[논문 리뷰] Causal Inference and Data Fusion in Econometrics

Paul Hünermund, Elias Bareinboim|arXiv (Cornell University)|2019. 12. 19.

Advanced Causal Inference Techniques인용 수 18

한 줄 요약

이 논문은 인공지능에서 비롯된 do-계산법과 데이터 융합 기법을 통합하여 경제학에서 원인 분석을 위한 통합적 비모수적 프레임워크를 제안한다. 이는 관찰 자료, 실험 자료, 선택 편향이 있는 표본과 같은 다양한 이질적 자료원에서 그래픽 모델을 사용하여 자동으로 원인 효과를 식별할 수 있게 하여, 관측되지 않은 혼란 변수, 이행 가능성, 자료 이질성 문제를 해결함으로써传통적인 경제학적 방법의 한계를 극복한다.

ABSTRACT

Learning about cause and effect is arguably the main goal in applied econometrics. In practice, the validity of these causal inferences is contingent on a number of critical assumptions regarding the type of data that has been collected and the substantive knowledge that is available. For instance, unobserved confounding factors threaten the internal validity of estimates, data availability is often limited to non-random, selection-biased samples, causal effects need to be learned from surrogate experiments with imperfect compliance, and causal knowledge has to be extrapolated across structurally heterogeneous populations. A powerful causal inference framework is required to tackle these challenges, which plague most data analysis to varying degrees. Building on the structural approach to causality introduced by Haavelmo (1943) and the graph-theoretic framework proposed by Pearl (1995), the artificial intelligence (AI) literature has developed a wide array of techniques for causal learning that allow to leverage information from various imperfect, heterogeneous, and biased data sources (Bareinboim and Pearl, 2016). In this paper, we discuss recent advances in this literature that have the potential to contribute to econometric methodology along three dimensions. First, they provide a unified and comprehensive framework for causal inference, in which the aforementioned problems can be addressed in full generality. Second, due to their origin in AI, they come together with sound, efficient, and complete algorithmic criteria for automatization of the corresponding identification task. And third, because of the nonparametric description of structural models that graph-theoretic approaches build on, they combine the strengths of both structural econometrics as well as the potential outcomes framework, and thus offer an effective middle ground between these two literature streams.

연구 동기 및 목표

• 관측되지 않은 혼란 변수, 선택 편향, 인구의 이질성 등 지속적인 과제를 해결하기 위해.
• 원인 다이어그램에 기반한 비모수적 그래픽 기반 접근을 통해 구조적 경제학과 잠재적 결과 프레임워크를 통합하기 위해.
• 인공지능에서 유래한 알고리즘 기준을 활용하여 원인 분석의 식별 과정을 자동화하기 위해.
• 원인 효과의 이행 가능성과 외삽을 정형화하여 여러 연구와 인구 간의 데이터 융합을 촉진하기 위해.
• 불완전하고 비랜덤이며 구조적으로 이질적인 자료를 체계적으로 통합하여 원인 효과를 추정하는 방법론을 제공하기 위해.

제안 방법

• 구조적 원인 모델을 표현하기 위해 방향성 비순환 그래프(DAGs)를 사용하여 조건부 독립성과 원인 관계를 비모수적으로 기록한다.
• do-계산법—세 가지 추론 규칙로 구성된 집합—을 적용하여 원인 질문(P(Y|do(X)))를 관측 가능한 자료 분포를 사용해 추정 가능한 표현식으로 기호적으로 변환한다.
• do-연산자를 사용하여 구조적 방정식을 상수 값으로 대체함으로써 간섭을 정형화하고, 반대적 상황 추론을 가능하게 한다.
• 공통된 구조적 메커니즘을 식별함으로써 이질적인 인구 간 원인 효과의 외삽을 가능하게 하는 이행 가능성 이론을 도입한다.
• 관찰 자료, 실험 자료, 선택 편향이 있는 자료원을 하나의 추정 가능한 표현식으로 통합하기 위해 데이터 융합 기법을 활용한다.
• 완전성과 효율성에 기반한 알고리즘 기준을 사용하여, 비모수적 가정 없이도 식별 과정의 자동화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 선택 편향이나 관측되지 않은 혼란 변수가 존재할 경우 원인 효과는 어떻게 식별하고 추정할 수 있는가?
• RQ2 비모수적 그래픽 모델을 사용하여 구조적 경제학과 잠재적 결과 접근법을 통합한 통합 프레임워크를 개발할 수 있는가?
• RQ3 완전한 구조적 메커니즘에 대한 지식 없이도 do-계산법과 같은 알고리즘 규칙을 통해 원인 분석을 얼마나 자동화할 수 있는가?
• RQ4 인구 간 구조적 차이가 존재할 경우 한 인구에서의 원인 지식을 다른 인구로 타당하게 이행할 수 있는가?
• RQ5 다양한 자료원 간의 원인 추정의 강건성과 일반화 가능성을 향상시키는 데 데이터 융합이 어떤 역할을 하는가?

주요 결과

• do-계산법은 원인 질문을 추정 가능한 표현식으로 변환하기 위한 완전하고 타당한 규칙 집합을 제공하여 원인 효과의 자동 식별을 가능하게 한다.
• 그래픽 모델은 원인 관계를 비모수적으로 표현할 수 있게 하여 유연성을 유지하면서도 분석적 엄밀성을 확보한다.
• 이행 가능성 이론은 공통된 메커니즘을 식별함으로써 이질적인 인구 간 원인 효과의 타당한 외삽을 가능하게 한다.
• 데이터 융합 기법을 통해 관찰 자료, 실험 자료, 선택 편향이 있는 자료를 통합하여 단일 자료원에서 식별할 수 없는 원인 효과를 추정할 수 있다.
• 인공지능 기반 원인 분석 도구와 경제학적 방법론의 통합은 완전 자동화되고 신뢰성 있으며 일반화 가능한 원인 추정으로 이르는 길을 열어준다.
• 이 프레임워크는 비모수적 기능 형태 가정 없이도 치료 효과의 이질성을 자연스럽게 수용할 수 있다.