[논문 리뷰] On Multi-Cause Causal Inference with Unobserved Confounding: Counterexamples, Impossibility, and Alternatives

Alexander D’Amour|arXiv (Cornell University)|2019. 02. 27.

Advanced Causal Inference Techniques참고 문헌 16인용 수 28

한 줄 요약

이 논문은 다중 원인 인과 추론이 비모수적 가정 없이도 관측되지 않은 혼동요인을 극복할 수 있다는 최근의 주장에 도전한다. 분석적 반례를 제시하여 비모수적 식별이 불가능함을 증명하고, 대신 고차원적 설정에서 잠재적 혼동요인을 가진 상황에서 강건한 인과 추론을 달성하기 위해 프록시 변수와 민감도 분석을 타당한 대안으로 제안한다.

ABSTRACT

Unobserved confounding is a central barrier to drawing causal inferences from observational data. Several authors have recently proposed that this barrier can be overcome in the case where one attempts to infer the effects of several variables simultaneously. In this paper, we present two simple, analytical counterexamples that challenge the general claims that are central to these approaches. In addition, we show that nonparametric identification is impossible in this setting. We discuss practical implications, and suggest alternatives to the methods that have been proposed so far in this line of work: using proxy variables and shifting focus to sensitivity analysis.

연구 동기 및 목표

• 관측되지 않은 혼동요인 존재 하에서 다중 원인 인과 추론이 비모수적 가정 없이 인과 효과를 식별할 수 있다는 주장에 도전하기 위해.
• 이 설정에서 비모수적 식별이 본질적으로 불가능함을 분석적 반례를 통해 입증하기 위해.
• 검증할 수 없는 비모수적 가정에 의존하는 기존 방법의 실용적 대안을 제공하기 위해.
• 관측되지 않은 혼동요인 하에서 인과 추론을 위한 원칙적인 비모수적 대안으로 프록시 변수와 민감도 분석을 주장하기 위해.

제안 방법

• 동일한 관측 데이터 분포가 관측되지 않은 혼동요인 하에서 서로 모순되는 다수의 인과 모델과 일치할 수 있음을 보여주는 두 개의 분석적 반례를 구성하기 위해.
• 잠재적 혼동요인 U가 존재할 경우, 다수의 원인에 대한 관측 데이터만으로는 P(Y|do(A))의 비모수적 식별이 불가능함을 증명하기 위해.
• 혼동요인과 상관관계가 있지만 원인 또는 결과와 조건부 독립인 변수를 사용하여 비모수적 식별을 가능하게 하는 프록시 변수의 사용을 제안하기 위해.
• Miao 등 (2016)과 Louizos 등 (2017)의 프록시 변수 프레임워크를 다중 원인 설정으로 확장하여 비모수적 가정 없이 인과 추정을 수행하기 위해.
• P(A)의 인과적 인과 분해에 대한 약한 가정 하에서, 관측된 데이터와 일치하는 다수의 인과 결론을 탐색하기 위해 민감도 분석을 사후 방법으로 추천하기 위해.
• 정규화를 적용한 최대우도 추정을 사용하여 합성 데이터에서 모델 성능을 평가하여, 비모수적 가정이 데이터로부터 검증 불가능하고 잠재적으로 오해의 소지가 있는 결과를 초래함을 보여주기 위해.

실험 결과

연구 질문

• RQ1 잠재적 혼동요인 U가 원인 A와 결과 Y에 모두 영향을 주는 상황에서, 다중 원인 인과 추론이 비모수적으로 P(Y|do(A))를 식별할 수 있는가?
• RQ2 최근의 관측되지 않은 혼동요인을 가진 다중 원인 인과 추론 방법의 가정이 식별을 보장하기에 충분한가?
• RQ3 비모수적 모델링이 불가능한 다중 원인 설정에서 실용적인 대안은 무엇인가?
• RQ4 프록시 변수는 관측되지 않은 혼동요인 존재 하에서 다중 원인 모델의 인과 효과를 비모수적으로 식별하는 데 도움이 될 수 있는가?
• RQ5 민감도 분석은 관측되지 않은 혼동요인 존재 하에서 다중 원인 설정의 인과 결론의 강건성을 어떻게 탐색할 수 있는가?

주요 결과

• 잠재적 혼동요인 U가 존재할 경우, 관측된 원인의 수에 관계없이 다중 원인 설정에서 P(Y|do(A))의 비모수적 식별은 불가능하다.
• 두 분석적 반례는 동일한 관측 데이터 분포가 서로 모순되는 다수의 인과 모델과 일치할 수 있음을 보여주며, 이는 유일한 식별이 불가능함을 의미한다.
• 이 설정에서는 식별을 위해 비모수적 가정이 필요하지만, 이러한 가정은 데이터만으로는 검증할 수 없으며, 검증 불가능하고 잠재적으로 오해의 소지가 있는 결과를 초래한다.
• 특히 U에 조건부로 독립이지만 A에 조건부로 독립인 변수와 Y에 조건부로 독립인 변수를 포함한 프록시 변수는 인과 효과의 비모수적 식별을 가능하게 한다.
• 민감도 분석은 점 추정의 원칙적인 대안을 제공하며, P(A)의 약한 가정 하에서 가능한 인과 효과의 무지 영역을 매핑할 수 있도록 한다.
• 실증 평가 결과, 프록시 변수를 사용할 경우 정규화의 영향은 미미하지만, 추정치는 여전히 매우 변동성이 크며, 이는 더 강력한 식별 전략의 필요성을 강조한다.