Consistent Bayesian causal discovery for structural equation models with equal error variances

Resumo Técnico: Descoberta Causal Bayesiana Consistente para Modelos de Equações Estruturais com Variâncias de Erro Iguais

1. Problema Investigado

O artigo aborda o problema de descoberta causal a partir de dados puramente observacionais. O objetivo é recuperar a estrutura causal verdadeira (representada por um Grafo Acíclico Direcionado ou DAG) entre um conjunto de variáveis.

O foco específico do trabalho são os Modelos de Equações Estruturais Lineares (SEMs) acíclicos, onde:

• Os termos de erro são independentes.
• Os erros não precisam ser Gaussianos (podem seguir qualquer distribuição com média zero e variância finita).
• Hipótese Chave: Todos os termos de erro possuem variâncias iguais (assunção de variância de erro igual).

Embora seja conhecido que, sob essa hipótese de variância igual, o DAG verdadeiro é identificável de forma única (ao contrário do caso geral onde apenas a classe de equivalência de Markov é identificável), a literatura carecia de um método bayesiano com garantias teóricas de consistência (convergência para o DAG verdadeiro à medida que o tamanho da amostra cresce) sob essa configuração, especialmente quando o modelo de trabalho assume normalidade, mas os dados reais não são.

2. Metodologia Proposta

Os autores propõem uma abordagem de seleção de DAGs bayesiana que opera sob um "modelo de trabalho" (working model) que pode ser diferente da geração real dos dados, mas que permite inferência consistente.

• Modelo de Trabalho: Assume-se um SEM linear com erros Gaussianos e variâncias iguais.
• Priors (Prioris):
  • Coeficientes do SEM: Utilizam-se priors $g$ independentes para cada conjunto de coeficientes de regressão associados a um nó. Especificamente, $b_j | \theta, D_j \sim N(0, g\theta (D_j^T D_j)^{-1})$.
  • Variância do Erro: Utiliza-se uma prior não informativa de Jeffreys ($\pi(\theta) \propto 1/\theta$).
  • Prior sobre o DAG: Assume-se uma prior genérica sobre o espaço de DAGs ($\Gamma_p$), desde que atribua massa positiva a todos os DAGs (ex: prior uniforme).
• Cálculo da Verossimilhança Marginal: Devido à conjugação das priors com o modelo gaussiano, a verossimilhança marginal para cada DAG $\gamma$ é obtida em forma fechada. Ela depende de uma estatística de erro quadrático mínimo (SSE) e do número de arestas no grafo.

3. Contribuições Teóricas Principais

O artigo apresenta dois teoremas fundamentais que sustentam a metodologia:

Teorema 1: Propriedade de Minimização de Erro
Os autores provam (com uma nova técnica de prova baseada na fatoração de Cholesky) que, sob a hipótese de variâncias de erro iguais:

• A soma dos erros quadráticos mínimos esperados (ao prever cada variável com a melhor combinação linear de seus pais) é minimizada se e somente se o grafo considerado for um supergrafo do DAG verdadeiro ($\gamma^*$).
• Ou seja, qualquer grafo que contenha todas as arestas verdadeiras (e possivelmente mais) atingirá o valor mínimo de erro, que é igual à soma das variâncias de erro ($p\sigma^2$). Grafos que não são supergrafos terão um erro estritamente maior.

Teorema 2: Consistência da Seleção de DAGs
Este é o resultado central do trabalho. Os autores demonstram que, se o parâmetro $g$ do prior for escolhido como $g = n$ (onde $n$ é o tamanho da amostra):

• A probabilidade posterior do DAG verdadeiro ($\gamma^*$) converge para 1 em probabilidade, à medida que $n \to \infty$.
• Isso ocorre mesmo que os erros reais não sejam Gaussianos. O método é robusto à má especificação do modelo (model misspecification).
• A prova utiliza a relação entre a razão de Bayes e a estatística de erro quadrático ($R_n^\gamma$) derivada no Teorema 1. O termo de penalidade de complexidade (número de arestas) e o crescimento do parâmetro $g$ garantem que DAGs incorretos sejam rejeitados exponencialmente rápido.

4. Resultados Empíricos (Estudo de Simulação)

Os autores validaram a teoria através de simulações:

• Configuração: Um DAG verdadeiro com 3 nós e uma estrutura linear específica.
• Distribuições de Erro: Foram testados erros com distribuições não-Gaussianas (Laplace e distribuição t de Student), mantendo variâncias iguais.
• Resultados:
  • Para tamanhos de amostra crescentes ($n = 1600, 3200, 6400, 12800$), a probabilidade posterior do DAG verdadeiro convergiu rapidamente para 1.
  • Os boxplots das probabilidades posteriores mostraram uma concentração forte em torno de 1, confirmando a consistência teórica na prática.

5. Significado e Impacto

• Preenchimento de Lacuna Teórica: A literatura de aprendizado de estrutura bayesiana focou historicamente em modelos Gaussianos ou em métodos frequentistas para casos não-Gaussianos. Este trabalho fornece a primeira garantia de consistência para um método bayesiano sob a hipótese de variância de erro igual, sem exigir normalidade dos dados.
• Robustez: O método demonstra que assumir um modelo Gaussiano como "modelo de trabalho" é suficiente para recuperar a estrutura causal verdadeira, desde que a hipótese de variâncias iguais seja válida, mesmo que os dados reais sejam altamente não-Gaussianos.
• Aplicabilidade: Oferece uma ferramenta estatística rigorosa para áreas como neurociência, genética e economia, onde a descoberta causal é crucial e os dados frequentemente violam a normalidade, mas podem satisfazer a condição de variâncias de erro homogêneas.

6. Limitações e Trabalhos Futuros

O artigo sugere extensões para:

• Cenários de alta dimensão ($p > n$) com pressupostos de esparsidade.
• Modelos SEM não-lineares.
• Grafos cíclicos e SEMs não recursivos.
• Presença de variáveis latentes (confundidores) e erros correlacionados.

Em suma, o trabalho estabelece uma base teórica sólida para a descoberta causal bayesiana consistente em um cenário comum (variâncias iguais), superando a barreira da necessidade de normalidade dos dados.