[논문 리뷰] On Measurement Bias in Causal Inference

Judea Pearl|arXiv (Cornell University)|2012. 03. 15.

Bayesian Modeling and Causal Inference참고 문헌 16인용 수 36

한 줄 요약

이 논문은 그래픽 모델과 대수적 방법을 사용하여 인과 추론에서 측정 편향을 식별하고 제거하는 프레임워크를 제시한다. 부분적으로 관측된 혼란 변수가 있는 비모수적 및 모수적 모델에서 편향 없는 추정을 위한 기준을 도입함으로써, 혼란 변수 또는 치료 요인이 측정 오차를 가질 경우에도 일관된 인과 효과 추정이 가능하게 한다.

ABSTRACT

This paper addresses the problem of measurement errors in causal inference and highlights several algebraic and graphical methods for eliminating systematic bias induced by such errors. In particulars, the paper discusses the control of partially observable confounders in parametric and non parametric models and the computational problem of obtaining bias-free effect estimates in such models.

연구 동기 및 목표

• 혼란 변수 또는 치료 요인의 측정 오차에서 기인하는 체계적 편향을 다루기 위해.
• 관측되지 않은 혼란 변수가 존재하는 상황에서도 편향을 제거할 수 있는 조건을 규명하기 위해.
• 모수적 및 비모수적 모델에서 편향 없는 효과 추정을 위한 계산 방법을 제공하기 위해.
• 측정 오차가 인과 식별을 무효화하지 않는 조건을 체계적으로 정의하기 위해.
• 불완전하게 측정된 변수가 있는 설정으로 do-계산법을 확장하여 유효한 인과 추정을 보장하기 위해.

제안 방법

• 관측되지 않은 혼란 변수를 포함한 변수의 공동 분포를 표현하기 위해 구조적 인과 모델(Structural Causal Models, SCMs)을 사용한다.
• do-계산법을 적용하여 측정 오차가 존재하는 상황에서도 인과 효과가 식별 가능한 조건을 도출한다.
• 혼란 변수가 측정 오차를 가질 경우 관측 데이터로부터 인과 효과를 추정할 수 있는지 여부를 판단할 수 있는 그래픽 기준을 도입한다.
• 측정 오차 설정에 적응된 배경문제 기준을 활용하여, 혼란 변수가 부분적으로 관측되는 경우에도 배경문제 경로를 차단하는 조정 집합을 식별한다.
• 구조 방정식의 함수 형태를 사용하여 측정 오차에서 기인하는 편향을 해석적으로 보정할 수 있는 대수적 조건을 유도한다.
• 혼란 변수 또는 치료 변수의 측정 오차를 고려하여 관측된 데이터 모델을 변환함으로써 진정한 인과 효과를 복원하는 방법을 제안한다.

실험 결과

연구 질문

• RQ1 혼란 변수가 측정 오차를 가질 경우, 어떤 조건에서 인과 효과를 일관되게 추정할 수 있는가?
• RQ2 치료 또는 혼란 변수의 측정 오차는 어떻게 수정하여 체계적 편향을 제거할 수 있는가?
• RQ3 그래픽적 및 대수적 기준은 어떤 조건에서 관측되지 않은 혼란 변수와 측정 오차가 존재하는 상황에서도 인과 효과의 식별 가능성을 보장하는가?
• RQ4 do-계산법은 혼란 변수 또는 치료 요인의 측정 오차를 다룰 수 있도록 확장될 수 있는가?
• RQ5 혼란 변수가 완전히 관측되지 않을 경우, 배경문제 경로를 차단하는 데 충분한 조정은 무엇인가?

주요 결과

• 논문은 혼란 변수의 측정 오차가 특정 조건부 독립 가정을 만족할 경우 편향을 제거할 수 있음을 규명한다.
• 부분적으로 관측되는 혼란 변수가 존재하는 상황에서도 편향 없는 조정 집합을 식별할 수 있는 그래픽 기준이 도출되었다.
• 특정 조건 하에서 관측 데이터로부터 수정된 식별 공식을 사용하여 진정한 인과 효과를 복원할 수 있음을 증명하였다.
• 측정 오차 메커니즘이 알려져 있거나 추정 가능한 경우 비모수적 모델에서도 일관된 추정이 가능하다.
• 측정 오차가 존재하는 설정으로 일반화된 배경문제 기준을 제안하여 실세계 데이터에서 비완전한 측정이 존재하는 경우에도 적용 가능성을 넓혔다.
• 측정 오차가 비결정적이고 적절히 모델링된 경우 치료 변수의 측정 오차가 반드시 식별을 무효화하지는 않음을 입증하였다.