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

あなたは、全員が同時に喋っている混沌としたオフィスの中で、誰がボスなのかを突き止めようとしていると想像してください。あなたには、時間の経過に伴う彼らの会話の録音があります。あなたは知りたいのです。「人物Aの発言が、実際に人物Bの反応を引き起こしたのか、それとも第三者である人物Cのせいで、二人がたまたま同時に喋っただけなのか？」

これが、**因果探索（Causal Discovery）**の核心的な問題です。何十年もの間、科学者たちはこの問題を解決するために、**グレンジャー因果性（Granger Causality: GC）**というツールを使ってきました。GCを「予測の水晶玉」と考えてみてください。それはこう問いかけます。「もし、昨日、人物Aが何を言ったかを知っていれば、人物Bが今日何を言うかを、人物B自身の昨日の発言だけを知っている場合よりも正確に予測できるか？」もし答えが「イエス」なら、GCは「AがBの原因である」と判定します。

問題点：
この論文は、従来の水晶玉には欠陥がある、と主張しています。それはあまりにも簡単に騙されてしまうのです。

• 「共通原因」の罠： もしボス（人物C）がAとBの両方に怒鳴った場合、AとBは同時に話し始めるかもしれません。このとき、GCは「AがBの原因である」と誤って判断する可能性があります。実際には、二人ともCに反応していただけなのですが。
• 「偽の関連」の罠： 時として、二人は独立しているにもかかわらず、第三者のイベントに対して二人が同時に反応した特定の瞬間を見ると、あたかも二人がつながっているように見えることがあります。

著者であるS.A. Adedayoは次のように述べています。「GCは予測には優れているが、確固たる哲学的基盤を欠いているため、真の因果関係を証明することには向いていない。」

解決策：新しい探偵チーム
著者は、GCを、因果ベイジアンネットワーク（関係性の地図）と、ライヘンバッハの原理（哲学者ライヘンバッハによるルールブック）という2つの概念と組み合わせることで、解決策を提示しています。

ライヘンバッハのルールブックはこう言っています。「もし二つの事象が結びついているなら、それは一方が他方の原因であるか、あるいはそれらがより早い段階で発生した共通の原因を共有しているかのどちらかである。」

著者は、**因果的グレンジャー因果性（c-GC）と呼ばれる新しいアルゴリズムを作成しました。c-GCを、単独の探偵ではなく、容疑者を逮捕（原因を宣言）する前に合意形成を行わなければならない「二人組の探偵隊」**と考えてください。

「二人組の探偵隊」の仕組み

この探偵隊は、すべての変数（AとB）のペアに対して、2つの異なる尋問テクニックを用います。

1. 探偵BVGC（「二変量」の探偵）：

   • 手法： この探偵は、AとBのみに注目します。「Aの過去は、Bの未来を予測するのに役立ったか？」
   • 欠点： この探偵は騙されやすいです。もし第三者（C）が両方に影響を与えていた場合、この探偵はAがBの原因であると誤って告発してしまいます。
   • 比喩： 二人の人間が走っているのを見て、犬が二人を追いかけていることを確認せずに、「一人がもう一人を突き飛ばした」と決めつけるようなものです。

2. 探偵MVGC（「多変量」の探偵）：

   • 手法： この探偵は非常に徹底しています。AとBを見ますが、同時に部屋にいる他の全員（C、D、E...）もチェックします。「他の全員が何をしているかを考慮に入れたとしても、依然としてAはBの予測に役立つか？」
   • 欠点： この探偵は、ある特定の側面において厳格すぎます。もしAとBが共に第三者（C）の原因となっている場合、Cに注目することで、実際にはつながっていないAとBが、あたかもつながっているかのように誤解してしまうことがあります。
   • 比喩： 二人が突き飛ばした相手を見ることで、二人のつながりを確認するようなものです。時として、被害者を見ることで、二人の加害者が協力して動いていたかのように見えてしまうことがあります。たとえ実際にはそうでなかったとしても。

魔法の動き：「AND（かつ）」演算
この論文の大きなブレイクスルーは、これら二人の探偵には互いに逆の盲点があることに気づいた点です。

• BVGCは、つながりを多く見すぎてしまいます（偽陽性）。
• MVGCは、特定の「V字型」のシナリオにおいて、つながりを見逃したり、偽のものを検知したりします。

そこで著者はこう言います。「両方の探偵が同意した場合にのみ、原因を宣言せよ。」

• もしBVGCが「イエス」と言い、MVGCも「イエス」と言えば、それは真の原因です。
• もし一方が「イエス」と言い、もう一方が「ノー」と言えば、それらは互いに打ち消し合い、誤報であるとみなされます。

この「AND」ルールは、ノイズを取り除くフィルターとして機能し、純粋な因果関係だけを残します。

結果：新しいシステムは機能したか？

著者は、この新しい「c-GC」システムを3つの方法でテストしました。

1. 合成データ（シミュレーション・ラボ）：
   彼らは、既知のルール（誰が何を引き起こすかを正確に把握しているビデオゲームのようなもの）を持つ仮想の世界を作り上げました。そこに「混沌」と「ノイズ」を加え、難易度を上げました。

   • 結果： c-GCは、真のつながりを見つけ出し、偽のつながりを無視することに非常に優れていました。特に、変数がループバック（循環）するようなトリッキーな状況において、他の一般的な手法と同等、あるいはそれ以上の性能を発揮しました。

2. Sachsタンパク質データセット（生物学テスト）：
   彼らは、ヒトの免疫細胞（タンパク質が互いに信号を送っているもの）の実際のデータを使用しました。これは科学における有名なベンチマークです。

   • 結果： このアルゴリズムは、既知の生物学的経路のほとんどを正確にマッピングすることに成功しました。科学者がすでに存在を知っているつながりを見つけ出したことは、この手法が複雑で乱雑な生物学的データにおいても機能することを証明しています。

3. Lorenz-96データセット（カオス・テスト）：
   彼らは、混沌とした気象システムをシミュレートする有名な数学モデルを使用しました。

   • 結果： 物事が急速に変化する高度にカオス的なシステムにおいても、c-GCは基礎となる構造を正確に特定しました。

結論

この論文は、グレンジャー因果性をライヘンバッハの哲学と因果ネットワークの観点から再解釈することで、その最大の弱点である「真の因果的基盤の欠如」を修正したと主張しています。

「二変量」テストと「多変量」テストを強制的に一致させることで、彼らは（c-GCという）より騙されにくいツールを作り上げました。これは単に未来を予測するだけでなく、**「本当にこれが原因で、あれが起きたのか？」**という問いに対して、より強力で信頼できる答えを与えます。

著者は、この手法が観察データ（実験を行うことなく、ただ観察するだけのデータ）に使用する準備が整っており、脳や経済のような複雑なシステムを理解するための重要な一歩であると結論づけています。