[논문 리뷰] Depicting deterministic variables within directed acyclic graphs (DAGs): An aid for identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables

L Berrie, Kellyn F Arnold외 3명|arXiv (Cornell University)|2022. 11. 23.

Geochemistry and Geologic Mapping인용 수 5

한 줄 요약

이 논문은 인과적 식별과 해석을 향상시키기 위해 방향성 비순환 그래프(DAGs)에 결정론적 변수—예를 들어 복합 변수나 전체-부분 관계 변수—를 통합하기 위한 이단계 방법을 제안한다. 부모 변수로부터 대수적으로 정의된 변수를 명시적으로 표현함으로써, 타우토로지컬 상관관계(즉, 공통된 대수적 부모로 인한 허위 상관관계)의 오해를 줄이고, 복합 데이터에서 조건화 효과를 명확히 하며, 복합 변수 분석에서의 가정에 대한 검토를 강화하여 더 정확한 인과적 영향 추정에 기여한다.

ABSTRACT

Deterministic variables are variables that are fully explained by one or more parent variables. They commonly arise when a variable has been algebraically constructed from one or more parent variables, as with composite variables, and in compositional data, where the 'whole' variable is determined from its 'parts'. This article introduces how deterministic variables may be depicted within directed acyclic graphs (DAGs) to help with identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables. We propose a two-step approach in which all variables are initially considered, and an explicit choice is then made whether to focus on the deterministic variable(s) or the determining parents. Depicting deterministic variables within DAGs bring several benefits. It is easier to identify and avoid misinterpreting tautological associations, i.e., self-fulfilling associations between variables with shared algebraic parent variables. In compositional data, it is easier to understand the consequences of conditioning on the 'whole' variable, and correctly identify total and relative causal effects. For composite variables, it encourages greater consideration of the target estimand and greater scrutiny of the consistency and exchangeability assumptions. DAGs with deterministic variables are a useful aid for planning and interpreting analyses involving tautological associations, compositional data, and/or composite variables.

연구 동기 및 목표

• 결정론적 변수(예: 복합 변수 또는 전체-부분 관계 변수)가 인과 모델에 포함될 경우 발생하는 인과 효과 오해 문제를 해결하기 위해.
• DAGs에서 공통된 대수적 부모를 가진 변수들 간의 타우토로지컬 상관관계(허위 상관관계)로 인해 발생하는 혼동을 해결하기 위해.
• 복합 데이터에서 '전체' 변수에 조건화할 경우 인과 효과 식별에 어떤 영향을 미치는지 명확히 하기 위해.
• 복합 변수를 사용한 인과 분 析에서 목표 추정량을 정의할 때 투명성과 엄밀성을 향상시키기 위해.
• 연구자가 DAGs에서 결정론적 변수를 모델링할지 그 부모 변수를 모델링할지 결정하는 데 체계적인 프레임워크를 제공하기 위해.

제안 방법

• 이중단계 DAG 모델링 접근법 제안: 첫째, 결정론적 변수를 포함한 모든 변수를 표현하고, 둘째, 결정론적 변수 또는 그 부모 변수에 초점을 맞출 것인지를 결정한다.
• 결정론적 변수를 그 부모 변수의 함수로 표현하는 명시적 그래픽 기호를 사용하여 확률적 변수와 구분한다.
• 조건화가 결정론적 변수에 영향을 미치는 방식을 평가하기 위해 do-계산법 프레임워크를 적용하며, 특히 복합 데이터 환경에서의 영향을 분석한다.
• DAG에서 '전체' 변수의 역할을 분석하여 복합 데이터에서 총 인과 효과와 상대 인과 효과를 명확히 구분한다.
• 결정론적 변수가 포함된 경우 일관성 및 교환 가능성 가정을 더 철저히 평가하도록 연구자를 유도한다.
• 일반적인 인과 모델링 오류를 설명하기 위해 5幅의 도식적 DAG를 활용하여 올바른 및 잘못된 해석 사례를 시각화한다.

실험 결과

연구 질문

• RQ1 복합 변수나 전체-부분 관계 변수와 같은 결정론적 변수를 DAG에 어떻게 적절히 표현할 수 있을까? 이는 잘못된 인과적 해석을 방지하기 위함이다.
• RQ2 복합 데이터에서 결정론적 '전체' 변수에 조건화할 경우 어떤 결과가 발생하는가? 이는 총 인과 효과와 상대 인과 효과의 식별에 어떤 영향을 미치는가?
• RQ3 결정론적 구성 요소에서 공통된 부모 변수가 존재할 경우 타우토로지컬 상관관계가 어떻게 발생하는가? DAG는 이를 어떻게 탐지하고 방지할 수 있는가?
• RQ4 복합 변수를 분석할 때 DAG는 목표 추정량의 명확성과 모델링 가정의 검토를 어떻게 향상시킬 수 있는가?
• RQ5 인과 DAG에서 결정론적 변수를 모델링할지 그 부모 변수를 모델링할지 선택하는 최적의 전략은 무엇인가?

주요 결과

• 결정론적 변수를 DAG에 직접 통합함으로써 공통된 대수적 부모로 인한 타우토로지컬 상관관계 오해를 방지할 수 있다.
• 복합 데이터에서 '전체' 변수에 조건화하면 허위 상관관계가 유도되고 인과 효과 추정이 왜곡될 수 있으나, DAG를 통해 이러한 문제를 명시적으로 드러내고 이를 피할 수 있다.
• 이중단계 접근법을 통해 '전체' 변수의 역할을 명확히 하여 복합 데이터에서 총 인과 효과와 상대 인과 효과를 명확히 구분할 수 있다.
• 결정론적 변수를 DAG로 표현함으로써 추정량 정의와 일관성, 교환 가능성 등의 가정 평가에 있어 투명성이 향상된다.
• 예를 들어 체질량지수(BMI)가 체중과 키에서 수학적으로 유도되는 바와 같이 변수들이 수학적으로 연결된 데이터에서 상관관계를 과도하게 해석하는 위험을 줄일 수 있다.
• 이 프레임워크는 다양한 연구 분야에 일반화 가능하며, 지수, 비율, 전체-부분 관계 등 대수적 구성 요소를 포함하는 분야에 적용 가능하다.