[논문 리뷰] Decision-theoretic foundations for statistical causality

A. P. Dawid|arXiv (Cornell University)|2020. 04. 26.

Bayesian Modeling and Causal Inference참고 문헌 50인용 수 10

한 줄 요약

이 논문은 교환 가능성과 무시 가능성 가정 하에 관찰 데이터를 사용한 보조 의사결정 문제로 인과 추론을 프레임워크화함으로써 통계적 인과성의 의사결정 이론적 기반을 수립한다. 확장된 조건부 독립성과 제도 지표를 통해 잠재적 결과, DAGs, 단일세계개입도를 일관되고 해석 가능한 프레임워크로 통합하며, 기능적 일관성 조건을 명시적으로 요구하지 않더라도 무시 가능성과 일관성과 같은 핵심 가정을 명확히 한다.

ABSTRACT

We develop a mathematical and interpretative foundation for the enterprise of decision-theoretic statistical causality (DT), which is a straightforward way of representing and addressing causal questions. DT reframes causal inference as "assisted decision-making", and aims to understand when, and how, I can make use of external data, typically observational, to help me solve a decision problem by taking advantage of assumed relationships between the data and my problem. The relationships embodied in any representation of a causal problem require deeper justification, which is necessarily context-dependent. Here we clarify the considerations needed to support applications of the DT methodology. Exchangeability considerations are used to structure the required relationships, and a distinction drawn between intention to treat and intervention to treat forms the basis for the enabling condition of "ignorability". We also show how the DT perspective unifies and sheds light on other popular formalisations of statistical causality, including potential responses and directed acyclic graphs.

연구 동기 및 목표

• 의사결정 이론(DT) 접근법을 통한 통계적 인과성에 대한 엄밀하고 기초적인 정당성을 제공하여, 인과 추론을 관찰 데이터를 활용한 보조 의사결정 문제로 재정의한다.
• 관찰 데이터를 간섭 결정에 전이하기 위해 필요한 가정—특히 교환 가능성과 무시 가능성—을 명확히 한다.
• DT와 다른 인과 프레임워크 간의 관계를 통합하고 명확히 하며, 잠재적 결과, 페를리안 DAGs, 단일세계개입도(SWIGs)를 포함한다.
• 의도에 따른 치료와 간섭에 따른 치료의 차이를 형식화하여, 무시 가능성 조건이 어떻게 근거가 되는지 보여준다.
• DT 모델이 g-계산과 같은 표준 결과를 다른 프레임워크보다 더 직접적이고 투명하게 유도할 수 있음을 보여준다.

제안 방법

• 관찰적 및 간섭적 제도 간의 관계를 모델링하기 위해 확장된 조건부 독립성을 사용하여 데이터에서 의사결정으로의 확률 전이를 가능하게 한다.
• 관찰적 제도와 간섭적 제도를 구분하기 위해 비스테이티스틱 제도 지표를 도입하여, 반사적 조건부의 '만약 그렇다면' 성격을 형식화한다.
• 교환 가능성—사전 및 사후 간섭 모두—을 기초 가정으로 삼아 데이터 사용을 정당화하며, 사후 간섭 교환 가능성은 직접 추론을 가능하게 한다.
• 무시 가능성 조건을 형식화하기 위해 '의도에 따른 치료'와 '간섭에 따른 치료' 변수를 구분하며, 기능적 일관성에 의존하지 않는다.
• 간섭 지표와 의도에 따른 치료 변수를 포함한 확장된 DAG를 사용하여 그래픽적으로 모델을 표현함으로써 조건부 독립성의 시각적 및 대수적 분석을 가능하게 한다.
• 일관성, 무시 가능성, 안정된 단위치료가치가정과 같은 핵심 개념의 DT 동치 개념을 유도하며, 잠재적 결과 및 SWIG 프레임워크의 대응 개념과 동치임을 보여준다.

실험 결과

연구 질문

• RQ1 어떻게 인과 추론을 관찰 데이터를 사용한 '보조 의사결정 문제'로 의사결정 이론적 기반으로 공식화할 수 있는가?
• RQ2 관찰적 설정에서 간섭적 설정으로 확률 정보를 전이하기 위해 필요한 가정은 무엇인가?
• RQ3 의사결정 모델링에서 '의도에 따른 치료'와 '간섭에 따른 치료'의 차이와 무시 가능성 및 교환 가능성 개념은 어떻게 관련되는가?
• RQ4 의사결정 이론 프레임워크는 잠재적 결과, DAGs, SWIGs와 같은 기존 인과 형식화를 어떻게 통합하거나 명확히 하는가?
• RQ5 DT 접근법은 기능적 일관성 조건을 명시적으로 요구하지 않더라도 g-계산과 같은 표준 결과를 도출할 수 있는가?

주요 결과

• DT 접근법은 불확실성 하의 의사결정 문제로 인과 문제를 모델링함으로써 통계적 인과성에 대한 통합적이고 해석 가능한 기초를 제공한다.
• 사후 간섭 교환 가능성은 관찰 데이터를 의사결정에 직접 사용할 수 있게 하며, 사전 간섭 교환 가능성은 무시 가능성과 같은 추가 가정이 필요하다.
• 의도에 따른 치료와 간섭에 따른 치료 변수 간의 구분은 무시 가능성 조건을 정당화하는 데 필수적이며, 이는 DT 프레임워크에서 조건부 독립성을 통해 형식화된다.
• DT 모델은 페를리안 DAGs와 SWIGs와 동일한 조건부 독립성을 인코딩하지만, 이 가정들이 더 투명하고 직접적으로 정당화될 수 있도록 한다.
• 기능적 일관성 조건은 DT 그래픽 모델에 암묵적으로 포함되어 있으므로 명시적으로 기재할 필요가 없으며, 이는 잠재적 결과 프레임워크에 비해 분석을 단순화한다.
• DT 접근법은 잠재적 결과 프레임워크보다 동적 제도와 순차적으로 의존하는 간섭에 더 자연스럽게 확장될 수 있어, 복잡한 인과 문제에서 더 큰 유연성을 제공한다.