[논문 리뷰] On the Testability of Causal Models with Latent and Instrumental Variables

Judea Pearl|arXiv (Cornell University)|2013. 02. 20.

Advanced Causal Inference Techniques참고 문헌 11인용 수 94

한 줄 요약

이 논문은 잠재 변수와 산술 변수를 포함하는 인과 모델을 검증하기 위해 관측 가능한 분포에 대한 부등식 제약 조건을 유도함으로써 일반적인 공식을 수립한다. 이를 통해 연구자들은 주어진 변수가 산술 변수로 기능할 수 있는지, 그리고 측정되지 않은 혼란 변수가 존재할 때에도 관측 데이터와 일치하는지 여부를 판단할 수 있다.

ABSTRACT

Certain causal models involving unmeasured variables induce no independence constraints among the observed variables but imply, nevertheless, inequality contraints on the observed distribution. This paper derives a general formula for such instrumental variables, that is, exogenous variables that directly affect some variables but not all. With the help of this formula, it is possible to test whether a model involving instrumental variables may account for the data, or, conversely, whether a given variables can be deemed instrumental.

연구 동기 및 목표

• 측정되지 않은(잠재적) 변수와 산술 변수가 존재할 때 인과 모델을 검증하는 데 도전하는 문제를 해결하기 위해.
• 조건부 독립 제약 조건이 없는 상태에서 잠재 변수를 포함한 인과 모델이 관측 가능한 데이터로 어떻게 검증될 수 있는지 조건을 규명하기 위해.
• 인과 모델에서 어떤 변수가 산술 변수로 자격을 갖는지 판단하기 위한 공식 기준을 개발하기 위해.
• 측정되지 않은 혼란 변수가 존재할 때도 관측 데이터와의 일치 여부를 체계적으로 검증할 수 있는 방법을 제공하기 위해.
• 기존의 조건부 독립 기반 접근을 넘어, 산술 변수 구조에서 유도된 부등식 제약 조건을 포함하는 인과 모델의 검증 가능성을 확장하기 위해.

제안 방법

• 구조 방정식과 d-분리 원리를 기반으로 잠재 혼란 변수가 있는 인과 모델에서 산술 변수의 일반 공식을 유도한다.
• 산술 변수를 외생 변수로 간주하여, 특정 부분 집합의 내생 변수에만 직접 영향을 미치는 개념을 사용한다.
• do-계산 프레임워크를 적용하여 조건부 분포를 유도하고 모델의 관측 가능한 함의를 식별한다.
• 모델이 타당할 경우 반드시 만족해야 할 관측 변수의 공동 분포에 대한 부등식 제약 조건을 규명한다.
• 구조 모델을 관측 가능한 모멘트 부등식 집합으로 변환하여 실증적으로 검증할 수 있도록 한다.
• d-분리 기준을 활용하여 잠재 변수 존재 시 조건부 독립 관계와 그 위반 사항을 식별한다.

실험 결과

연구 질문

• RQ1 잠재 변수를 포함한 인과 모델이 관측 데이터만으로 어떤 조건에서 검증될 수 있는가?
• RQ2 측정되지 않은 혼란 변수가 존재하는 모델에서 주어진 변수가 산술 변수로 자격을 갖는지 어떻게 판단할 수 있는가?
• RQ3 잠재 혼란 변수 존재 시 산술 변수 구조에서 유도되는 관측 가능한 부등식 제약 조건은 무엇인가?
• RQ4 조건부 독립 제약 조건이 존재하지 않을 경우에도 산술 변수를 포함한 인과 모델을 실증 데이터 기반으로 기각할 수 있는가?
• RQ5 이러한 모델의 검증 가능성을 특징짓는 일반적인 부등식 제약 조건의 형태는 무엇인가?

주요 결과

• 논문은 잠재 변수를 포함한 모델에서 관측 가능한 부등식 제약 조건을 식별할 수 있도록 산술 변수에 대한 일반 공식을 유도한다.
• 조건부 독립 제약 조건이 없더라도 산술 변수를 포함한 인과 모델은 관측 분포에 대한 부등식 제약 조건을 통해 검증될 수 있음을 입증한다.
• 이 방법은 혼란 변수가 측정되지 않더라도 실증 데이터 기반으로 인과 모델을 검증하거나 기각할 수 있도록 한다.
• 이 프레임워크는 관측 분포에 대한 영향을 검증함으로써 어떤 변수가 산술 변수로 간주될 수 있는지 판단할 수 있는 기준을 제공한다.
• 이 접근은 전통적인 조건부 독립 프레임워크를 넘어 부등식 기반 제약 조건을 포함하는 인과 모델의 검증 가능성을 일반화한다.
• 결과적으로 산술 변수 구조는 부등식 형태의 검증 가능한 함의를 유도하며, 이를 통해 인과 모델를 기각하거나 지지하는 데 사용될 수 있음을 보여준다.