Orientability of Causal Relations in Time Series using Summary Causal Graphs and Faithful Distributions

Dit artikel presenteert theoretische voorwaarden die garanderen dat micro-niveau causale relaties in tijdreeksen kunnen worden georiënteerd op basis van een samenvattend causaal graf en een trouwe verdeling, zelfs bij aanwezigheid van cycli of bidirectionele randen op macro-niveau.

De kern

De Causale Kaart van de Tijd: Hoe Experts en Data Samen Werken

Stel je voor dat je een enorme, ingewikkelde stad probeert te begrijpen. Je hebt een kaart van de stad (de Summary Causal Graph of SCG), maar deze kaart is erg vaag. Hij laat alleen zien welke wijken met elkaar verbonden zijn, maar niet welke weg precies naar welke deur leidt. Is het een eenrichtingsstraat? Is het een tweerichtingsverkeer? Of is het een doodlopende weg?

In de wereld van data, vooral bij tijdreeksen (zoals temperatuurmetingen, beurskoersen of hartslaggegevens), is dit precies het probleem. We weten dat dingen elkaar beïnvloeden, maar we weten vaak niet hoe en in welke richting.

Dit paper van Timothée Loranchet en Charles Assaad is als een slimme gids die je vertelt: "Zelfs met die vaagheid op je kaart, kunnen we toch zeker weten welke wegen eenrichtingsverkeer zijn, zolang we maar een paar regels volgen."

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Grote" Kaart vs. De "Kleine" Straten

Stel je voor dat je twee steden hebt: Stad X en Stad Y.

• Op je grote kaart (SCG) zie je een pijl van X naar Y, en misschien ook een pijl terug. Dit betekent: "Er is een relatie tussen deze steden."
• Maar in de werkelijkheid bestaan er duizenden kleine wegen tussen de huizen in die steden. Soms gaat een weg van een huis in X naar een huis in Y, en soms andersom. Soms is het een tweerichtingsverkeer.

De onderzoekers willen weten: Kunnen we, alleen door naar de grote kaart te kijken en wat statistische tests te doen, zeker weten of een specifieke weg tussen twee huizen (bijvoorbeeld Vandaag in X en Vandaag in Y) eenrichtingsverkeer is?

2. De Oplossing: De "Geloofwaardige" Gids

De auteurs zeggen: "Ja, dat kan!" Maar ze hebben twee belangrijke voorwaarden nodig:

1. De Geloofwaardigheid (Faithfulness): De data moet eerlijk zijn. Als er geen relatie is, moet de data dat ook laten zien. Geen rare toevalscoïncidenties die de waarheid verbergen.
2. De Expert-Kennis (De SCG): We hebben de vaagheid van de grote kaart nodig als startpunt.

3. De Drie Regels voor Zekerheid (De Magische Sleutels)

De paper geeft drie scenario's waarin je 100% zeker weet dat een weg eenrichtingsverkeer is, zelfs als de grote kaart een tweerichtingsverkeer (een dubbele pijl) toont.

Situatie A: De Eenzame Weg (Geen zelfsluizen)
Stel je voor dat Stad X en Stad Y met elkaar verbonden zijn, maar geen van beide heeft een weg die naar zichzelf terugloopt (geen "self-loop").

• De Analogie: Als je in een stad loopt en er is geen weg die je terugbrengt naar waar je vandaan kwam, en je ziet dat er een weg is van X naar Y, dan is die weg waarschijnlijk eenrichtingsverkeer. De auteurs bewijzen wiskundig dat als er geen "rondjes" zijn binnen de steden zelf, je de richting van de verbinding tussen de steden altijd kunt bepalen.

Situatie B: De Buren met Verschillende Ouders
Stel je voor dat Stad X en Stad Y allebei een "ouder" hebben (een andere stad die hen beïnvloedt).

• De Analogie: Stel dat Stad Z een ouder is van X, maar niet van Y.
• Als Z een ouder is van X, maar niet van Y, dan is de relatie tussen X en Y vaak te ontrafelen. Het is alsof je ziet dat de "ouders" van X anders zijn dan die van Y; dit geeft je genoeg informatie om te weten welke weg de hoofdweg is.

Situatie C: De Algemene Regel
Als je aan deze voorwaarden voldoet, kun je de "micro-kaarten" (de specifieke wegen tussen tijdstippen) volledig inrichten, zelfs als de "macro-kaart" (de grote steden) nog steeds vaag lijkt.

4. Wanneer Lukt Het NIET? (De Uitzondering)

Er is één situatie waarin je vastloopt. Dit is als:

1. De grote kaart een dubbele pijl toont (tweerichtingsverkeer).
2. En beide steden hebben een weg die naar zichzelf terugloopt (een "self-loop").
3. En ze hebben precies dezelfde "ouders".

In dit geval is het alsof je in een spiegelbeeld staat. Alles is perfect symmetrisch. Zelfs met de beste data en de beste gids kun je niet zeggen welke kant de wind waait. De richting blijft onzeker. Maar de auteurs zeggen: "Maakt niet uit, dit gebeurt zelden! Minder dan 2% van alle mogelijke kaarten zit in deze val."

5. Waarom is dit nuttig? (De Praktijk)

Waarom moeten we hierover nadenken?

• Beslissingen nemen: Als je weet dat een medicijn (X) echt een ziekte (Y) veroorzaakt en niet andersom, kun je beter behandelen.
• Efficiëntie: Je hoeft niet elke weg in de stad te meten. Als je weet dat de "grote kaart" en de regels uit dit paper zeggen dat een weg eenrichtingsverkeer is, hoef je geen dure experimenten te doen om dat te bewijzen. Je kunt je tijd besteden aan de wegen waar je echt twijfelt.
• Betrouwbaarheid: Het geeft wetenschappers een veiligheidsnet. Ze kunnen zeggen: "We weten niet alles, maar voor deze specifieke relaties weten we het zeker."

Conclusie

Dit paper is als een slimme sleutel die je helpt de deuren van de tijdreeks-data te openen. Het laat zien dat je, zelfs als je niet de volledige blauwdruk hebt, toch veel zekerheid kunt krijgen door slim te kijken naar de "grote lijnen" (de expertkennis) en een paar simpele regels toe te passen.

Het is een manier om van "misschien" naar "zeker" te gaan, zodat we betere beslissingen kunnen nemen in de wereld van gezondheid, economie en technologie.

Technische samenvatting

Probleemstelling

Het begrijpen van causale relaties tussen tijdsreeksen is een fundamentele uitdaging in de analyse van tijdreeksen, vooral wanneer de volledige causale structuur (de "Full-Time DAG" of FT-DAG) onbekend is. Hoewel experts vaak in staat zijn om een hoog-niveau abstractie van deze structuur te geven, bekend als een Samenvattende Causale Grafiek (Summary Causal Graph - SCG), bevat deze grafiek minder informatie dan de onderliggende FT-DAG.

De kernproblemen zijn:

1. Onvolledige informatie: SCGs abstraheren micro-niveau details (specifieke tijdstippen) en kunnen cycli en bidirectionele randen bevatten, wat de identificatie van de exacte richting van causale effecten bemoeilijkt.
2. Beperkingen van causal discovery algoritmen: Algoritmen zoals tPC (een tijdsreeks-versie van het PC-algoritme) kunnen onder bepaalde aannames (zoals causaliteit en trouw) een FT-MPDAG (Maximally Oriented Partially Directed Acyclic Graph) reconstrueren. Echter, zelfs met deze algoritmen en de SCG als achtergrondkennis, blijven sommige randen (vooral "instantane" randen tussen variabelen op hetzelfde tijdstip $X_t - Y_t$) ongedirigeerd.
3. De vraag: Kan men vooraf (voordat men een causal discovery-algoritme draait) garanderen dat een specifieke rand in de FT-MPDAG gedirigeerd zal zijn, puur op basis van de SCG en de aannames van de verdeling?

Methodologie

De auteurs combineren de structurele beperkingen van een SCG met statistische aannames om de oriënteerbaarheid van randen te analyseren.

Aannames:

• Causale volledigheid (Causal Sufficiency): Geen ongemeten verstorende variabelen.
• Trouw (Faithfulness): Alle conditionele onafhankelijkheden in de data worden veroorzaakt door de causale structuur.
• Stationariteit: De causale mechanismen veranderen niet over de tijd (als $X_{t'} \to Y_t$ bestaat, dan bestaat $X_{t'-\ell} \to Y_{t-\ell}$ ook).

Concepten:

• FT-DAG: De volledige graaf met een knoop voor elke variabele op elk tijdstip.
• SCG: Een graaf waar elke knoop een hele tijdreeks vertegenwoordigt. Randen kunnen gericht ($S_X \to S_Y$), bidirectioneel ($S_X \leftrightarrow S_Y$) of met een self-loop ($S_X \to S_X$) zijn.
• FT-MPDAG: De graaf die alle mogelijke oriëntaties bevat die consistent zijn met zowel de data (via conditional independence tests) als de achtergrondkennis (de SCG).
• s-oriënteerbaarheid (s-orientability): Een nieuwe definitie die bepaalt of een rand $X_t \to Y_t$ in elke mogelijke FT-MPDAG die compatibel is met de SCG en een trouwe verdeling, noodzakelijk gedirigeerd is.

Analyse:
De auteurs analyseren de voorwaarden waaronder instantane randen ($X_t - Y_t$) in de FT-MPDAG gedwongen worden om een richting te krijgen, gebruikmakend van regels zoals de UC-Rule (voor onbeschermd colliders) en Meek's regels, in combinatie met de topologie van de SCG.

Belangrijkste Bijdragen en Resultaten

Het paper levert theoretische garanties voor de oriëntatie van randen op micro-niveau (tijdsreeks variabelen) gebaseerd op macro-niveau kennis (SCG).

1. Lemma's en Voorwaarden voor Oriënteerbaarheid:
De auteurs identificeren drie scenario's waarin een instantane rand $X_t - Y_t$ gegarandeerd gedirigeerd is (s-oriënteerbaar):

• Lemma 1: Als de SCG een gerichte rand heeft ($S_X \to S_Y$), dan is de corresponderende micro-rand $X_t \to Y_t$ altijd gedirigeerd.
• Lemma 2: Als de SCG een bidirectionele rand heeft ($S_X \leftrightarrow S_Y$) maar geen self-loops heeft op beide knoppen tegelijkertijd, dan is de micro-rand gedirigeerd. De afwezigheid van self-loops zorgt ervoor dat er onbescherde colliders of ketens ontstaan die de richting bepalen via Meek-regels.
• Lemma 3: Als er een bidirectionele rand is ($S_X \leftrightarrow S_Y$) en er bestaat een ouder $S_Z$ van $S_X$ die geen ouder is van $S_Y$, dan is de micro-rand gedirigeerd. De asymmetrie in de ouder-schikking forceert een richting via de structuur van de FT-DAG.

2. Hoofdstelling (Theorem 1):
De auteurs bewijzen dat de bovenstaande voorwaarden noodzakelijk en voldoende zijn. Een instantane rand $X_t - Y_t$ is niet s-oriënteerbaar (d.w.z. kan ongedirigeerd blijven) als en slechts als aan alle drie de volgende voorwaarden wordt voldaan:

1. Er is een bidirectionele rand in de SCG ($S_X \leftrightarrow S_Y$).
2. Beide knoppen hebben een self-loop in de SCG ($S_X \to S_X$ en $S_Y \to S_Y$).
3. De verzameling ouders van $S_X$ en $S_Y$ in de SCG is identiek ($Pa(S_X) = Pa(S_Y)$).

In dit specifieke geval is het onmogelijk om de richting van de instantane rand te garanderen zonder extra informatie, omdat er compatibele FT-DAGs bestaan met beide richtingen.

3. Identificeerbaarheid van Causale Effecten:
De resultaten worden toegepast op de kwantificering van causale effecten:

• Totale effecten: Als alle buren van de behandeling in de SCG s-oriënteerbaar zijn, is het totale effect identificeerbaar (via het backdoor-criterium).
• Gestuurde directe effecten: Als alle buren van het resultaat s-oriënteerbaar zijn, is het gestuurde directe effect identificeerbaar.
  Dit biedt eenvoudigere criteria dan eerdere methoden die complexere pad-analyses vereisten.

4. Statistische Relevantie:
De auteurs tonen aan dat niet-oriënteerbare gevallen zeldzaam zijn. Bij SCGs met 5 knoppen is minder dan 2% van de configuraties niet volledig s-oriënteerbaar.

Significantie en Implicaties

• Theoretische Garantie: Het paper biedt een wiskundig onderbouwde manier om te voorspellen of causal discovery-algoritmen succesvol zullen zijn in het bepalen van de richting van causale relaties, nog voordat de data-analyse plaatsvindt.
• Efficiëntie: Onderzoekers kunnen hun inspanningen richten op de delen van de grafiek waar oriëntatie mogelijk is, en weten dat ze in de zeldzame "niet-oriënteerbare" gevallen geen tijd hoeven te verspillen aan het hopen op een oplossing via standaard algoritmen zonder extra kennis.
• Waarde van Expertkennis: Het benadrukt dat zelfs "vage" expertkennis (zoals een SCG met cycli) waardevol is. Zelfs bij bidirectionele relaties kan de richting op micro-niveau worden afgeleid als er geen self-loops zijn of als er asymmetrie in de ouders is.
• Praktische Toepassing: De resultaten zijn direct toepasbaar in domeinen zoals epidemiologie en ICU-monitoring, waar het onderscheid tussen oorzaak en gevolg cruciaal is voor besluitvorming, maar waar volledige FT-DAGs vaak onbekend zijn.

Beperkingen:
De resultaten zijn afhankelijk van de aannames van causaliteit, trouw en stationariteit. De methode gaat er ook van uit dat de SCG correct is; als de expertkennis in de SCG onjuist is (bijv. een rand die niet bestaat in de werkelijkheid), kunnen de afgeleide oriëntaties fout zijn.

Kortom, dit werk vult een belangrijke kloof tussen hoog-niveau causale abstracties en gedetailleerde tijdsreeksanalyse, en biedt een robuust kader voor het maximaliseren van de informatie die uit observationele data kan worden gehaald.