Characterization of causal ancestral graphs for time series with latent confounders

要約

この論文では、タイムラグ特有の因果関係と、観察されていない交絡因子を含む多変量時系列の独立性を表現するための新しいクラスのグラフィカルモデルを紹介します。
これらのグラフを完全に特徴付け、それらが現在使用されているモデル クラスの適切なサブセットを構成していることを示します。
私たちが示すように、新しいグラフから、追加の仮定なしで、より強力な因果推論を引き出すことができます。
さらに、新しいグラフのマルコフ同値クラスのグラフ表現を導入します。
このグラフィック表現には、現在の最先端の因果関係発見アルゴリズムが学習するものよりも多くの因果関係の知識が含まれています。

要約(オリジナル)

In this paper, we introduce a novel class of graphical models for representing time lag specific causal relationships and independencies of multivariate time series with unobserved confounders. We completely characterize these graphs and show that they constitute proper subsets of the currently employed model classes. As we show, from the novel graphs one can thus draw stronger causal inferences — without additional assumptions. We further introduce a graphical representation of Markov equivalence classes of the novel graphs. This graphical representation contains more causal knowledge than what current state-of-the-art causal discovery algorithms learn.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google