Identifying macro conditional independencies and macro total effects in summary causal graphs with latent confounding

要約

動的システムにおける因果関係を理解することは疫学において不可欠です。
因果推論手法は広く研究されていますが、多くの場合、完全に指定された因果グラフに依存しており、複雑な動的システムでは常に利用できるとは限りません。
要約因果グラフ (SCG) など、部分的に指定された因果グラフは、一時的な情報を省略し、高レベルの因果構造に焦点を当てて、因果関係を簡略化して表現します。
この単純化により、対象となるクエリの種類に関する新たな課題が生じます。マクロ クエリには、グラフ内の頂点として表されるクラスター間の関係が関係し、マイクロ クエリには、グラフの頂点からは直接見えない変数間の関係が関係します。
この論文では、まずマクロの条件付き独立性とミクロな条件付き独立性、およびマクロ全体効果とミクロ全体効果を明確に区別します。
次に、SCG のマクロ条件付き独立性を特定するための d 分離の健全性と完全性を実証します。
さらに、我々は、この計算が健全であり、SCG におけるマクロ全体の効果を特定するのに完全であることを確立します。
最後に、SCG におけるマクロ全体の効果の識別不可能性をグラフで特徴付けます。

要約(オリジナル)

Understanding causal relations in dynamic systems is essential in epidemiology. While causal inference methods have been extensively studied, they often rely on fully specified causal graphs, which may not always be available in complex dynamic systems. Partially specified causal graphs, such as summary causal graphs (SCGs), provide a simplified representation of causal relations, omitting temporal information and focusing on high-level causal structures. This simplification introduces new challenges concerning the types of queries of interest: macro queries, which involve relationships between clusters represented as vertices in the graph, and micro queries, which pertain to relationships between variables that are not directly visible through the vertices of the graph. In this paper, we first clearly distinguish between macro conditional independencies and micro conditional independencies and between macro total effects and micro total effects. Then, we demonstrate the soundness and completeness of the d-separation to identify macro conditional independencies in SCGs. Furthermore, we establish that the do-calculus is sound and complete for identifying macro total effects in SCGs. Finally, we give a graphical characterization for the non-identifiability of macro total effects in SCGs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google