因果発見後の因果効果に対する事後選択推論

科学分野:

• 統計学
• 機械学習
• 因果推論

背景:

• 制約ベースの因果発見アルゴリズムは、条件付き独立性検定を使用して因果グラフモデルを識別します。
• これらのモデルは因果効果の推定に役立ちますが、事後選択における有効な推論には課題があります。
• モデル選択と推定の両方に単純にデータを使用すると、無効な信頼区間が得られます。

研究 の 目的:

• 因果発見のための事後選択推論手法を開発し、因果効果パラメータに対して漸近的に正しいカバレッジを提供すること。
• 因果発見と推定でデータを二重に使用することに起因する無効な信頼区間の問題を解決すること。
• 推論の主張が、データ依存の量ではなく、母集団レベルの効果に対して有効であることを保証すること。

主な方法:

• ランダム化された中間統計を使用して因果発見を複数回実行するリサンプリングおよびスクリーニング手順を提案します。
• 個々のグラフベースの結果を統合することによって、因果効果の推定値と信頼集合を構築します。
• このアプローチは、有向非巡回グラフのPCアルゴリズムと多変量ガウス分布を使用して実証されます。

主要な成果:

• 提案手法は、真の因果効果パラメータに対して漸近的に正しいカバレッジを達成します。
• 信頼集合は、固定された母集団レベルの効果に対して有効であることが保証されます。
• このアプローチは一般的でモジュール式であり、さまざまな発見アルゴリズムや分布族に適用可能です。

結論:

• 開発された事後選択推論技術は、モデル選択後の因果効果推定のための統計的に健全な方法を提供します。
• このアプローチは、モデル構造の不確実性が存在する状況における因果推論の信頼性を高めます。
• この手法のモジュール性により、さまざまな因果発見フレームワーク全体で広範な適用が可能になります。