Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles

Sintesi Tecnica: Riconsiderazione della Causalità di Granger tramite Reti Bayesiane Causali e i Principi di Reichenbach

Definizione del Problema
La Causalità di Granger (GC) rimane uno strumento computazionale dominante per l'identificazione di relazioni causali in serie temporali in vari campi, come l'econometria e le neuroscienze. Tuttavia, essa affronta critiche persistenti per la mancanza di un fondamento causale rigoroso, venendo spesso vista come un semplice strumento predittivo piuttosto che causale. Inoltre, le implementazioni standard della GC sono suscettibili di confonditori latenti e si affidano pesantemente ad assunzioni lineari. Sebbene esistano estensioni per gestire la non linearità o il condizionamento multivariato, il problema fondamentale di ancorare la GC a un quadro causale rigoroso rimane irrisolto. Questo articolo affronta la necessità di reinterpretare la GC per fornirle un'interpretazione causale robusta sotto specifiche assunzioni.

Metodologia
Gli autori propongono una riformulazione della Causalità di Granger, denominata causalità di Granger causalizzata (c-GC), integrando tre framework teorici:

1. Reti Bayesiane Causali (CBN): Gli autori interpretano la GC come un test di (in)dipendenza condizionale all'interno del framework delle CBN. Nello specifico, analizzano i residui dei modelli di regressione per determinare la dipendenza statistica.
2. Principi della Causa Comune di Reichenbach (RCCP): Il metodo sfrutta la nozione logica di Reichenbach secondo cui nessun effetto precede la sua causa e che la dipendenza implica una causa comune o un legame diretto.
3. Sintesi di GC Bivariata e Multivariata: L'innovazione metodologica centrale è la combinazione della Causalità di Granger Bivariata (BVGC) e della Causalità di Granger Multivariata (MVGC) per soddisfare i requisiti degli RCCP.

L'algoritmo opera su tre proposizioni:

• Proposizione 1 (Dipendenza Incondizionata): La BVGC testa la dipendenza marginale tra coppie di variabili senza condizionare sui confonditori. Ciò corrisponde al principio di Reichenbach secondo cui gli eventi dipendenti devono avere una causa comune o un legame diretto. Questo passaggio identifica potenziali legami, ma può generare falsi positivi a causa di confonditori non osservati (ad esempio, in strutture a catena o a forcella).
• Proposizione 2 (Dipendenza Condizionata): La MVGC testa la dipendenza condizionando su tutte le altre variabili del sistema. Questo passaggio aderisce alla Condizione di Markov Causale, identificando correttamente l'indipendenza in strutture a catena e a forcella, ma può potenzialmente indurre una dipendenza spuria in strutture a collider (strutture a V) quando si condiziona su di esse.
• Proposizione 3 (Congiunzione Logica): Gli autori sostengono che né la BVGC né la MVGC da sole siano sufficienti per la scoperta causale. Prendendo l'operatore logico AND dei risultati di entrambi i test, l'algoritmo impone tutti i principi di Reichenbach. Questa combinazione filtra i legami spuri: la BVGC rileva i collider (dove la MVGC fallisce), mentre la MVGC filtra i legami spuri nelle catene e nelle forcelle (dove la BVGC fallisce).

L'algoritmo risultante, c-GC, costruisce un insieme di condizionamento ($Z$) basato sugli stati passati delle variabili per soddisfare i criteri di d-separazione e di back-door. Un'estensione, c-GC*, utilizza un insieme di condizionamento più conservativo che include gli stati futuri delle cause (un artefatto della manipolazione dei dati nel processo di scoperta), sebbene la giustificazione teorica per l'inclusione specifica di questi ultimi rimanga una questione aperta. L'implementazione utilizza la correlazione di Pearson basata su permutazioni per il test di indipendenza, al fine di mantenere la flessibilità non parametrica.

Contributi Chiave

• Reinterpretazione Teorica: Il documento fornisce una giustificazione rigorosa per la combinazione di BVGC e MVGC, ancorando la pratica alle CBN e ai principi di Reichenbach per dotare la GC di un'interpretazione causale.
• Sviluppo dell'Algoritmo: L'introduzione di c-GC e c-GC*, che operazionalizzano questo framework teorico.
• Gestione di Strutture Complesse: Il metodo è progettato per gestire loop di feedback, ciclicità e interazioni bidirezionali senza imporre l'aciclicità, rendendolo applicabile a sistemi complessi come le reti neurali biologiche.

Risultati
Gli autori hanno valutato c-GC e c-GC* su dataset sintetici e di benchmark:

• Dati Sintetici: In simulazioni con matrici di verità fondamentale note (inclusi cicli e legami bidirezionali), sia c-GC che c-GC* hanno raggiunto un'elevata accuratezza, precisione e richiamo (recall). In sistemi lineari e minimamente caotici, c-GC ha correttamente inferito tutti i legami con minimi falsi negativi, mentre c-GC* ha mostrato un comportamento leggermente più conservativo (un falso positivo aggiuntivo).
• Confronto con lo Stato dell'Arte: Confrontati con popolari algoritmi di Causal Structure Learning (CSL) (TCDF, NTS-NOTEARS, Tigramite), c-GC e c-GC* hanno dimostrato robustezza. In particolare, mentre Tigramite (FullCI) ha ottenuto un richiamo perfetto, ha mostrato una precisione inferiore (0.51–1.00) rispetto a c-GC* (0.95–1.00), indicando che c-GC* è più conservativo nel rilevamento degli archi (edge detection).
• Dataset Proteico Sachs: Applicato al dataset reale di segnalazione Sachs, il metodo ha inferito con successo quasi tutte le connessioni causali attese, incluso il legame direzionale unico $PKA \to Jnk$, che è stato rilevato solo in specifici trial di dati.
• Dataset Lorenz-96: Sul sistema caotico Lorenz-96 ($p=40$), entrambi gli algoritmi hanno converguto verso metriche di performance simili, con risultati leggermente migliori osservati a livelli di caos inferiori ($F=10$) rispetto a livelli più elevati ($F=40$).

Significatività e Rivendicazioni
Il documento afferma che, reinterpretando la GC attraverso le lenti delle CBN e dei principi di Reichenbach, esso fornisce un "framework rigoroso per la scoperta causale in dataset osservazionali". Gli autori sostengono che questa riformulazione risolva la critica secondo cui la GC manchi di un fondamento causale, a patto che vengano soddisfatte specifiche assunzioni (sufficienza causale, fedeltà e condizione di Markov causale). Il lavoro dimostra che la combinazione di test bivariati e multivariati non è meramente euristica, ma è teoricamente necessaria per soddisfare le condizioni per l'inferenza di veri legami causali. Gli autori concludono che c-GC produce risultati soddisfacenti sia in domini lineari che non lineari, inclusi casi con cicli e bidirezionalità, offrendo un'alternativa più robusta per la scoperta causale in sistemi dinamici complessi. Il lavoro futuro è moderatamente limitato alla scalabilità dell'algoritmo per dataset ad alta dimensionalità.