Efficient Computation of Counterfactual Bounds

要約

我々は、有向無サイクルグラフ、すなわち構造的因果モデルを誘導する離散変数上の構造方程式と、その内部ノードに関するデータが与えられると仮定する。我々が答えたいのは、このような入力から、部分的に識別可能な反事実クエリの境界をどのように計算できるかということである。我々は、構造的因果モデルからクレダルネットワークへの写像を与えることから始める。これにより、構造的因果モデルのサブクラス上のクレダルネットのアルゴリズムを使って、厳密な反事実境界を計算することができる。厳密な計算は、因果推論がポリツリー上でもNP困難であることを考えると、一般に非効率的である。そこで、因果EMスキームを用いて近似的な境界を求める。我々は、近似の品質に関する信頼できる区間を提供することにより、その精度を評価する。我々は、EMスキームがかなりの回数の実行で正確な結果をもたらすことを、合成ベンチマークを通して示す。議論の過程で、構造方程式の知識がなくても反事実境界を計算できるという、トレンドの考え方の無視された限界と思われる点も指摘する。また、緩和ケアに関する実際のケーススタディを提示し、我々のアルゴリズムがいかに実用的な目的で容易に利用できるかを示す。

要約(オリジナル)

We assume to be given structural equations over discrete variables inducing a directed acyclic graph, namely, a structural causal model, together with data about its internal nodes. The question we want to answer is how we can compute bounds for partially identifiable counterfactual queries from such an input. We start by giving a map from structural casual models to credal networks. This allows us to compute exact counterfactual bounds via algorithms for credal nets on a subclass of structural causal models. Exact computation is going to be inefficient in general given that, as we show, causal inference is NP-hard even on polytrees. We target then approximate bounds via a causal EM scheme. We evaluate their accuracy by providing credible intervals on the quality of the approximation; we show through a synthetic benchmark that the EM scheme delivers accurate results in a fair number of runs. In the course of the discussion, we also point out what seems to be a neglected limitation to the trending idea that counterfactual bounds can be computed without knowledge of the structural equations. We also present a real case study on palliative care to show how our algorithms can readily be used for practical purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL