Local Causal Discovery for Estimating Causal Effects

要約

データの基礎となる因果グラフが不明な場合でも、観測データを用いて、（1）グラフをマルコフ同値クラスまで特定し、（2）クラス内の各グラフについて平均治療効果（ATE）を推定することで、平均治療効果の取りうる値を絞り込むことができる。PCアルゴリズムは、強い忠実性の仮定のもとでこのクラスを特定することができるが、計算量が膨大になる可能性がある。幸いなことに、可能なATE値の集合を特定するために必要なのは、治療周辺の局所的なグラフ構造だけであり、この事実は、計算効率を向上させるために局所発見アルゴリズムによって利用される。本論文では、遮蔽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局所因果関係発見アルゴリズムであるLocal Discovery using Eager Collider Checks (LDECC)を紹介する。LDECCが既存の局所発見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、またその逆も然りであることを示す。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いることを示し、この洞察を活用して、可能なATE値の集合を特定するための仮定を弱めることを示す。

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, DeepL