[논문 리뷰] Data-Driven Causal Effect Estimation Based on Graphical Causal Modelling: A Survey

Debo Cheng, Jiuyong Li외 3명|arXiv (Cornell University)|2022. 08. 20.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 종합 검토는 부분적 또는 불확실한 인과 지식 하에서 그래픽 인과 모델을 사용한 데이터 기반 인과 효과 추정 방법에 대한 포괄적인 검토를 제시한다. 평균 치료 효과(Average Treatment Effect, ATE) 추정을 중심으로 하며, 핵심 이론을 통합하고, 혼동 변수와 잠재 변수를 다루는 방식에 따라 방법을 분류하며, 그 가정, 강점, 한계를 평가하여 관찰 데이터에서의 인과 추론을 위한 향후 연구의 기초를 제공한다.

ABSTRACT

In many fields of scientific research and real-world applications, unbiased estimation of causal effects from non-experimental data is crucial for understanding the mechanism underlying the data and for decision-making on effective responses or interventions. A great deal of research has been conducted to address this challenging problem from different angles. For estimating causal effect in observational data, assumptions such as Markov condition, faithfulness and causal sufficiency are always made. Under the assumptions, full knowledge such as, a set of covariates or an underlying causal graph, is typically required. A practical challenge is that in many applications, no such full knowledge or only some partial knowledge is available. In recent years, research has emerged to use search strategies based on graphical causal modelling to discover useful knowledge from data for causal effect estimation, with some mild assumptions, and has shown promise in tackling the practical challenge. In this survey, we review these data-driven methods on causal effect estimation for a single treatment with a single outcome of interest and focus on the challenges faced by data-driven causal effect estimation. We concisely summarise the basic concepts and theories that are essential for data-driven causal effect estimation using graphical causal modelling but are scattered around the literature. We identify and discuss the challenges faced by data-driven causal effect estimation and characterise the existing methods by their assumptions and the approaches to tackling the challenges. We analyse the strengths and limitations of the different types of methods and present an empirical evaluation to support the discussions. We hope this review will motivate more researchers to design better data-driven methods based on graphical causal modelling for the challenging problem of causal effect estimation.

연구 동기 및 목표

• 완전한 인과 지식(예: 완전한 인과 그래프 또는 모든 혼동 변수)이 확보되지 않은 관찰 데이터에서 편향 없는 인과 효과 추정의 과제를 해결하기 위해.
• 특히 충실성 가정과 마르코프 조건과 같은 가정 하에서 데이터 기반 인과 효과 추정과 관련된 산산이 흩어진 이론적 기초를 통합하기 위해.
• 인과 구조 학습의 불확실성, 계산 복잡성, 잠재적 혼동 변수 등 데이터 기반 인과 효과 추정의 핵심 과제를 특정하고 분석하기 위해.
• 평균 치료 효과(Average Treatment Effect, ATE) 추정에 중점을 두고, 방법의 가정, 방법론적 접근 방식, 성능을 평가하기 위해.
• 연구자들이 보다 나은 데이터 기반 인과 추론 방법을 선택하고 개발하는 데 안내할 수 있는 체계적인 개요와 실증 평가를 제공하기 위해.

제안 방법

• 관찰 데이터에서 인과 관계를 표현하기 위한 기초로 그래픽 인과 모델(DAGs, MAGs 등)을 체계적으로 검토한다.
• 인과 구조 학습의 불확실성을 다루는 방식에 따라 데이터 기반 방법을 분류하며, 제약 기반, 점수 기반, 하이브리드 검색 전략 등을 포함한다.
• 잠재적 혼동 요인을 해결하기 위해 공구 변수(Instrumental Variables, IVs)와 조건부 공구 변수를 통합한 방법을 분석하며, 잘못된 공구 변수를 수용할 수 있는 sisVIVE와 같은 접근 방식을 포함한다.
• 정확도와 내구성을 평가하기 위해 실제 인과 효과와 구조가 알려진 시뮬레이션 및 반-시뮬레이션 데이터셋(IHDP, Twins 등)을 사용하여 방법을 평가한다.
• 특히 잠재 변수가 있는 고차원 설정에서의 시간 복잡도와 확장성(스케일러빌리티)을 평가한다.
• 실제 데이터셋(Job training, 401(k), Schoolingreturns 등)을 사용한 실증 평가를 통해 방법을 비교하며, 도메인 지식을 통해 근사된 지식을 기반으로 진정한 기준을 설정한다.

실험 결과

연구 질문

• RQ1 완전한 인과 구조가 알려져 있거나 부분적으로 관찰되는 상황에서 그래픽 인과 모델 기반 데이터 기반 방법은 평균 치료 효과(Average Treatment Effect, ATE)를 어떻게 추정하는가?
• RQ2 이러한 방법의 배경이 되는 핵심 가정(예: 충실성, 마르코프 조건, 인과적 충분성)은 무엇이며, 이는 추정 정확도에 어떻게 영향을 미치는가?
• RQ3 관찰 데이터에서 인과 효과 추정 시 잠재적 혼동 변수와 잘못된 공구 변수는 어떻게 다루는가?
• RQ4 데이터 기반 인과 추론에서 방법론적 복잡성, 계산 효율성, 추정 정확도 사이의 상호 상충 관계는 어떠한가?
• RQ5 실제 데이터셋에서 진정한 기준 인과 효과가 존재하지 않는 상황에서 어떻게 의미 있는 실증 평가를 수행할 수 있는가?

주요 결과

• 그래픽 인과 모델 기반 데이터 기반 인과 효과 추정 방법은 인과 구조의 부분적 지식이 있을 경우에도 ATE를 효과적으로 추정할 수 있으며, 특히 공구 변수 기법과 조합할 경우 더욱 유용하다.
• sisVIVE와 같은 방법은 잘못된 공구 변수가 존재하더라도 강건성을 유지하므로, 측정되지 않은 혼동 변수가 존재하는 실생활 응용에 적합하다.
• IHDP 및 Twins와 같은 반-시뮬레이션 데이터셋에서의 실증 평가 결과, 많은 데이터 기반 방법이 합리적인 정확도를 달성하지만, 데이터 품질과 배경 가정에 따라 성능이 크게 달라진다.
• 실제 데이터셋에서는 진정한 기준이 없어 신뢰할 수 있는 평가가 제한되며, 기존 벤치마크는 도메인 지식이나 실증 추정치를 대체로 사용한다.
• 시간 복잡도는 여전히 주요 과제이며, 특히 고차원 설정에서의 구조 학습에 있어 일부 방법의 확장성에 제약을 가한다.
• 본 종합 검토는 현재 방법들이 충실성 및 인과적 충분성 등의 가정에 여전히 제약을 받고 있으며, 추정의 타당성을 유지하면서도 이러한 가정을 완화할 수 있는 추가 연구가 필요하다는 점을 밝혀냈다.