[论文解读] The lure of causal statements: Rampant mis-inference of causality in estimated connectivity

David M. A. Mehler, Konrad P. Körding|arXiv (Cornell University)|Dec 8, 2018

Functional Brain Connectivity StudiesNeuroscience被引用 18

一句话总结

该论文指出，统计方法如功能连接性和格兰杰因果关系常因未观测到的共同输入以及因果术语的语义重新定义，导致研究人员在采样不足的大脑数据中错误地从相关性推断因果关系。论文表明，由于忽略了高维大脑活动和无限多的未观测混杂因素，这些方法无法可靠揭示神经机制。

ABSTRACT

As neuroscientists we want to understand how causal interactions or mechanisms within the brain give rise to perception, cognition, and behavior. It is typical to estimate interaction effects from measured activity using statistical techniques such as functional connectivity, Granger Causality,or information flow, whose outcomes are often falsely treated as revealing mechanistic insight. Since these statistical techniques fit models to low-dimensional measurements from brains, they ignore the fact that brain activity is high-dimensional. Here we focus on the obvious confound of common inputs: the countless unobserved variables likely have more influence than the few observed ones. Any given observed correlation can be explained by an infinite set of causal models that take into account the unobserved variables. Therefore, correlations within massively undersampled measurements tell us little about mechanisms. We argue that these mis-inferences of causality from correlation are augmented by an implicit redefinition of words that suggest mechanisms, such as connectivity, causality, and flow.

研究动机与目标

• 揭露神经影像学研究中基于相关性的统计方法普遍存在因果推断错误的问题。
• 强调低维大脑测量中未观测共同输入的混杂影响。
• 批评将‘连接性’、‘因果性’和‘流动’等术语隐含重新定义为暗示机制性洞察的倾向。
• 主张当前的统计模型系统性地忽略了高维神经动力学，从而削弱了机制性主张的可信度。

提出的方法

• 分析功能连接性、格兰杰因果关系和信息流动等统计技术的结构性局限。
• 证明在采样不足的数据中，任何观测到的相关性都可由包含未观测变量的无限多组因果模型解释。
• 聚焦于共同输入作为神经数据中虚假因果推断的主要混杂因素。
• 运用理论推理表明，低维测量无法捕捉大脑活动的真实高维本质。
• 批评术语的语义转变，例如将‘因果性’和‘流动’等术语用于统计输出，使统计关联获得虚假的机制性正当性。

实验结果

研究问题

• RQ1 为何格兰杰因果关系等统计方法会在大脑数据中导致对神经机制的错误推断？
• RQ2 未观测到的共同输入如何扭曲神经连接性研究中对观测相关性的解释？
• RQ3 在采样不足的神经数据中，观测到的相关性在多大程度上可由包含隐藏变量的替代因果模型解释？
• RQ4 术语如‘连接性’和‘因果性’的重新定义如何误导研究者，使其误以为已识别出机制？

主要发现

• 神经数据中观测到的相关性可由包含未观测变量的无限多组因果模型解释，因此仅凭相关性进行因果推断在根本上不可靠。
• 功能连接性和格兰杰因果关系等统计技术由于忽略了高维神经动力学，容易将相关性误认为因果关系。
• 大脑活动中存在无数未观测的共同输入，造成普遍存在的混杂因素，使基于观测到的低维测量的因果主张无效。
• 在统计输出中使用‘因果性’和‘流动’等术语，会制造出存在机制性洞察的虚假印象，即使实际上并未识别出任何机制。
• 本文结论认为，当前方法无法可靠揭示神经机制，因为它们未能考虑大脑活动中固有的高维性和未观测变量。