[논문 리뷰] Psychological and normative theories of causal power and the probabilities of causes

Clark Glymour|arXiv (Cornell University)|1998. 07. 24.

Bayesian Modeling and Causal Inference참고 문헌 6인용 수 3

한 줄 요약

이 논문은 Cheng(1997)의 인과적 판단 심리학 이론을 노이즈 있는 OR 및 노이즈 있는 AND 게이트를 사용한 베이지안 네트워크 프레임워크 내에서 형식화하고, 이를 임의의 비순환 네트워크로 일반화하며, 관측되지 않은 혼동요인 존재하더라도 직접적 및 총 인과적 영향을 추정할 수 있는 조건을 제공한다. 주요 기여는 불확실성 하에서 공변관계 데이터로부터 인과적 능력을 원리적으로 추론할 수 있는 방법을 제공하는 것이다.

ABSTRACT

This paper (1) shows that the best supported current psychological theory (Cheng, 1997) of how human subjects judge the causal power or influence of variations in presence or absence of one feature on another, given data on their covariation, tacitly uses a Bayes network which is either a noisy or gate (for causes that promote the effect) or a noisy and gate (for causes that inhibit the effect); (2) generalizes Cheng's theory to arbitrary acyclic networks of noisy or and noisy and gates; (3) gives various sufficient conditions for the estimation of the parameters in such networks when there are independent, unobserved causes; (4) distinguishes direct causal influence of one feature on another (influence along a path with one edge) from total influence (influence along all paths from one variable to another) and gives sufficient conditions for estimating each when there are unobserved causes of the outcome variable; (5) describes the relation between Cheng models and a simplified version of the Rubin framework for representing causal relations.

연구 동기 및 목표

• Cheng(1997)의 심리학적 인과적 능력 이론을 노이즈 있는 OR 및 노이즈 있는 AND 게이트를 갖는 베이지안 네트워크로 형식화한다.
• 이 이론을 이러한 게이트로 구성된 임의의 비순환 네트워크로 일반화한다.
• 독립적인 관측되지 않은 원인이 결과에 영향을 미칠 경우에 인과 매개변수 추정을 위한 충분한 조건을 규명한다.
• 관측되지 않은 혼동요인이 존재할 경우 직접적 영향과 총 영향을 구분하고 추정할 수 있는 방법을 제공한다.
• 비교 분석을 위해 Cheng 모델을 Rubin의 단순화된 인과 프레임워크와 연결한다.

제안 방법

• 원인이 효과를 촉진하거나 억제하는지에 따라 각각 노이즈 있는 OR(촉진) 또는 노이즈 있는 AND(억제) 게이트로 표현된 베이지안 네트워크를 사용해 인과적 판단을 모델링한다.
• 노이즈 있는 OR 및 노이즈 있는 AND 게이트로 구성된 임의의 비순환 그래프로 네트워크 구조를 일반화한다.
• 결과 변수에 영향을 미치는 관측되지 않은 공통 원인이 존재할 경우 인과 매개변수 추정을 위한 충분한 조건을 유도한다.
• 단일 경로(단일 간선 경로)를 따라 발생하는 직접적 영향과 모든 경로를 따라 발생하는 총 영향을 구분하고, 둘 다에 대한 추정 조건을 제공한다.
• 노이즈 있는 OR 및 노이즈 있는 AND 메커니즘에 부합하는 조건부 확률 분포를 사용해 확률적 인과관계를 모델링한다.
• 결과 모델이 Rubin의 잠재 결과 프레임워크와 유사한 구조적 유사성을 보이며, 인과 표현 측면에서 유사성을 보여주어 상호 해석이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 Cheng(1997)의 인과적 능력 이론은 어떻게 노이즈 있는 OR 또는 노이즈 있는 AND 게이트를 포함한 베이지안 네트워크 프레임워크 내에서 형식화될 수 있는가?
• RQ2 비순환 네트워크에서 관측되지 않은 공통 원인이 존재할 경우 인과 매개변수 추정을 위한 조건은 무엇인가?
• RQ3 혼동요인이 관측되지 않을 경우 직접적 및 총 인과적 영향을 어떻게 구분하고 추정할 수 있는가?
• RQ4 Cheng 모델과 Rubin의 잠재 결과 프레임워크 사이의 관계는 무엇인가?
• RQ5 관측된 공변관계 데이터로부터 인과적 구조가 관측 가능한 조건은 무엇인가?

주요 결과

• Cheng의 심리학적 이론은 원인이 효과를 촉진하는지 억제하는지에 따라 각각 노이즈 있는 OR 또는 노이즈 있는 AND 게이트를 포함한 베이지안 네트워크에 암묵적으로 기반한다.
• 이 이론은 노이즈 있는 OR 및 노이즈 있는 AND 게이트로 구성된 임의의 비순환 네트워크로 일반화될 수 있으며, 그 설명력은 유지된다.
• 독립적인 관측되지 않은 원인이 결과 변수에 영향을 미칠 경우에도 인과 매개변수 추정을 위한 충분한 조건이 제공된다.
• 특정 구조적 및 확률적 가정 하에서 직접적 인과적 영향(단일 간선 경로를 따라)과 총 인과적 영향(모든 경로를 따라)을 추정할 수 있다.
• 모델의 구조와 가정이 단순화된 Rubin 인과 프레임워크와 호환됨이 입증되어, 이론 간 상호 해석이 가능하다.
• 유도된 조건 하에서 관측되지 않은 혼동요인이 존재하더라도 공변관계 데이터로부터 인과적 능력의 일관된 추정이 가능하다.