[논문 리뷰] Comparing Causal Frameworks: Potential Outcomes, Structural Models, Graphs, and Abstractions

Duligur Ibeling, Thomas Icard|arXiv (Cornell University)|2023. 06. 25.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 루빈 인과모델(RCM)과 구조적 인과모델(SCM) 사이의 공식적인 이론적 관계를 수립하며, 모든 RCM가 조작성과 가역성 원칙을 만족하는 표현 가능한 RCM의 추상화로 간주될 수 있음을 보여준다. 주요 결과로는, SCM 대수적 제약 조건을 위반하는 RCM들조차도 표현 가능한 RCM의 추상화로 나타남을 증명하여, 중립적인 논리적 언어와 반대적 추론의 완전성 결과를 통해 두 프레임워크를 조율한다.

ABSTRACT

The aim of this paper is to make clear and precise the relationship between the Rubin causal model (RCM) and structural causal model (SCM) frameworks for causal inference. Adopting a neutral logical perspective, and drawing on previous work, we show what is required for an RCM to be representable by an SCM. A key result then shows that every RCM -- including those that violate algebraic principles implied by the SCM framework -- emerges as an abstraction of some representable RCM. Finally, we illustrate the power of this conciliatory perspective by pinpointing an important role for SCM principles in classic applications of RCMs; conversely, we offer a characterization of the algebraic constraints implied by a graph, helping to substantiate further comparisons between the two frameworks.

연구 동기 및 목표

• 루빈 인과모델(RCM)과 구조적 인과모델(SCM) 사이의 이론적 관계를 명확히 하여, 오랫동안 지속된 두 모델의 동치성에 대한 논의를 해결한다.
• RCM가 SCM로 표현될 수 있는 정확한 조건을 규명하며, 조작성 및 가역성 원칙에 집중한다.
• SCM 대수적 제약 조건을 위반하는 RCM들이 표현 가능한 RCM의 추상화로 나타남을 보여주어 개념적 및 형식적 차이를 조율한다.
• 반대적 확률에 대한 프레임워크 중립적 논리 언어를 개발하여 RCM 및 SCM 가정 간 직접 비교를 가능하게 한다.
• RCM 및 표현 가능한 RCM에 대한 완전성 결과를 제공하고, 그래프에 의해 암시되는 대수적 제약 조건을 특성화하여 두 프레임워크의 이론적 통합을 진전시킨다.

제안 방법

• 반대적 추론에 대한 공식적 언어를 사용하여 RCM 및 SCM 프레임워크를 사전 편향 없이 비교하는 중립적 논리적 시각을 채택한다.
• 조작성 및 가역성 원칙을 만족하는 RCM을 표현 가능한 RCM로 정의하며, 이는 SCM에 통합되기 위한 필수 및 충분 조건이다.
• 원인 추상화 개념을 도입하여 일부 RCM이 SCM 대수적 제약 조건을 충족하지 못하는 이유를 설명한다 — 즉, 저수준의 원인적 세부 정보가 생략되었을 때이다.
• 정리 1 증명: 모든 RCM는 조작성 및 가역성 원칙을 만족하는 표현 가능한 RCM의 구성적 추상화이다. 이는 표현 불가능한 RCM가 유효한 SCM 통합 모델의 추상화에서 유래됨을 보여준다.
• 완전성 결과 설정: 정리 2는 언어가 모든 RCM에 대해 완전함을 보여주며, 보조정리 2는 표현 가능한 RCM에 대한 완전성을 보여준다.
• 정리 3을 통해 그래프에 의해 암시되는 대수적 제약 조건을 특성화하며, SWIG에서의 그래픽적 분리(d-분리)를 반대적 분포에서의 조건부 독립성과 연결한다.

실험 결과

연구 질문

• RQ1 어떤 조건에서 RCM가 SCM로 표현될 수 있으며, 조작성, 가역성 등 어떤 원칙이 필요할까?
• RQ2 SCM 대수적 제약 조건을 위반하는 RCM들이 여전히 SCM과 의미적으로 관련될 수 있는 방법은 무엇이며, 추상화는 어떤 역할을 할까?
• RQ3 그래픽적 가정(예: SWIG에서의 d-분리)과 반대적 분포에서의 대수적 제약 조건 사이의 정확한 관계는 무엇인가?
• RQ4 공통의 형식적 언어가 RCM 및 SCM 프레임워크 간의 추론을 통합할 수 있을까? 이 언어에서 완전성을 달성할 수 있을까?
• RQ5 원인 그래프에 의해 암시되는 대수적 제약 조건을 완전히 특성화하기 위해 필요한 최소 원칙은 무엇인가?

주요 결과

• 정리 1은 모든 RCM가 조작성 및 가역성 원칙을 만족하는 표현 가능한 RCM의 구성적 추상화임을 보여주며, 상호 불일치에 대한 우려를 해결한다.
• 논문은 SUTVA 가정을 양호한 변수 추상화 조건으로 해석할 수 있음을 보여주며, 고전적 RCM 가정과 현대 추상화 이론을 연결한다.
• 정리 2는 프레임워크 중립적 언어가 모든 RCM에 대해 타당하고 완전함을 증명하여 반대적 추론에 대한 완전한 논리적 추론을 가능하게 한다.
• 보조정리 2는 표현 가능한 RCM 하위집합에 대한 완전성을 확립하며, SCM 원칙이 그들의 논리적 구조를 완전히 포괄함을 보여준다.
• 정리 3은 그래프에 의해 암시되는 대수적 제약 조건의 부분적 특성화를 제공하며, SWIG에서의 d-분리와 반대적 분포에서의 조건부 독립성 간의 연결을 맺는다.
• 정리 4는 단일세계간섭도(SWIGs)가 동일한 논리 언어에 대해 완전성 결과를 도출함을 보여주며, RCM 및 SCM 시각 간의 호환성을 강화한다.