[논문 리뷰] Causal Consistency of Structural Equation Models

Paul K. Rubenstein, Sebastian Weichwald외 5명|arXiv (Cornell University)|2017. 07. 04.

Bayesian Modeling and Causal Inference참고 문헌 2인용 수 32

한 줄 요약

이 논문은 구조적 방정식 모델(SEM) 간 정확한 변환을 제안하여, 미시적에서 거시적, 시계열에서 평형 상태, 그리고 변수를 통합한 모델 등 다양한 수준의 모델링 간 인과적 일관성을 확보한다. 또한 순환적 SEM이 비순환 모델의 정확한 변환으로 나타날 수 있음을 증명함으로써 순환적 구조에 대한 인과적 해석을 가능하게 하고, 간섭 및 변수 정의에서 발생하는 일관성 문제를 해결한다.

ABSTRACT

Complex systems can be modelled at various levels of detail. Ideally, causal models of the same system should be consistent with one another in the sense that they agree in their predictions of the effects of interventions. We formalise this notion of consistency in the case of Structural Equation Models (SEMs) by introducing exact transformations between SEMs. This provides a general language to consider, for instance, the different levels of description in the following three scenarios: (a) models with large numbers of variables versus models in which the `irrelevant' or unobservable variables have been marginalised out; (b) micro-level models versus macro-level models in which the macro-variables are aggregate features of the micro-variables; (c) dynamical time series models versus models of their stationary behaviour. Our analysis stresses the importance of well specified interventions in the causal modelling process and sheds light on the interpretation of cyclic SEMs.

연구 동기 및 목표

• SEM 간 정확한 변환을 통해 다양한 모델 수준 간(예: 미시적 대비 거시적, 시계열 대비 평형 상태) 인과적 일관성을 체계화한다.
• 콜레스테롤 및 심장병 연구에서 관찰된 바와 같이, 모호하거나 정확하지 않은 변환으로 인해 발생하는 인과 모델링의 일관성 문제를 해결한다.
• 더 세부적인 기초 모델에 비해 거시적 수준 또는 단순화된 모델이 인과적으로 타당한지 판단할 수 있는 엄밀한 프레임워크를 제공한다.
• 비순환 모델의 정확한 변환으로서 순환 SEM이 유도될 수 있음을 보여줌으로써 순환 SEM의 해석을 명확히 한다.
• 다른 모델 수준에서의 간섭이 일관된 인과적 예측을 도출할 수 있는 조건을 설정한다.

제안 방법

• 두 SEM 간 정확한 변환의 개념을 도입하며, 이는 간섭 순서 집합(Pτ(X) ≅ PY) 간의 이somorphism을 요구한다.
• 한 SEM(MX)의 변수를 다른 SEM(MY)의 변수로 매핑하는 변환 τ를 정의하여, MY에서의 간섭이 MX에서 잘 정의된 간섭에 대응되도록 한다.
• 순서를 유지하는 사상 ω를 사용하여, MY에서의 간섭이 MX의 인과적 구조를 반영하도록 하여 인과적 일관성을 유지한다.
• 세 가지 표준 사례에 프레임워크를 적용한다: 관측되지 않은 변수의 통합, 미시 변수의 거시 변수로의 집계, 시계열 모델에서 정적 평형 모델로의 변환.
• 각 사례에서 표준 가정(예: 동적 모델에서의 일정한 노이즈) 하에 변환이 정확함을 증명한다.
• 순환적 SEM이 비순환 모델의 정확한 변환으로 나타날 수 있음을 보이며, 이는 기초가 되는 비순환 과정을 통해 시간적 해석을 가능하게 한다.

실험 결과

연구 질문

• RQ1 거시적 수준의 SEM이 미시적 수준의 SEM에서 정확한 변환으로서 유도될 수 있는 조건은 무엇인가, 이를 통해 인과적 일관성이 보장되는가?
• RQ2 단순화되거나 집계된 모델에서의 간섭이 전체 모델의 간섭으로 일관되게 매핑될 수 있는 조건은 무엇인가?
• RQ3 정적 평형 모델이 시간에 따라 변화하는 동적 모델의 인과적으로 일관된 변환으로서 유도될 수 있는 조건은 무엇인가?
• RQ4 기저 성분(LDL, HDL 등)이 상반된 영향을 미칠 때, 복합 변수(예: 총 콜레스테롤)를 사용하는 연구에서 갈등하는 인과적 결론이 발생하는 이유는 무엇인가?
• RQ5 변수 간 시간적 순서가 없는 순환 SEM이 어떻게 인과적으로 해석될 수 있는가?

주요 결과

• SEM 간 정확한 변환은 간섭 순서 집합 간 이somorphism으로 특징지어지며, 이는 다양한 모델 수준 간 인과적 일관성을 보장한다.
• 통계역학의 표준 가정과 충분통계량의 조건 하에, 미시 모델에서 거시 모델로의 집계 변환은 정확하다.
• 노이즈 과정이 일정할 경우, 시계열 모델에서 정적 평형 모델로의 변환은 정확하며, 이는 평형 모델을 인과적 기술로 사용하는 데 정당성을 부여한다.
• 순환적 SEM은 비순환 모델의 정확한 변환으로 나타날 수 있으며, 이는 기초가 되는 비순환 과정을 참조함으로써 순환적 구조에 대한 인과적 해석을 가능하게 한다.
• 간섭 효과가 충돌하는 인과적 결론(예: 총 콜레스테롤이 심장병에 미치는 영향이 모순됨)은 LDL와 HDL를 합으로만 측정하는 등의 정확하지 않은 변환으로 인해 발생한다.
• 이 프레임워크는 인과적 일관성 검증을 가능하게 하며, 원본 모델, 변환, 단순화된 모델 중 두 개가 주어지면 나머지 하나는 정확성 조건을 충족해야 인과적 타당성이 보장된다.