Correlation-induced suppression of Granger causality and Gaussian transfer entropy

技術要約：相関に起因するグレンジャー因果性とガウス型転移エントロピーの抑制

問題提起
複雑な動的システムにおいて、グレンジャー因果性（GC）と転移エントロピー（TE）は、時系列データから方向性のある相互作用を推論するための標準的なツールである。しかし、これらの手法は、保持された変数で条件付けを行った後の、ソースによる「固有の」予測への貢献量を定量化するものである。著者らは、変数が相関している場合、これらの予測的因果性の推定値が、介入ベースまたは応答ベースの尺度と比較して大幅に減衰するという系統的な限界を特定している。この乖離は、変数が共通の変動を共有する高次元システムにおいて、因果的影響を過小評価する可能性につながる。演算子論的フレームワークである動的因果効果（DCE）は、システムのプロパゲーター（伝播関数）に因果性を基礎付けているが、これら演算子ベースの尺度と標準的な予測的尺度の間の定量的な架け橋が欠けていた。

手法
本論文は、システムのプロパゲーター（状態遷移行列）から直接因果的応答を測定する線形演算子因果解析（LOCA）フレームワークを利用し、演算子ベースの因果性と予測的尺度の間の閉じた関係式を導出している。

1. 理論的導出:

   • 演算子メトリック ($F^{op}$): 因果的応答の信号対雑音比（SNR）として定義される。線形確率過程 $x_{k+1} = Ax_k + \epsilon_k$ において、ソース $s$ からレシーバー $r$ への演算子因果性は、$F^{op}_{s \to r} = \text{tr}(A_{rs} \Sigma_s A_{rs}^T) / \text{tr}(\Sigma_{\epsilon r})$ である（ここで $\Sigma_s$ はソース共分散、$\Sigma_{\epsilon r}$ はノイズ共分散を示す）。
   • グレンジャー因果性 ($F^{GC}$): 制限されたモデルからソースを除外した際の予測誤差分散の相対的な増加量として導出される。
   • ペナルティ恒等式: 2次元線形システムにおいて、著者らは $F^{GC}_{y \to x} = F^{op}_{y \to x} (1 - \rho^2)$ となることを証明した。ここで $\rho$ はソースとレシーバーのピアソン相関係数である。
   • N次元への一般化: この結果は、条件付け変数（$o$）を持つ高次元システムへと拡張される。条件付きグレンジャ因果性は $F^{GC}_{s \to r|o} = F^{op}_{s \to r} (1 - P_{s \to r|o})$ となることが示され、$P$ は保持された予測変数によって説明されるソース共分散の割合（一般化された $R^2$）である。これにより、単調な順序関係 $F^{GC}_{s \to r|o} \leq F^{GC}_{s \to r} \leq F^{op}_{s \to r}$ が確立される。
   • 転移エントロピー: 結合ガウス過程において、TEはGCの単調変換であることが示されている。したがって、同様の共分散の順序付けにより、ガウス型TEの上界が得られる：$TE_{s \to r|o} \leq TE^{op}_{s \to r}$。

2. 検証と応用:

   • 線形化Burgersチェイン: 対流流をモデル化した確率的移流拡散チェインを用いる。対流の移動時間ピークにおいて、下流のセル（ソースの遅延コピーを含む）で条件付けを行うと、GCは演算子応答に対して36.6%抑制される。
   • 非線形音響Burgers: 有限振幅の音波における厳密なCole-Hopf解を用いて、真の非線形性とセンサーノイズの下でのフレームワークをテストする。本研究は、適合された線形サロゲートに対してペナルティ恒等式が非線形性の大きさに関わらず成立することを確認している。決定的なのは、ペナルティが非線形性の度合いではなく、測定の相関構造（例：衝撃波面の急峻さ vs ソースのジッター）によって支配されていることである。比率ベースのペナルティ指標は、演算子デバイアス（偏り除去）後にはセンサーノイズに対して頑健であるが、絶対的な因果量の大きさはノイズに非常に敏感であることが示された。
   • 安静時fMRI: Human Connectome Project (HCP) データ（80領域、10被験者）に適用し、脳結合における抑制を定量化する。他のすべての保持された変数で条件付けた場合、単一ラグのグレンジャ因果性は、平均して演算子応答よりも73.0%低くなる。

主な結果

• 定量的乖離: 本論文は、演算子ベースの因果性と予測的尺度の間の不一致が、モデルの誤設定によるアーティファクトではなく、相関の直接的な結果であることを確立している。「ペナルティ」は数学的に、他の保持された変数から予測可能なソース分散の割合として定義される。
• 単調な順序付け: フルステートが観測されている限り、条件付け変数を追加することは、抑制（ペナルティ）を増大させることはあっても、減少させることはない。
• 非線形性と相関: 非線形音響伝搬において、演算子とグレンジャ尺度の間のギャップは、非線形パラメータ自体ではなく、相関構造（例：波形形状やソースのジッターによってプローブがいかに強く共変動するか）によって決定される。
• ノイズへの頑健性: 絶対的な演算子およびグレンジャの大きさは、センサーノイズ（変数誤差問題）によって激しくバイアスを受けるが、デバイアス後の比率ベースのペナルティ $P$ は安定しており、ノイズの多い環境において因果的影響の「固有性」を評価するためのより信頼できる指標となる。
• 実証的な大きさ: fMRIデータにおいて、抑制は相当なものであり（3分割条件付けで平均73%）、これは標準的な条件付きグレンジャ因果性が、高度に相関した脳ネットワークにおける真の演算子応答を著しく過小評価していることを示している。

意義
著者らは、本研究が予測的尺度と演算子ベースの因果的尺度の間の「定量的な架け橋」を提供すると主張している。その意義は、高次元システムにおいて、なぜ、そしてどの程度、予測的尺度（GC/TE）が介入ベースの尺度（LOCA/DCE）と異なるのかを明らかにすることにある。本論文は、強い共通の変動（対流流や安静時脳ネットワークのような）を持つシステムにおいて、予測的尺度は、ソースが他の変数から予測できない分散のみに帰せられるため、因果的影響を系統的に過小評価すると論じている。このフレームワークは、神経科学、物理学、工学の各分野で見られる不一致に対する統一的な解釈を提供しており、「ペナルティ」は因果的指標自体の失敗ではなく、システムの相関構造の根本的な特性であることを示唆している。