독립된 대체 변수가 필요 없음을 보여준다.

실험 결과

연구 질문

• RQ1 다중 원인과 관측되지 않은 공통 혼동요인을 포함한 인과 그래프에서 간접적 영향 분포를 식별할 수 있는가?
• RQ2 데컨파운더의 단일 무관성 가정이 인과 그래프의 그래픽 조건으로 어떻게 해석되는가?
• RQ3 측정된 단일 원인 혼동요인과 선택 편향을 포함한 그래프에서 데컨파운더가 타당한 인과 추정을 생성할 수 있는가?
• RQ4 다중 원인이 관측되지 않은 혼동요인을 대체로 사용할 수 있으며, 두 개의 독립된 대체 변수가 필요하지 않은가?
• RQ5 공동 혼동요인 외의 일반적인 인과 그래프 클래스에서 데컨파운더의 이론적 근거는 무엇인가?

주요 결과

• 적절한 조건 하에서 다중 원인과 공통 관측되지 않은 혼동요인을 포함한 그래프에서 간접적 영향 분포 $ p(y\mid\mathrm{do}(a_{\mathcal{C}})) $ 는 식별 가능하다.
• 데컨파운더 알고리즘이 그래픽 모델에서 $ p(y\mid\mathrm{do}(a_{\mathcal{C}})) $ 의 정확한 추정치를 생성함을 입증하여, 인과 추론에의 적용 가능성을 검증한다.
• 측정된 단일 원인 혼동요인과 관측되지 않은 요인에 대한 선택이 포함된 그래프에서도 데컨파운더의 타당성이 유지되어 적용 범위가 확장된다.
• 원인이 관측되지 않은 혼동요인을 대체로 사용할 수 있음을 입증하여, 외부 또는 독립된 대체 변수가 필요 없음을 보여준다.
• 논문은 데컨파운더의 결과 모델이 대체 혼동요인을 조건으로 하여 결과와 조건부 독립이 되는 원인의 선형 조합(예: $ f(A_9,A_{10}) = A_9 + \alpha_{9,10}A_{10} $)을 사용하여 구성될 수 있음을 증명한다.
• 이론적 결과는 데컨파운더 추정치가 가정된 그래픽 모델과 식별 조건 하에서 진짜 간접적 영향 분포로 수렴함을 보여준다.