[논문 리뷰] Causal Inference in the Presence of Latent Variables and Selection Bias

Peter Spirtes, Christopher Meek외 1명|arXiv (Cornell University)|2013. 02. 20.

Bayesian Modeling and Causal Inference참고 문헌 21인용 수 188

한 줄 요약

이 논문은 관측된 변수들 간의 조건부 독립 및 종속 관계를 활용하여 잠재 변수와 선택 편향이 존재하는 상황에서도 신뢰할 수 있는 인과적 추론을 위한 방법을 제시한다. 비관측된 혼란 변수와 선택 효과가 존재하더라도 인과 경로의 존재나 부재를 확신 있게 추론할 수 있는 충분조건을 수립하며, 부분 관측 조건 하에서 인과 발견에 대한 강력한 프레임워크를 제공한다.

ABSTRACT

We show that there is a general, informative and reliable procedure for discovering causal relations when, for all the investigator knows, both latent variables and selection bias may be at work. Given information about conditional independence and dependence relations between measured variables, even when latent variables and selection bias may be present, there are sufficient conditions for reliably concluding that there is a causal path from one variable to another, and sufficient conditions for reliably concluding when no such causal path exists.

연구 동기 및 목표

• 잠재 혼란 변수와 선택 편향이 관측 데이터에 영향을 미칠 수 있는 상황에서 인과 발견을 위한 신뢰할 수 있는 절차를 개발하는 것.
• 비관측 인과 요인이 존재하더라도 두 변수 간의 인과 경로 존재 또는 부재를 결론 내리기 위한 충분조건를 규명하는 것.
• 비관측된 혼란 변수나 선택 편향이 없는 것으로 가정하는 것 이상의 인과 발견 방법을 확장하는 것.
• 부분 관측 조건과 잠재적 구조 하에서도 유효성과 정보성 유지가 가능한 형식적 프레임워크를 제공하는 것.
• 데이터 생성 과정에 숨겨진 변수와 선택 효과가 포함되어 있어도 인과성에 대한 결론이 정보적이고 신뢰할 수 있도록 보장하는 것.

제안 방법

• 방법은 관측된 변수들 간의 조건부 독립 및 종속 관계를 분석하여 인과적 구조를 추론하는 데 기반한다.
• 충실성 가정과 조건부 독립 검증을 바탕으로 한 타당하고 완전한 알고리즘 프레임워크를 사용한다.
• 선택 메커니즘이 관측된 조건부 독립 관계에 미치는 영향을 모델링하여 선택 편향에 대한 조정을 통합한다.
• PC 알고리즘과 유사한 제약 기반 방법을 확장하여 잠재 변수와 선택 편향을 동시에 다룰 수 있도록 한다.
• 잠재 혼란과 선택 편향 하에서도 유효한 v-구조 및 방향성 규칙을 식별한다.
• X에서 Y로의 인과 경로가 신뢰성 있게 추론되거나 배제될 수 있는지를 판단하기 위한 일련의 그래프 기반 기준을 적용한다.

실험 결과

연구 질문

• RQ1 잠재 혼란 변수가 존재할 때, 한 관측 변수에서 다른 관측 변수로의 인과 경로를 신뢰성 있게 추론할 수 있는 조건는 무엇인가?
• RQ2 선택 편향을 인과 발견 알고리즘에 공식적으로 통합하여 잘못된 인과적 결론을 피할 수 있는 방법은 무엇인가?
• RQ3 비관측된 혼란 변수나 선택 효과로 인한 진정한 인과 경로와 오염된 연관성 간을 구분할 수 있는 기준은 무엇인가?
• RQ4 잠재 변수와 선택 편향이 데이터에 영향을 미칠 경우에도 인과 추론의 신뢰성과 정보성을 유지할 수 있는가?
• RQ5 숨겨진 혼란 요인이 존재하는 상황에서 두 변수 간의 인과 경로 부재를 결론 내리기 위한 충분한 그래프 기반 및 조건부 독립 제약 조건은 무엇인가?

주요 결과

• 논문은 잠재 변수와 선택 편향이 존재하더라도 한 변수에서 다른 변수로의 인과 경로 존재를 안정적으로 결론 내릴 수 있는 충분조건를 수립한다.
• 동일한 조건 하에서 두 변수 간에 인과 경로가 존재하지 않는다는 것을 안정적으로 결론 내릴 수 있는 충분조건를 제공한다.
• 비관측된 혼란 변수와 선택 편향이 데이터 생성 과정에 영향을 미칠 경우에도 인과 발견의 신뢰성과 정보성을 유지한다.
• 잠재 변수의 전체 지식이 필요 없이 관측된 조건부 독립 및 종속 관계만으로도 인과적 구조를 식별할 수 있다.
• 선택 편향과 잠재 혼란을 인과 발견 과정에 통합함으로써 기존의 제약 기반 방법을 일반화한다.
• 결과적으로, 숨겨진 변수와 선택 효과가 복잡하게 얽힌 데이터 제약 조건 하에서도 인과 추론이 가능하고 정보적인 결과를 도출할 수 있음을 보여준다.