Internal Incoherency Scores for Constraint-based Causal Discovery Algorithms

要約

因果発見は、観察データまたは実験データから因果グラフを推測することを目的としています。
一般的なPCアルゴリズムなどの方法は、条件付き独立性テストに基づいており、その推論のために、忠実さの仮定などの可能性のある仮定を利用します。
実際には、これらの仮定と、選択した条件付き独立性テストから継承された機能的仮定は、通常、特定のものと見なされ、データに対する有効性についてはそれ以上テストされていません。
この作業では、地上の真理やさらなる統計テストを必要とせずに検出可能な場合、仮定違反と有限のサンプルエラーのテストを可能にする内部コヒーレンシースコアを提案します。
検出可能なエラーと検出不能なエラーの区別を含む、誤った結果の完全な分類を提供し、検出可能な誤った結果をスコアによって測定できることを証明します。
シミュレートされた現実世界のデータセットを使用したPCアルゴリズムのコヒーレンシースコアを説明し、内部コヒーレンシーのテストは、クラシックの仮定を検証するために使用されるように、内部コヒーレンシーのテストが制約ベースの方法を適用する際の標準ツールになる可能性があることを想定しています。
回帰分析。

要約(オリジナル)

Causal discovery aims to infer causal graphs from observational or experimental data. Methods such as the popular PC algorithm are based on conditional independence testing and utilize enabling assumptions, such as the faithfulness assumption, for their inferences. In practice, these assumptions, as well as the functional assumptions inherited from the chosen conditional independence test, are typically taken as a given and not further tested for their validity on the data. In this work, we propose internal coherency scores that allow testing for assumption violations and finite sample errors, whenever detectable without requiring ground truth or further statistical tests. We provide a complete classification of erroneous results, including a distinction between detectable and undetectable errors, and prove that the detectable erroneous results can be measured by our scores. We illustrate our coherency scores on the PC algorithm with simulated and real-world datasets, and envision that testing for internal coherency can become a standard tool in applying constraint-based methods, much like a suite of tests is used to validate the assumptions of classical regression analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google