Local Causal Discovery for Estimating Causal Effects

要約

データの基礎となる因果関係グラフが不明な場合でも、観察データを使用して、(1) マルコフ等価クラスまでのグラフを特定することによって、平均治療効果 (ATE) が取り得る値を絞り込むことができます。
(2) クラス内の各グラフの ATE を推定します。
PC アルゴリズムは、強力な忠実性の仮定の下でこのクラスを識別できますが、計算量が法外になる可能性があります。
幸いなことに、考えられる ATE 値のセットを特定するには、処理周囲のローカル グラフ構造のみが必要です。この事実は、ローカル検出アルゴリズムによって計算効率を向上させるために利用されます。
このペーパーでは、シールドされていないコライダーを活用して、既存の方法とは異なる方法で治療の親を方向付ける新しいローカル因果発見アルゴリズムである Local Discovery using Eager Collider Checks (LDECC) を紹介します。
LDECC が既存のローカル検出アルゴリズムを指数関数的に上回るグラフが存在すること、およびその逆のグラフが存在することを示します。
さらに、LDECC と既存のアルゴリズムが異なる忠実性の仮定に依存しており、この洞察を活用して、考えられる ATE 値のセットを特定するための仮定を弱めていることを示します。

要約(オリジナル)

Even when the causal graph underlying our data is unknown, we can use observational data to narrow down the possible values that an average treatment effect (ATE) can take by (1) identifying the graph up to a Markov equivalence class; and (2) estimating that ATE for each graph in the class. While the PC algorithm can identify this class under strong faithfulness assumptions, it can be computationally prohibitive. Fortunately, only the local graph structure around the treatment is required to identify the set of possible ATE values, a fact exploited by local discovery algorithms to improve computational efficiency. In this paper, we introduce Local Discovery using Eager Collider Checks (LDECC), a new local causal discovery algorithm that leverages unshielded colliders to orient the treatment’s parents differently from existing methods. We show that there exist graphs where LDECC exponentially outperforms existing local discovery algorithms and vice versa. Moreover, we show that LDECC and existing algorithms rely on different faithfulness assumptions, leveraging this insight to weaken the assumptions for identifying the set of possible ATE values.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google