[論文レビュー] Simplifying Probabilistic Expressions in Causal Inference

Santtu Tikka, Juha Karvanen|arXiv (Cornell University)|Jun 19, 2018

Bayesian Modeling and Causal Inference参考文献 17被引用数 6

ひとこと要約

本論文は、d-分離とグラフィカルモデル構造を活用して、因果推論における確率的式から不要な変数を自動で除去する記号的簡略化アルゴリズムを提示する。この手法は、do-計算または同定可能性アルゴリズムによって得られる介入分布を簡略化し、計算負荷を軽減し、欠損データや測定誤差に対するロバスト性を向上させる。Rパッケージ causaleffect に統合されている。

ABSTRACT

Obtaining a non-parametric expression for an interventional distribution is one of the most fundamental tasks in causal inference. Such an expression can be obtained for an identifiable causal effect by an algorithm or by manual application of do-calculus. Often we are left with a complicated expression which can lead to biased or inefficient estimates when missing data or measurement errors are involved. We present an automatic simplification algorithm that seeks to eliminate symbolically unnecessary variables from these expressions by taking advantage of the structure of the underlying graphical model. Our method is applicable to all causal effect formulas and is readily available in the R package causaleffect.

研究の動機と目的

• 因果推論アルゴリズムが生み出す過剰に複雑な確率的式の問題に対処すること。これらは解釈性と推定性を損なう。
• 因果効果式から関係のない変数を記号的に除去することで、計算複雑性を低減し、欠損データや測定誤差に対するロバスト性を向上させること。
• グラフィカルモデルから導かれるすべての同定可能な因果効果式に適用可能な汎用的簡略化手法を開発すること。
• 既存の因果推論パイプラインにシームレスに統合できる、自動的で妥当かつ完全な簡略化手順を提供すること。

提案手法

• この手法は、基礎となるDAGにおける条件付き独立性を特定するd-分離基準を用い、確率的式からの変数の記号的除去を可能にする。
• 変数をマージナル化可能または独立に要因分解可能な対象として特定するための簡略化集合（M⁻ と M⁺）を定義する。
• 変数の順序を再配置し、M⁻ および M⁺ に対応する項を削除することで、元の式と等価な新しい結合分布の要因分解を構築する。
• 条件付き独立性を活用して変数を再帰的に除去する手続きを適用し、動的順序付けを施した標準的要因分解アルゴリズムの変種を用いる。
• 積と和の形をとる式に対して、妥当かつ完全な簡略化アルゴリズムとして実装される。
• Rパッケージ causaleffect に統合され、因果効果クエリの自動簡略化が可能になっている。

実験結果

リサーチクエスチョン

• RQ1 do-計算や同定可能性アルゴリズムから生じる複雑な確率的式を、自動的に簡略化することは可能か？
• RQ2 因果式において、分布的結果を変えることなく記号的に除去可能な変数はどれか？
• RQ3 DAGの構造をどのように活用して、介入分布から冗長な変数を同定・除去できるか？
• RQ4 簡略化は、欠損データや測定誤差の下でも因果効果推定のロバスト性を向上させうるか？
• RQ5 グラフィカルモデルの性質を用いて、任意の因果効果式を一般的かつ妥当かつ完全に簡略化するアルゴリズムは存在するか？

主な発見

• 提示された簡略化アルゴリズムは、マーカブ境界内で条件付き独立であると判明した変数を除去することで、複雑な介入式をより単純で同等の形に効果的に簡略化した。
• 実例により、12項の式が4項の式（P(Z₁|Z₂,X)P(Z₂)∑X P(Y|Z₂,X,Z₃,Z₁)P(Z₃|Z₂,X)P(X|Z₂)）にまで簡略化されたことが示された。
• 簡略化により、推定に必要な和分および積分の次元が低減され、計算効率が向上した。
• アルゴリズムは妥当かつ完全であるため、与えられたグラフィカルモデル構造のもとで可能な最大の簡略化を常に得られる。
• 欠損データや測定誤差の影響を受けやすい変数を除去することで、推定に対するロバスト性が向上した。
• Rパッケージ causaleffect への統合により、手動での導出を必要とせず、因果効果クエリのエンドツーエンドの簡略化が可能になった。