[论文解读] Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets

Jakob Runge|arXiv (Cornell University)|Mar 7, 2020

Bayesian Modeling and Causal Inference参考文献 20被引用 36

一句话总结

PCMCI+ 是一种基于条件独立性的时序因果发现方法，用于在自相关的非线性时间序列中发现滞后与同瞬时的因果关系，同时在提升检出力和降低假阳性率的同时，比 PC 更快。

ABSTRACT

The paper introduces a novel conditional independence (CI) based method for linear and nonlinear, lagged and contemporaneous causal discovery from observational time series in the causally sufficient case. Existing CI-based methods such as the PC algorithm and also common methods from other frameworks suffer from low recall and partially inflated false positives for strong autocorrelation which is an ubiquitous challenge in time series. The novel method, PCMCI$^+$, extends PCMCI [Runge et al., 2019b] to include discovery of contemporaneous links. PCMCI$^+$ improves the reliability of CI tests by optimizing the choice of conditioning sets and even benefits from autocorrelation. The method is order-independent and consistent in the oracle case. A broad range of numerical experiments demonstrates that PCMCI$^+$ has higher adjacency detection power and especially more contemporaneous orientation recall compared to other methods while better controlling false positives. Optimized conditioning sets also lead to much shorter runtimes than the PC algorithm. PCMCI$^+$ can be of considerable use in many real world application scenarios where often time resolutions are too coarse to resolve time delays and strong autocorrelation is present.

研究动机与目标

• 在受自相关与非线性影响的观测时间序列中，推动鲁棒的因果发现。
• 扩展 PCMCI，以可靠地同时检测滞后与同瞬时链接。
• 改进条件集合选择，以在自相关下校准 CI 检验并提升检出力。
• 在标准假设下证明健全性、完备性和顺序无关性。
• 相比 PC，展示在邻接检测和方向回忆方面的优越性，且运行时间更短。

提出的方法

• 提出 PCMCI+，这是一个基于 CI 的框架，扩展 PCMCI 以包含同瞬时链接。
• 将骨架发现分解为滞后阶段和同瞬时阶段，并减少 CI 测试次数。
• 使用瞬时条件独立性（MCI）测试，并在强邻接上进行条件以提升效应量。
• 确保条件集合阻塞滞后混淆路径，并在自相关下校准检验。
• 给出理论结果：健全性、完备性、顺序无关性，以及改进的效应量（p=0 测试）。
• 由于滞后阶段的多项式时间复杂度和针对性同瞬时条件，展示相较于 PC 的计算优势。

实验结果

研究问题

• RQ1 PCMCI+ 能否在自相关的非线性时间序列中可靠地恢复滞后和同瞬时的因果关系？
• RQ2 在控制假阳性的前提下，PCMCI+ 是否在同瞬时链接的邻接检测能力和方向回忆方面优于现有的基于 CI 的方法？
• RQ3 在标准因果充分性假设下，PCMCI+ 的理论保障（健全性、完备性、顺序无关性）是什么？
• RQ4 与 PC 与 PCMCI+0 变体相比，PCMCI+ 在运行时间和对强自相关的鲁棒性方面的表现如何？
• RQ5 条件设定策略和检验校准如何影响滞后与同瞬时链接的检测能力？

主要发现

• PCMCI+ 在邻接检测能力方面优于 PC 和 PCMCI+0，尤其是在同瞬时链接方面。
• 在自相关下，PCMCI+ 在同瞬时边的方向回忆上有所提升，同时更好地控制假阳性。
• 该方法在特定情形下是顺序无关的且一致的，在 oracle 情况下，运行时间明显短于 PC。
• 同时对滞后邻接和同瞬时父节点进行条件化，增大 MCI 检验效应量，从而提升检测能力。
• 滞后链接检测仍然强劲，尽管在某些配置下，MCI 条件化可能会略微降低滞后效应量。
• 总体而言，PCMCI+ 受益于自相关这一时间序列中的常见特征，并在非线性和异质噪声设置下表现出更高的可靠性。