[논문 리뷰] On efficient adjustment in causal graphs

Janine Witte, Leonard Henckel외 2명|arXiv (Cornell University)|2020. 02. 17.

Advanced Causal Inference Techniques참고 문헌 62인용 수 27

한 줄 요약

이 논문은 콕신 정보를 유지하는 잠재적 투영인 '금지 투영'(forbidden projection)을 사용하여 원인 그래프에서 최적의 조정 집합(O-set)을 새로운 그래픽적 특성화하는 방법을 제안한다. 이는 비적용 가능한 그래프에서 인과적 영향 추정을 효율적으로 수행할 수 있도록 IDA 알고리즘을 확장하며, 특정 가정 하에서 결과 중심의 변수 선택과 일치함을 보여주며, 파라미터 모델과 비파라미터 모델 모두에서 점차적 분산을 최소화함으로써 추정 효율성을 향상시킨다.

ABSTRACT

We consider estimation of a total causal effect from observational data via covariate adjustment. Ideally, adjustment sets are selected based on a given causal graph, reflecting knowledge of the underlying causal structure. Valid adjustment sets are, however, not unique. Recent research has introduced a graphical criterion for an 'optimal' valid adjustment set (O-set). For a given graph, adjustment by the O-set yields the smallest asymptotic variance compared to other adjustment sets in certain parametric and non-parametric models. In this paper, we provide three new results on the O-set. First, we give a novel, more intuitive graphical characterisation: We show that the O-set is the parent set of the outcome node(s) in a suitable latent projection graph, which we call the forbidden projection. An important property is that the forbidden projection preserves all information relevant to total causal effect estimation via covariate adjustment, making it a useful methodological tool in its own right. Second, we extend the existing IDA algorithm to use the O-set, and argue that the algorithm remains semi-local. This is implemented in the R-package pcalg. Third, we present assumptions under which the O-set can be viewed as the target set of popular non-graphical variable selection algorithms such as stepwise backward selection.

연구 동기 및 목표

• 원인 그래프에서 최적의 조정 집합(O-set)에 대한 새로운이고 직관적인 그래픽적 특성화를 제공하는 것.
• 비적용 가능한 CPDAG 및 maxPDAG에서 인과적 영향 추정을 위한 O-set을 통합한 IDA 알고리즘을 확장하는 것.
• O-set가 백워드 선택과 같은 데이터 기반 변수 선택 방법의 목표와 일치하는 조건을 설정하는 것.
• O-set가 선형 및 비파라미터 모델 모두에서 점차적 분산을 최소화함으로써 추정 효율성을 향상시킴을 보여주는 것.

제안 방법

• 조정을 통한 총 인과적 영향 추정에 필요한 모든 정보를 유지하는 잠재적 투영 그래프인 '금지 투영'을 도입한다.
• O-set를 금지 투영에서 결과 노드의 부모 집합으로 정의하여 이전 정의보다 더 직관적인 그래픽 기준을 제공한다.
• O-set를 사용하는 반국소적 IDA 알고리즘을 확장하여 기존의 반국소적 성질을 유지하면서 부분적으로 관측된 그래프에서 효율적인 인과적 영향 추정을 가능하게 한다.
• O-set를 적용하여 적용 가능한 및 비적용 가능한 CPDAG 및 maxPDAG에서 유효한 조정이 가능한지 확인하며, 등가 클래스 내 모든 DAG에서 유효함을 보장한다.
• 다변량 정규 선형 모델을 사용하여 O-set를 사용하는 추정기와 다른 유효한 조정 집합을 사용하는 추정기 간의 점차적 분산을 비교한다.
• 일부 가정 하에서 O-set가 단계적 백워드 선택과 같은 결과 중심의 변수 선택 방법의 출력과 일치함을 보여준다.

실험 결과

연구 질문

• RQ1 새로운 그래픽적 구성 방법을 통해 최적의 조정 집합(O-set)을 더 직관적으로 특성화할 수 있는가?
• RQ2 O-set는 비적용 가능한 CPDAG 및 maxPDAG에서 인과적 영향 추정을 위한 IDA 알고리즘에 효과적으로 통합될 수 있는가?
• RQ3 O-set가 백워드 선택과 같은 데이터 기반 변수 선택 절차의 결과와 일치하는 조건은 무엇인가?
• RQ4 O-set는 파라미터 모델과 비파라미터 모델 모두에서 인과적 영향 추정기의 점차적 분산을 일관되게 최소화하는가?

주요 결과

• O-set는 콕신 관련 모든 구조를 유지하는 잠재적 투영 그래프인 금지 투영에서 결과 노드의 부모 집합으로 공식적으로 특성화된다.
• 금지 투영은 원인 추론에서 유효하고 효율적인 조정을 위해 필요한 모든 정보를 유지하는 강력한 방법론적 도구이다.
• O-set를 사용하는 확장된 IDA 알고리즘은 반국소적 성질을 유지하며, 표준 IDA보다 더 낮은 점차적 분산을 달성한다.
• 다변량 정규 모델에서 O-set를 사용하는 인과적 영향 추정기의 점차적 분산은 다른 어떤 유효한 조정 집합을 사용하는 경우보다 엄격히 작다.
• 특정 가정 하에서 O-set는 단계적 백워드 선택의 목표와 동일시됨을 보여주며, 그래픽 최적성과 일반적인 데이터 기반 변수 선택 기법 간의 연결 고리를 제공한다.
• 바이올린 플롯을 사용한 실증 결과는 다양한 표본 크기, 그래프 크기 및 희소성 수준에서 최적의 IDA가 반국소적 IDA보다 상대적 평균 제곱 오차 측면에서 일관되게 뛰어난 성능을 보임을 보여준다.