係数の先へ：非線形時系列モデルにおける解釈可能な因果発見のための予測必要性テスト

概要: 非線形の機械学習モデルは、時系列データにおける因果関係の発見にますます用いられている一方で、その出力の解釈はいまだ十分に理解されていません。特に、正則化されたニューラル自己回帰モデルによって生成される因果スコアは、しばしば回帰係数の類似物として扱われ、その結果として統計的有意性に関する誤解を招く主張につながることがあります。
本論文では、非線形時系列モデルにおける因果的関連性は、係数の大きさではなく「予測の必要性」によって評価されるべきだと主張し、そのための実用的な評価手順を提示します。我々は、系統的なエッジアブレーションと予測の比較に基づく解釈可能な評価フレームワークを提示し、候補となる因果関係が正確な予測に必要かどうかを検証します。ケーススタディとして Neural Additive Vector Autoregression を用いたモデルを取り上げ、このフレームワークを、139か国にわたる民主主義指標のパネルデータを多変量時系列としてモデル化した、民主主義の発展に関する実世界のケーススタディに適用します。因果スコアが類似している関係でも、冗長性、時間的な持続性、およびレジーム固有の効果によって、予測の必要性が大きく異なり得ることを示します。
本研究の結果は、予測の必要性テストが、応用AIシステムにおけるより信頼性の高い因果推論をどのように支えるかを示し、ハイステークス領域における非線形時系列モデルの解釈に関する実用的な指針を提供します。