# 動的因果推論 Navigation: [[index]] | [[concepts/_index|concepts]] ## 定義 動的因果推論（Dynamic Causal Inference）とは、変数間の因果的な有向依存関係が時間とともにどう変化するかを推定する枠組みであり、時変ベクトル自己回帰（time-varying VAR）やネットワーク自己回帰（network autoregression）を代表例とする。静的な因果構造の推定（[[因果発見]]）とは異なり、時間変化する影響 $A_\ell(t)$ を主対象とし、インパルス応答関数（IRF）や反実仮想軌道といった「モデルへの摂動に対する挙動」を通じて評価される。多くの既存手法は、基礎となる因果ネットワークが事前に既知であることを仮定するが、この仮定は政治システム・生態ネットワーク・社会過程など因果構造そのものが不確実・調査対象である領域では満たされないことが多い。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) DCNAR（Dynamic Causal Network Autoregression）は、この「構造は既知」という前提を外すための二段階フレームワークである。第一段階でニューラル加法自己回帰因果発見（NAVAR）により疎な有向因果ネットワーク $\hat G$ をデータから学習し、第二段階でこれを構造事前分布として時変ネットワーク自己回帰（tvNAR）を制約する。構造は「仮定されたもの」でも「暗黙的なもの」でもなく、下流の動的挙動を通じて間接的に検証可能な「学習された反証可能な構造仮説」として扱われる。 ## 横断的知見 - **動的因果推論の科学的評価基準は予測精度から行動診断（behavioral diagnostics）へ転換されつつある**: DCNAR は、予測誤差や尤度といった従来の予測中心の評価基準だけでは因果モデルの科学的妥当性を判定するのに不十分であると主張する。代わりに、インパルス応答の滑らかな減衰・符号一貫性、反実仮想軌道の有界性・解釈可能性、構造変化・摂動に対する定性的挙動の安定性という3つの行動診断を提案する。予測精度が同等の複数モデルが、因果的解釈に関して全く異なる挙動（振動・符号反転・爆発的発散）を示しうることが実証されており、予測性能は科学的有用性の必要条件であって十分条件ではないという立場を取る。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) - **「因果構造を既知として仮定する」「暗黙構造のブラックボックスモデルに頼る」「静的な仮定済みネットワークを使う」という3つの既存戦略はいずれも、動的因果推論において構造的不確実性を扱えない**: 係数ベースの時変VARは係数の大きさに構造解釈が依存し直接効果と間接効果を混同する。RNN/LSTM等の暗黙構造モデルは強い予測性能を持つが有向因果構造に対応する明示的なオブジェクトを生成しない。専門知識由来の固定隣接行列は構造変化への適応や未知関係の発見を排除する。DCNAR はこれらと異なり、データ駆動で学習した明示的構造を「反証可能な構造事前分布」として動的推論に組み込むことで、これら3戦略のトレードオフを回避する。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) - **エッジ単位の時間変化とノード単位の時間変化は識別可能性とデータ要求量のトレードオフにある**: DCNAR が採用する tvNAR は時間変化をノード固有の影響パラメータ $\Lambda(t)$（$O(N)$ パラメータ）としてモデル化し、特定の変数ペア間の有向関係自体の時間変化（完全なエッジ単位の時間変化には $O(N^2)$ パラメータが必要）は捉えない。この設計判断は、短期・不均質なパネルデータ（139カ国×35年）という不良設定な状況での識別可能性を優先した結果であり、低ランクの時変相互作用構造への緩和は識別可能性を保ちながら表現力を高める自然な拡張として位置づけられている。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) ## 未解決の問い - **学習構造の品質が低い場合の下流動的推論への影響の定量化**: DCNAR は学習構造を「反証可能な構造事前分布」として扱うが、因果発見段階自体の品質（疎性の妥当性、真の構造との乖離）が動的推論の信頼性にどの程度影響するかは体系的に評価されていない。安定性・必要性診断による対処は進行中の研究課題として言及されるのみ。(Source: [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]) - **ノード単位からエッジ単位の時間変化への一般化と識別可能性の両立**: 低ランクの時変相互作用構造による拡張は「別稿で開発中」とのみ言及されており、具体的な識別可能性条件やサンプル効率のトレードオフは未検証。 - **Granger 因果的推論と完全に識別された構造的因果モデルとの関係の精緻化**: DCNAR が推定する因果関係は経験的・行動的なものであり、真の構造的因果性を回復する保証はない。両者のギャップがどのような条件下で埋まる（あるいは埋まらない）かは未解決。 - **時系列基盤モデル・アモータイズド因果発見との統合可能性**: [[アモータイズド因果発見]]の系統は事前学習された基盤モデルで因果グラフを推論するが、DCNAR のような二段階（発見→動的推論）パイプラインとアモータイズド発見をどう組み合わせるかは未検証。 ## 関連 - [[因果発見]] — DCNAR の第一段階が用いる静的構造推定の基礎理論。DCNAR は因果発見の出力を「最終的な推論対象」ではなく「動的推論のための構造事前分布」として再利用する点で、因果発見単独の応用とは異なる - [[時系列推論]] — 時系列データに対するモデルの解釈・推論能力を扱う上位概念。動的因果推論はその因果的側面に特化した分野 - `structures/` 参照: 因果推論・時系列解析に関連する MOC があれば一方向リンクで接続 ## 出典 - [[@2026__KDD__From Causal Discovery to Dynamic Causal Inference in Neural Time Series]]（Zaytsev, Kuskova, Coppedge — ニューラル因果発見と時変ネットワーク自己回帰を統合する二段階フレームワーク DCNAR。V-Dem 多国間パネルデータでの実証。予測精度ではなく行動診断による評価を提案）