[논문 리뷰] Causal Inference through a Witness Protection Program

Ricardo Silva, Robin J. Evans|arXiv (Cornell University)|2014. 06. 02.

Bayesian Modeling and Causal Inference참고 문헌 36인용 수 14

한 줄 요약

이 논문은 관찰 데이터에서의 조건부 이상독립성을 활용하여, 더 유연한 충실성 가정 하에 평균 인과효과(ACE)의 사후 범위를 생성하는 새로운 인과추론 방법인 증인보호프로그램(WPP)을 소개한다. 경로 상쇄를 위한 이완 매개변수를 모델링하고 선형계획법과 베이지안 추론을 융합함으로써, 점추정자보다 모형 오특정에 덜 민감한 강건하고 정직한 범위를 제공한다.

ABSTRACT

One of the most fundamental problems in causal inference is the estimation of a causal effect when variables are confounded. This is difficult in an observational study, because one has no direct evidence that all confounders have been adjusted for. We introduce a novel approach for estimating causal effects that exploits observational conditional independencies to suggest "weak" paths in a unknown causal graph. The widely used faithfulness condition of Spirtes et al. is relaxed to allow for varying degrees of "path cancellations" that imply conditional independencies but do not rule out the existence of confounding causal paths. The outcome is a posterior distribution over bounds on the average causal effect via a linear programming approach and Bayesian inference. We claim this approach should be used in regular practice along with other default tools in observational studies.

연구 동기 및 목표

• 관찰 연구에서 혼란요인이 관측되지 않거나 부분적으로 측정될 때 인과효과를 추정하는 데 도전하는 데 목적을 둔다.
• 인과발견에서 사용되는 엄격한 충실성 가정을 완화하여, 여전히 조건부 이상독립성을 암시하는 다양한 정도의 경로 상쇄를 允허한다.
• 유한 표본 조건 하에서 불안정할 수 있는 점추정자에 의존하지 않고, 계산적으로 효율적인 사후 기반의 평균인과효과(ACE) 경계를 제공하는 데 목적을 둔다.
• 도구변수 추론을 선형계획법과 베이지안 추론과 융합하여 보수적이며 해석 가능한 경계를 생성하는 프레임워크를 개발하는 데 목적을 둔다.
• 정보성과 모형에 대한 강건성 사이의 균형을 고려한 실용적이고 기본적인 도구를 관찰 연구에 제공하는 데 목적을 둔다.

제안 방법

• 이론적 충실성의 부분적인 위반을 모델링하기 위해 이완 매개변수(εw, εx, εy, β)를 도입하여, 인과경로가 완전히 차단되지 않은 상태에서도 조건부 이상독립성이 가능하도록 한다.
• 관찰 데이터로부터 잠재적 도구변수 구조(예: W → X → Y)를 식별하기 위해 Entner 등이 제안한 조건부 이상독립성 규칙을 사용한다.
• 관측된 조건부 이상독립성과 이완 매개변수에서 유도된 제약 조건 하에서 ACE에 대한 날카로운 경계를 계산하기 위해 선형계획법을 응용한다.
• 전체 수치 최적화를 피하기 위해 메시지 전달 유사 업데이트 방식을 활용하는 기호적 근사법을 개발하여 계산 속도를 향상시킨다.
• 이완 매개변수에 비모수적 베이지안 계층모형을 적용하고, 비정보성 사전분포(예: [0,1] 구간에서 균일분포)를 사용하여 경계에 대한 사후분포를 도출한다.
• 후보 증인 변수(예: DM, RENAL)를 평가하는 알고리즘을 통해 모형 선택을 지원하고, MCMC 샘플링을 통해 민감도 분석을 수행한다.

실험 결과

연구 질문

• RQ1 측정되지 않은 혼란요인이 존재할 수 있지만 조건부 이상독립성이 관측될 경우, 평균인과효과에 대한 경계를 어떻게 추정할 수 있는가?
• RQ2 관찰 데이터에서 유효한 인과경계를 도출하기 위해 충실성 가정을 어느 정도 완화할 수 있는가?
• RQ3 선형계획법과 베이지안 추론을 융합하여 계산적으로 효율적인 방법을 개발할 수 있는가? 이는 인과효과에 대한 강건하고 정직한 경계를 제공할 수 있는가?
• RQ4 약한 또는 숨겨진 혼란요인이 존재할 경우, 이완 매개변수가 도출된 경계의 날카움과 해석 가능성에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 단순한 도구변수 사슬(W → X → Y)을 넘어, 인과적 순서가 알려지지 않은 더 복잡한 인과구조로 일반화될 수 있는가?

주요 결과

• 이 방법은 평균인과효과(ACE)에 대한 사후분포를 성공적으로 생성하였으며, 하한 경계의 95% 신뢰구간이 0을 포함하여 인과효과 존재 여부에 대한 불확실성을 반영한다.
• 실제 인플루엔자 백신 데이터에 적용한 결과, 사후 평균 ACE는 -0.0007이며 표준편차는 0.0009로, 잠재적인 유해효과를 시사하지만 구간이 넓게 퍼져 있다.
• 증인 변수 DM을 사용한 결과, ACE에 대한 기대 사후구간은 [0.01, 0.02]로 나타나 소규모이지만 정의의 효과를 나타내지만 여전히 불확실성이 존재한다.
• 이완 매개변수의 추정 평균은 각각 0.38(εw), 0.02(εx = εy), 0.99(β)로 나타나 충실성 가정이 중간 정도로 완화된 것으로 나타났다.
• 기호적 근사법은 정확도를 유지하면서도 계산 비용을 크게 감소시켜 더 큰 문제에 대한 확장성을 확보했다.
• 모형 오특정 상황에서 점추정자보다 우수한 성능을 보였으며, 강력한 가정을 피함으로써 약한 도구변수나 숨겨진 혼란요인 존재하더라도 강건성을 유지했다.