[논문 리뷰] On the Equivalence of Causal Models

Tom S. Verma, Judea Pearl|arXiv (Cornell University)|2013. 03. 27.

Bayesian Modeling and Causal Inference참고 문헌 5인용 수 14

한 줄 요약

이 논문은 방향 없는 사이클 그래프(DAGs)를 사용한 인과 모델의 표준형 표현을 제안하여, 두 인과 모델이 통계적으로 동일한지 여부를 결정하는 효율적인 그래픽 기준을 가능하게 한다—즉, 어떤 실험으로도 이를 구분할 수 없다. 주요 기여는 표준 및 임베딩된 인과 모델 모두에서 등가성을 테스트하기 위한 타당하고 완전한 알고리즘을 제공함으로써 관찰 데이터로부터의 인과 발견에 대한 이론적 기반을 마련한 것이다.

ABSTRACT

Scientists often use directed acyclic graphs (days) to model the qualitative structure of causal theories, allowing the parameters to be estimated from observational data. Two causal models are equivalent if there is no experiment which could distinguish one from the other. A canonical representation for causal models is presented which yields an efficient graphical criterion for deciding equivalence, and provides a theoretical basis for extracting causal structures from empirical data. This representation is then extended to the more general case of an embedded causal model, that is, a dag in which only a subset of the variables are observable. The canonical representation presented here yields an efficient algorithm for determining when two embedded causal models reflect the same dependency information. This algorithm leads to a model theoretic definition of causation in terms of statistical dependencies.

연구 동기 및 목표

• 어느 실험으로도 두 인과 모델을 통계적으로 구분할 수 없는 조건을 정의하기 위해 형식적인 기준을 제시한다.
• 등가성 테스트를 단순화하는 인과 모델의 표준형 표현을 개발한다.
• 관찰 가능한 변수의 일부만 존재하는 임베딩된 인과 모델로 등가성 기준을 확장한다.
• 통계적 종속성에 기반한 모델 이론적 정의를 통해 인과성을 정의한다.
• 그래픽 기준을 활용하여 관찰 데이터로부터 효율적인 인과 구조 학습을 가능하게 한다.

제안 방법

• DAG의 d-분리 및 조건부 인수관계에 기반한 인과 모델의 표준형을 제안한다.
• 두 DAG의 스켈레톤과 v-구조를 비교하여 등가성을 확인하는 그래픽 알고리즘을 도입한다.
• 관찰 가능한 변수와 그들의 조건부 인수관계 제약 조건에 초점을 맞춰 표준형 표현을 임베딩된 인과 모델로 확장한다.
• 두 DAG가 동일한 조건부 인수관계 집합을 인코딩하는지 여부를 정의하기 위해 마르코프 등가성 개념을 사용한다.
• 관측된 조건부 인수관계가 진정된 인과 구조를 반영하도록 보장하기 위해 충실성의 개념을 활용한다.
• 표준형 표현을 적용하여 다항 시간 내에 등가성 테스트를 위한 결정 절차를 유도한다.

실험 결과

연구 질문

• RQ1 관찰 데이터 기반으로 두 인과 모델이 언제 통계적으로 구분 불가능한가?
• RQ2 두 DAG가 동일한 조건부 인수관계 집합을 나타내는지 판단할 수 있는 그래픽 기준은 무엇인가?
• RQ3 잠재 변수가 포함된 임베딩된 인과 모델의 등가성은 어떻게 효율적으로 테스트할 수 있는가?
• RQ4 통계적 종속성에 기반한 인과의 이론적 기초는 무엇인가?
• RQ5 등가성 검사를 효율적으로 가능하게 하는 인과 모델의 표준형을 구성할 수 있는가?

주요 결과

• 두 인과 모델은 오직 동일한 스켈레톤과 v-구조를 공유할 때에만 등가이며, 이는 등가성에 대한 완전하고 효율적인 그래픽 기준을 제공한다.
• 표준형 표현 덕분에 인과 모델 간의 등가성 테스트를 다항 시간 내에 수행할 수 있다.
• 이 방법은 모든 마르코프 등가성 DAG를 정확히 식별하여 등가성 테스트에서 오답이나 누락이 없음을 보장한다.
• 이 프레임워크는 임베딩된 인과 모델로 자연스럽게 확장되어 일부 변수가 관찰되지 않더라도 등가성 테스트가 가능하게 한다.
• 결과적으로, DAG의 구조에 인코딩된 통계적 종속성에 기반한 공식적이고 모델 이론적인 인과의 정의를 제공한다.
• 알고리즘적 접근은 DAG의 등가 클래스로 검색 공간을 줄임으로써 관찰 데이터로부터의 인과 발견을 지원한다.