Causal Discovery via Statistical Power (CDSP)

技術的概要：統計的検出力による因果発見（CDSP）

問題定義
観測データから因果方向を推論することは、科学分野における根本的な課題である。機能的因果発見手法は、構造的非対称性（例えば、原因とノイズの独立性）を利用して方向性を特定するが、通常、強いモデル仮定（例えば、正しい関数形式の指定、非循環性、観測されない交絡の不存在）に依存している。既存のアプローチの決定的な限界は、これらの仮定が違反された場合、特に頑健な統計的推論と不確実性の定量化が欠如している点にある。従来の手法は、軽度から中程度のモデル誤指定下では信頼性の高い方向性証拠を提供できず、既存の不確実性定量化技術（ブートストラップ安定性や信頼区間など）も、基礎となる作業モデルが誤指定されている場合、誤解を招く可能性がある。

手法
著者らは、因果方向の推定を「方向性の検出可能性」という問題として再定義する統計的推論フレームワークである**統計的検出力による因果発見（CDSP）**を導入する。この手法は、以下の理論的および手続的柱に基づいている：

1. 仮説検定フレームワーク： このアプローチは、2 つの変数 $X$ と $Y$ に対する一対の仮説検定として因果発見を定式化する。方向 $X \to Y$ に対して、帰無仮説 $H_0^Y$ は、予測変数 $X$ が残差 $\eta$（ここで $Y = m(X) + \eta$）と独立であり、かつモデルクラスが正しく指定されていると仮定する。逆方向 $Y \to X$ も同様に検定される。
2. 効果量非対称性の仮定： 理論的な中核的貢献は、効果量非対称性の仮定である。従来の非対称性の仮定が、正しい方向では母集団検定統計量がゼロであり、逆方向では非ゼロであることに依存するのに対し、CDSP は、帰無仮説からの標準化された偏差（効果量）が、誤った方向において正しい方向よりも大きいと仮定する。
   • 正しい方向では、帰無仮説の違反は、モデル誤指定（もしあれば）のみから生じる。
   • 誤った方向では、帰無仮説の違反は、予測変数と残差の内在的な依存関係およびモデル誤指定の両方から生じる。
   • この仮定は、誤った方向の方が帰無仮説からより強く逸脱しており、棄却されやすいことを示している。
3. 方向性検出力と検出可能性： 著者らは、手順が真の因果方向を正しく支持する確率を方向性検出力と定義する。効果量非対称性の仮定の下では、この確率が誤った方向を支持する確率を上回ることを示す。
4. 推定手順（アルゴリズム 1）：
   • 点推定： この手法は、両方向について方向性検出可能性指数（$I_{X,n}$ および $I_{Y,n}$）を推定する。これらの指数は、推定された母集団検定統計量（例えば、ヒルベルト・シュミット独立性基準、HSIC）と臨界値との差を、漸近標準偏差で標準化したものとして定義される。
   • 決定則： より大きな検出可能性指数を持つ方向が、推定された因果方向として選択される。
   • 不確実性の定量化： このフレームワークは、ノンパラメトリックブートストラップを通じて推定される方向性支持確率（$\hat{P}_{CDSP}$）を提供する。この値は、選択された方向の推定検出可能性指数が代替案のそれを超えるブートストラップ標本の割合を表す。これは、曲線下面積（AUC）に類似した信頼度の尺度であり、「ほとんどまたは全くの分離がない」（約 0.5）から「非常に強い支持」（$\ge 0.9$）までの範囲を持つ。

主要な貢献

• 理論的フレームワーク： 本論文は、因果発見と統計的検出力の間のリンクを確立し、モデル誤指定下でも信頼性の高い方向検出の条件として効果量非対称性の仮定を導入する。
• 頑健性： 理論的結果（定理 1）は、効果量非対称性が成り立つ場合、サンプルサイズが増加するにつれて方向を正しく特定する確率が 1 に収束することを示している。
• 不確実性の定量化： CDSP は、サンプリング変動とモデル誤指定を考慮した、形式的で解釈可能な方向性支持の尺度（$\hat{P}_{CDSP}$）を提供し、現在の機能的因果発見文献におけるギャップを埋める。
• 一致性： 著者らは、標準的な正則条件の下で、方向推定量とブートストラップに基づく支持確率の両方の一致性を証明する。

結果
本論文は、シミュレーションと実データ分析を通じて CDSP を評価する：

1. シミュレーション（線形モデルの誤指定）：

   • データは、非線形性の度合いを変化させて（$d \in \{1, 1.2, \dots, 1.5, 3\}$）生成された。
   • 頑健性： CDSP は、軽度から中程度の誤指定下で高い精度を維持した（$d \le 1.3$ で 100%、$d=1.4$ で 88%）。これに対し、DirectLiNGAM は $d=1.25$ から急激に失敗し（精度 0%）、機能しなくなった。
   • サンプルサイズ： サンプルサイズを増加させることで、中程度の誤指定領域における CDSP の精度が向上し、検出可能性指数の順序付けが安定化した。
   • 重度の誤指定： 重度の誤指定下（$d=3$）では、効果量非対称性の仮定が崩壊し、両手法とも誤った推論に至り、この手法の限界が浮き彫りになった。

2. 実データ（チュービンゲン因果ペア）：

   • 全データセット（100 ペア）： CDSP は、真の発見率（TDR）62%、**偽発見率（FDR）38%**を達成し、LiNGAM の TDR 44%、FDR 56% と比較された。CDSP は LiNGAM に対して FDR を約 18% 削減した。
   • ほぼ線形な部分セット（34 ペア）： 両手法とも性能が向上したが、CDSP は依然として顕著な優位性を維持した（FDR 20.6% 対 LiNGAM の 38.2%）。
   • 不確実性の較正： 誤り率が高い多くのペアに「非常に強い」支持を割り当てた LiNGAM のブートストラップ率とは異なり、CDSP の $\hat{P}_{CDSP}$ は、支持の強さと精度の間に明確な相関を示した（支持カテゴリーが高いほど FDR が低い）。

意義と主張
本論文は、CDSP がモデル誤指定に対して頑健であり、意味のある不確実性の定量化を提供する、統計的に原理的な因果方向推定の基盤を提供すると主張する。理想化された仮定下での厳密な識別可能性から、統計的検出力による方向性の検出可能性へと焦点を移すことで、このフレームワークは研究者が、データが一方の因果方向を他方よりも支持するのに十分な情報を含んでいるかどうかを判断することを可能にする。

著者らは、CDSP が最も有益なのは、従来の手法がしばしば静かに失敗する軽度から中程度のモデル誤指定の領域であると強調する。このフレームワークは、すべての条件下（例えば、重度の誤指定や観測されない交絡）での因果発見を解決すると主張するものではなく、方向性証拠の信頼性を評価するための診断ツールを提供するものである。本論文は、CDSP が、仮定が完全に満たされていない場合でも、データが因果推論に十分な証拠を提供するかどうかを学習するためにそのような手法の使用を促す、検出力に動機づけられた統計的フレームワークへの第一歩を表すと結論づけている。