Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey

Sintesi Tecnica: Test di Indipendenza Condizionata per la Scoperta Causale Basata su Vincoli: Un Survey

Definizione del Problema
Gli algoritmi di scoperta causale basati su vincoli (ad esempio, PC, FCI) si affidano fondamentalmente a test di Indipendenza Condizionata (CI) per potare gli scheletri di grafi e orientare gli archi. Sebbene questi algoritmi siano ampiamente utilizzati in ambito biomedico per passare dalla correlazione alla causalità, la letteratura manca di una sintesi focalizzata sulla componente del test di CI in sé. Gli esami esistenti trattano il test di CI solo come un sottocomponente di più ampi framework di scoperta causale, lasciando i professionisti senza una guida sistematica sulle assunzioni, le proprietà di robustezza e i compromessi computazionali delle diverse famiglie di test CI. Inoltre, esiste una lacuna nella comprensione di come i comportamenti a livello di test — come il decadimento della potenza all'aumentare della dimensione dell'insieme di condizionamento o l'asimmetria degli errori di Tipo I/II — si propaghino agli errori a livello di grafo nel recupero dello scheletro e nell'orientamento delle v-structure. Ciò è particolarmente critico in contesti ad alta dimensionalità e di tipo misto comuni in biomedicina, dove decisioni di CI errate possono portare a affermazioni causali fuorvianti e interventi dannosi.

Metodologia
Questo articolo presenta un sondaggio completo dei test di CI utilizzati nella scoperta causale basata su vincoli a partire da dati osservazionali indipendenti e identicamente distribuiti (i.i.d.). La metodologia prevede:

1. Costruzione della Tassonomia: Organizzazione dei metodi CI ampiamente utilizzati in sei famiglie distinte: correlazione parziale, tabella di contingenza, regressione, vicino più prossimo (nearest-neighbor), kernel e basati sul machine learning.
2. Analisi Teorica: Esame delle assunzioni (ad esempio, gaussianità, linearità, faithfulness) e delle proprietà statistiche di ciascuna famiglia, concentrandosi specificamente su quando le decisioni di CI riflettono la reale distribuzione generatrice dei dati e quando falliscono.
3. Mappatura della Propagazione dell'Errore: Collegamento delle proprietà a livello di test (calibrazione, decadimento della potenza, asimmetria dell'errore) a specifici modi di fallimento a livello di grafo, come la rimozione di archi spuri, la mancanza di archi e l'orientamento errato delle v-structure.
4. Revisione dell'Ecosistema Software: Confronto dell'implementazione di queste famiglie di test CI e degli algoritmi basati su vincoli attraverso le principali librerie R e Python (inclusi bnlearn, pcalg, MXM, causal-learn, gCastle, pgmpy e Tigramite).
5. Sintesi Pratica: Sviluppo di framework decisionali euristici e tabelle di compromesso per guidare i professionisti nella selezione dei test di CI in base al tipo di dato (continuo, categorico, misto), alla dimensione del campione, alla profondità dell'insieme di condizionamento e al budget computazionale.

Contributi Chiave
L'articolo apporta quattro contributi primari:

1. Sintesi Focalizzata sui Test di CI: Fornisce una revisione focalizzata che tratta il test di CI come la scelta di design primaria che governa la potatura dello scheletro e l'orientamento degli archi, piuttosto che come un componente secondario.
2. Collegamento tra Errore del Test e del Grafo: Collega sistematicamente le proprietà a livello di test (assunzioni, calibrazione, decadimento della potenza) ai modi di fallimento a livello di grafo, offrendo una comprensione più chiara di come gli errori statistici si traducano in errori strutturali nel grafo causale appreso.
3. Panorama Software Consolidato: Consolida le informazioni sparse riguardanti la disponibilità di algoritmi basati su vincoli e famiglie di test CI attraverso i principali ecosistemi R e Python, inclusi dettagli su limiti dell'insieme di condizionamento, logging, personalizzazione, parallelizzazione e supporto alla conoscenza pregressa.
4. Guida per i Professionisti: Traduce i risultati teorici in una guida azionabile tramite tabelle di compromesso e framework decisionali euristici (Figure 6–8) per la selezione dei test di CI sotto diverse variabili di tipo di dato, dimensione del campione e regimi computazionali.

Risultati e Conclusioni
Il sondaggio identifica diversi compromessi critici e limitazioni tra le famiglie di test CI:

• Correlazione Parziale (ad esempio, Fisher's Z): Veloce e trasparente, ma richiede strettamente la gaussianità e la linearità; invalida in presenza di violazioni distributive.
• Tabella di Contingenza (ad esempio, $\chi^2$, $G^2$): Efficace per dati categorici, ma soffre di un rapido decadimento della potenza e di scarsità delle tabelle all'aumentare della dimensione dell'insieme di condizionamento.
• Basati sulla Regressione: Flessibili tramite Modelli Lineari Generalizzati (GLM), ma dipendono dalla corretta specificazione del modello; la misspecificazione porta a decisioni distorte.
• Vicino Più Prossimo (KNN) e Basati su Kernel: Non parametrici e capaci di rilevare dipendenze non lineari, ma soffrono di elevati costi computazionali ($O(n^3)$ per i kernel) e problemi di varianza in insiemi di condizionamento ad alta dimensionalità.
• Basati sul Machine Learning (ad esempio, GCM, DML): Agnostici rispetto al modello e flessibili, ma richiedono grandi dimensioni campionarie e una calibrazione attenta (ad esempio, cross-fitting) per evitare bias di overfitting; attualmente mancano di supporto nativo nelle principali librerie di produzione.
• Dati di Tipo Misto: La discretizzazione è una strategia comune ma fallace che altera l'oggetto statistico testato. Sebbene esistano strati di robustezza (shrinkage, permutazione), i test unificati e privi di distribuzione per dati misti senza discretizzazione ad hoc rimangono una sfida aperta.
• Scalabilità: La crescita combinatoria degli insiemi di condizionamento rende proibitivo il testing di CI esaustivo in contesti ad alta dimensionalità ($p \gg n$). Strategie come la parallelizzazione, l'ordinamento stabile e il divide-and-conquer (scoperta locale) sono necessarie ma introducono le proprie complessità computazionali e statistiche.

Significato e Assertività
L'articolo sostiene che l'affidabilità della scoperta causale basata su vincoli è direttamente limitata dalla validità delle sue decisioni di CI sottostanti. Postula che "la qualità del grafo è valida solo quanto lo sono le sue decisioni di CI". Il significato di questo lavoro risiede nella sua capacità di:

• Colmare il Divario: Connettere le proprietà statistiche astratte dei test di CI alla affidabilità pratica dei grafi causali nelle applicazioni biomediche ad alto rischio.
• Guidare la Selezione: Fornire un framework strutturato ai professionisti per navigare tra i compromessi tra flessibilità, costo computazionale e potenza statistica, specialmente quando si trattano dati di tipo misto e campioni limitati.
• Evidenziare le Sfide Aperte: Identificare questioni critiche ancora irrisolte, tra cui la necessità di test di CI robusti per tipi misti senza discretizzazione, un migliore controllo dell'errore nei regimi di piccoli campioni e l'integrazione della conoscenza del dominio (potenzialmente tramite LLM) per orientare grafi parzialmente diretti.

Gli autori mantengono una posizione modesta, osservando che, sebbene siano proposti framework euristici, è ancora necessaria una validazione empirica sistematica attraverso diversi regimi di dati per confermare tali linee guida. Il documento funge da riferimento fondamentale per ricercatori e professionisti che mirano a migliorare la trasparenza, l'interpretabilità e l'accuratezza delle pipeline di scoperta causale.