[논문 리뷰] Causal inference for process understanding in Earth sciences

Adam Massmann, Pierre Gentine외 1명|arXiv (Cornell University)|2021. 05. 03.

Bayesian Modeling and Causal Inference참고 문헌 46인용 수 9

한 줄 요약

이 논문은 지구 과학 분야에서 전문가가 정의한 원인-결과 그래프를 사용하여 가정을 명확히 하고 분석을 체계화하며, 전체 원인 발견이 불가능한 상황에서도 원인 인과 추론을 가능하게 하자고 주장한다. 원인 인과 추론이 실현 가능한 세 가지 조건—제한된 상태공간 영향, 독립된 원인, 재구성 가능한 상태공간—을 규명하고, 원인 그래프가 복잡한 지구 시스템에서 과학적 엄밀성, 재현 가능성, 가설 검증을 향상시키는 방법을 보여준다.

ABSTRACT

There is growing interest in the study of causal methods in the Earth sciences. However, most applications have focused on causal discovery, i.e. inferring the causal relationships and causal structure from data. This paper instead examines causality through the lens of causal inference and how expert-defined causal graphs, a fundamental from causal theory, can be used to clarify assumptions, identify tractable problems, and aid interpretation of results and their causality in Earth science research. We apply causal theory to generic graphs of the Earth system to identify where causal inference may be most tractable and useful to address problems in Earth Science, and avoid potentially incorrect conclusions. Specifically, causal inference may be useful when: (1) the effect of interest is only causally affected by the observed portion of the state space; or: (2) the cause of interest can be assumed to be independent of the evolution of the system's state; or: (3) the state space of the system is reconstructable from lagged observations of the system. However, we also highlight through examples how causal graphs can be used to explicitly define and communicate assumptions and hypotheses, and help to structure analyses, even if causal inference is ultimately challenging given the data availability, limitations and uncertainties.

연구 동기 및 목표

• 지구 시스템 연구에서 원인 발견에서 원인 인과 추론으로의 초점을 전환하여 전문가가 정의한 원인 그래프를 활용하고자 한다.
• 부분 관측과 시스템의 복잡성에도 불구하고 원인 인과 추론이 실현 가능한 조건을 규명하고자 한다.
• 원인 그래프를 통해 가정을 체계화하여 과학적 소통, 재현 가능성, 가설 검증을 향상시키고자 한다.
• 원인 효과를 데이터에서 추정할 수 없더라도 원인 그래프가 분석을 체계화할 수 있음을 보여주고자 한다.
• 지구 과학 분야에서 고급 원인 인과 추론 기법(예: 이행성, 선택 편향 보정 등)을 도입하는 기초를 마련하고자 한다.

제안 방법

• 지구 시스템 내 알려진 물리적 관계를 방향성 있는 비순환 그래프(DAGs)로 표현하기 위해 그래픽스 원인 모델(do-calculus 기반, Pearl, 1995)을 사용한다.
• 관측 데이터로부터 원인에 대한 간섭 효과를 추정할 수 있는지 여부를 판단하기 위해 do-계산 원칙을 적용한다.
• 세 가지 조건을 통해 원인 인과 추론이 가능해지도록 규명한다: (1) 영향이 관측된 상태공간에 국한됨, (2) 원인이 시스템의 진화와 독립됨, (3) 지연된 관측치로부터 상태공간 재구성 가능함.
• 원인 그래프를 활용해 혼동요인과 선택 편향을 진단하고, 원인 효과의 식별 가능성을 평가한다.
• 실제 및 일반적인 지구 시스템 사례(예: 구름- aerosol-일광 복사)를 활용하여 그래프가 가정을 명확히 하고 분석 설계를 이끌어내는 방식을 설명한다.
• 연구 초기 단계에서 원인 그래프를 통합하여 실현 불가능한 연구를 피하고 데이터 수집 또는 모델링에 대한 자원 낭비를 줄이고자 한다.

실험 결과

연구 질문

• RQ1 시스템의 관측이 불완전한 상황에서도 지구 과학 분야에서 원인 인과 추론을 의미 있게 적용할 수 있는 조건은 무엇인가?
• RQ2 전문가가 정의한 원인 그래프는 지구 과학 연구의 명확성, 체계성, 재현 가능성에 어떻게 기여하는가?
• RQ3 원인 효과를 데이터에서 추정할 수 없더라도 원인 그래프는 가정을 어떻게 규명하고 전달할 수 있는가?
• RQ4 원인 인과 추론 방법은 지구 시스템 연구에서 선택 편향과 모델-데이터 불일치 등의 과제를 어떻게 해결하는 데 적응할 수 있는가?
• RQ5 물리 모델이 너무 복잡하거나 알려져 있지 않은 상황에서 원인 그래프는 지구 시스템 과정 간의 일반화된 기능적 관계를 어떻게 유도하는 데 기여할 수 있는가?

주요 결과

• 원인 그래프를 통해 데이터 수집 이전에 실현 가능한 원인 인과 추론 문제를 식별함으로써, 실현 불가능한 분석에 대한 낭비를 줄일 수 있다.
• 원인 효과가 영향을 받는 영역이 관측된 상태공간에 국한되어 있으면, 전체 시스템이 관측되지 않더라도 원인 인과 추론이 가능하다.
• 원인이 시스템의 진화와 독립된 것으로 간주될 수 있다면, 전체 상태공간을 재구성할 필요 없이 원인 효과를 추정할 수 있다.
• 지연된 관측치로부터 상태공간을 재구성할 수 있다면, do-계산 프레임워크 하에서 원인 인과 추론이 가능해진다.
• 원인 효과를 추정할 수 없더라도 원인 그래프는 가정을 전달하고 가설을 체계화하며 과학적 투명성을 향상시키는 데 여전히 유용하다.
• 원인 그래프는 물리 모델이 비가역적이거나 알려져 있지 않은 경우에도 간섭 기반 추론을 체계화함으로써 지구 시스템 변수 간의 일반화된 기능적 관계를 도출할 수 있는 길을 제공한다.