技術的概要：PAIR-CI：不完全データを用いた因果発見のための較正された条件付き独立性テスト

1. 問題定義

制約ベースの手法（例：PC アルゴリズム）による因果発見は、因果グラフの骨格と向きを決定するために、条件付き独立性（CI）テストの連続に本質的に依存している。データが不完全である場合に重大なボトルネックが生じる。標準的なアプローチは通常、「まず補完し、次にテストする」というパラダイムに従う：欠損値が補完され、完了したデータに対して標準的な CI テストが適用される。

著者らは、このパラダイムに根本的な欠陥があることを特定している：較正の欠如である。補完モデルが誤指定されている場合（例：Missing Not At Random (MNAR) の条件下、または関数形が正しくない場合）、補完誤差はテスト変数間の偽の条件付き依存性を引き起こす。命題 1 は、これらの条件下では、いかなる一貫性を持つ CI テストも、漸近的に真の帰無仮説を確率 1 に近づけて棄却することを形式的に示している。これは、偽のエッジで満たされた因果グラフをもたらし、エッジの向き付け規則（Meek の規則）を通じて誤差が伝播し、下流の推論を損なう。テストごとの削除（データの犠牲と選択バイアスの誘発）や、条件付け集合を通じて入るバイアスを修正できない Rubin の規則と組み合わせた標準的な多重補完などの既存の解決策は、この構造的な問題を解決しない。

2. 手法：PAIR-CI

本論文は、ペア化置換設計を介して多重補完を推論手順に直接統合することで較正を回復するように設計された非パラメトリックな CI テスト、PAIR-CIを導入する。

中核メカニズム

このテストは、条件付け集合 $X$ が与えられたときのターゲット変数 $Z$ を予測する 2 つの交差検証モデルを比較する：

1. フルモデル：$(X, Y)$ を用いて $Z$ を予測する。
2. 部分モデル：$(\hat{X}, U)$ を用いて $Z$ を予測する。ここで、$\hat{X}$ は補完された条件付け集合、$U$ は「プラセボ」変数である。

主要な設計特徴：

• ペア化補完：両方のモデルは、同じ多重補完（MICE）プロセスから導出された全く同一の補完された条件付け集合 $\hat{X}$ を受け取る。これにより、補完誤差によって引き起こされるいかなるバイアスや歪みも、両モデルに同一の影響を与えることが保証される。
• 条件付き置換：プラセボ $U$ は、$\hat{X}$ 空間における $Y$ の $k$ 近傍間で $Y$ を条件付きに置換することで構築される。これにより、$X$ が与えられたときの $Y$ と $Z$ の間のリンクが切断されつつ、$Y$ の $X$ に対する周辺依存性は保持される。
• 損失の差分：テスト統計量は、フルモデルと部分モデル間のアウトオブサンプル損失（例：二値交差エントロピーまたは MSE）の差分である。両モデルが同じ補完された $\hat{X}$ を共有するため、補完に起因するバイアスは損失の差分において相殺され、テスト統計量を汚染することが防がれる。
• 統合された分散推定：テスト統計量は、$K$ 個の交差検証フォールドと $M$ 個の補完データセットにわたる損失の差分を集約する。著者らは、証明された一貫性を持つ補完内交差検証分散推定量（Bayle ら、2020）を、補間間変動のための Rubin の規則の中にネストさせる、新規の分散推定量を提案する。これは、フォールドの重複と補完変動の両方に起因する依存性を同時に考慮する。

理論的保証

• 較正：4 つの緩やかな正則性仮定（補完の一貫性、有界な損失、適切な補完、学習器の安定性）の下で、PAIR-CI は内部帰無仮説（$Z \perp\!\!\perp Y \mid \hat{X}$）に対して正確な漸近サイズを達成する。
• MNAR に対する頑健性：ペア化設計は、補完誤差が系統的ではなく観測間でランダムに変動する場合、MNAR の下でも科学的帰無仮説（$Z \perp\!\!\perp Y \mid X$）に対して較正を拡張する。
• 一貫性：このテストは対立仮説（$H_1$）の下で一貫性を持ち、サンプルサイズが増加するにつれて検出力は 1 に収束する。
• PC 一貫性：PC アルゴリズム内のオラクルとして使用される場合、PAIR-CI は標準的な忠実性の仮定の下で、真の完了部分有向非巡回グラフ（CPDAG）の回復を保証する。

3. 主要な貢献

本論文は、3 つの主要な貢献を概説している：

1. 較正された非パラメトリック CI テスト：PAIR-CI は、多重補完、交差検証、条件付き置換を単一のフレームワークに統合し、誤指定の下でも較正を維持する最初の手法である。これは、多様なデータ生成プロセス（DGP）と欠損メカニズムにわたって平均偽陽性率を 4% 以下に抑えるのに対し、既存の手法は MNAR 下で 28〜45% の率を示す。
2. 統合された分散推定：著者らは、交差検証と多重補完の分散推定を初めて形式的に統合した。Bayle ら（2020）の推定量を Rubin の規則の中に埋め込むことで、彼らは中程度の効果量において統計的検出力を 9〜10 パーセントポイント向上させ、較正を犠牲にすることなく $K=10$ フォールドを可能にする漸近的に正確な推定量を導出した。
3. 頑健な因果発見：実証結果は、PAIR-CI が、特に非線形設定においてグラフサイズが増加するにつれて、グラフ回復においてベースラインを大幅に上回ることを示している。

4. 実験結果

著者らは、3 つの段階の実験を通じて PAIR-CI を検証する：

A. 単体性能

線形ガウス、ポスト非線形、潜在交絡因子の DGP におけるシミュレーションにおいて、サンプルサイズ $n \in \{500, 5000\}$ で：

• 偽陽性率：PAIR-CI は、すべての欠損条件（完全、MAR、MNAR）にわたって平均 FPR を 4% 以下に維持する。対照的に、FZ-Rubin、GCM、KCI などのベースラインは、MNAR 下で 28〜45% の FPR を示す。
• 検出力：PAIR-CI は、信号強度が $\ge 0.6$ で $n \ge 2000$ の場合に 80% 超の検出力を達成する。仮定が完全に満たされている場合、パラメトリックテスト（例：Fisher の Z）よりも検出力は低いものの、較正されていないテストによる無意味な棄却を回避する。

B. 合成グラフ回復

Erdős–Rényi DAG（$p=10, 20, 30$）に対して PC アルゴリズムを使用：

• 非線形エッジ：PAIR-CI は、ベースラインと比較して構造的ハミング距離（SHD）を大幅に削減する。SHD のギャップはグラフサイズとともに拡大する：$p=10$ で 8% 削減、$p=30$ で 15%、56 変数の HAILFINDER ネットワークでは最大 44% 削減。
• 線形エッジ：条件付け集合が大きくなるにつれて、部分相関が信頼できなくなる中、PAIR-CI はベースラインと同等かそれ以上の性能を示す。
• 適合率 - 再現率：PAIR-CI は、他の手法を悩ませる偽エッジの伝播を回避する代償として、わずかに低い再現率を犠牲にして高い適合率（しばしば 1.0）を示す。

C. 実世界ベンチマーク

• ALARM ネットワーク（$p=37$）：PAIR-CI は、線形で SHD 22.5–24、非線形で 31–33.5 を達成し、すべての制約ベースのベースライン（SHD 30–62）を上回る。
• HAILFINDER ネットワーク（$p=56$）：PAIR-CI は SHD 62.5–65.5 を達成し、ベースラインの 103.5–128 と比較される。注目すべきは、完全ケース分析が同様の SHD（66）を達成するが、F1 スコアが 0.0（空の骨格）であることで、積極的なデータ削除の「あきらめることによる勝利」というアーティファクトを浮き彫りにしている。

5. 意義と主張

本論文は、PAIR-CI が、不完全データを用いた因果発見に対する較正されたアプローチを提供することで、自動化された科学的推論における重要なギャップを埋めると主張している。

• 動機：著者らは、「補完してからテストする」というパラダイムは、一般的な現実世界の条件（MNAR、関数の誤指定）の下で構造的に欠陥があり、信頼性の低い因果グラフにつながることを論じている。
• 範囲：この手法は因果的十分性（観測されていない交絡因子がないこと）を仮定するが、特定の発見アルゴリズムには依存せず、PC または FCI へのドロップイン型オラクルとして機能する。
• 限界：著者らは、PAIR-CI が較正のために、特に信号が弱い小サンプルや、関係が厳密に線形で欠損が MCAR/MAR（パラメトリックテストが優れている場合）である場合に、一部の検出力を犠牲にすることを認めている。また、この手法は補完誤差がランダムに変動するという仮定に依存しており、系統的な誤差（例：平均値補完によるもの）は依然として較正の欠如を引き起こし得ると指摘している。
• 結論：PAIR-CI は、欠損データの存在下で制約ベースの因果発見の信頼性を回復する、原理的な非パラメトリックな解決策を提供し、その性能向上はグラフの複雑性と非線形性とともに増大する。