[논문 리뷰] Testing Identifiability of Causal Effects

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

Bayesian Modeling and Causal Inference참고 문헌 7인용 수 55

한 줄 요약

이 논문은 측정되지 않은 변수를 포함한 인과 그래프에서 인과 효과의 식별 가능성을 테스트하기 위한 다항식 시간 알고리즘을 제시한다. 이는 단일 간섭이 변수 집합에 미치는 영향이 관측 데이터로 표현될 수 있는지 체계적으로 결정하며, 식별 가능성이 확인되면 간섭 하에서 특정 목표를 달성할 확률에 대한 닫힌 형태의 표현식을 도출한다.

ABSTRACT

This paper concerns the probabilistic evaluation of the effects of actions in the presence of unmeasured variables. We show that the identification of causal effect between a singleton variable X and a set of variables Y can be accomplished systematically, in time polynomial in the number of variables in the graph. When the causal effect is identifiable, a closed-form expression can be obtained for the probability that the action will achieve a specified goal, or a set of goals.

연구 동기 및 목표

• 측정되지 않은 혼란 변수가 인과 모델에 존재할 때 인과 효과를 평가하는 데 도전하는 문제를 해결하기 위해.
• 관측 데이터만으로 인과 효과가 식별 가능한지 체계적으로 판단할 수 있는 방법을 개발하기 위해.
• 큰 인과 그래프에서 식별 가능성을 테스트하기 위한 계산적으로 효율적인 절차(다항식 시간)를 제공하기 위해.
• 인과 효과가 식별 가능할 경우 간섭 목표를 달성할 확률에 대한 닫힌 형태의 표현식을 도출하기 위해.
• 모든 변수가 관측되지 않는 실세계 환경에서 실용적인 인과 추론을 가능하게 하기 위해.

제안 방법

• 관측 데이터로부터 인과 효과가 식별 가능한지 여부를 판단하기 위해 do-계산법과 그래프 기반 기준을 사용한다.
• 변수 수에 대해 다항식 시간 내에 작동하는 체계적인 알고리즘을 적용하여 인과 그래프를 순회하며 식별 가능성을 테스트한다.
• 백문 및 전면 기준을 더 일반적인 식별 가능성 테스트의 특수한 경우로 통합한다.
• 식별 가능성이 확인되면 간섭 분포에 대한 닫힌 형태의 표현식을 구성한다.
• 조건부 독립성과 d-분리 기법을 활용하여 조정 집합의 타당성을 검증한다.
• 식별 가능성 문제를 인과 다이어그램의 구조에 기반한 그래프 이론적 결정 절차로 환원한다.

실험 결과

연구 질문

• RQ1 측정되지 않은 혼란 변수가 존재할 때, 변수 집합에 대한 단일 간섭의 인과 효과를 식별할 수 있는가?
• RQ2 큰 인과 그래프에서 식별 가능성을 테스트하기 위한 계산적으로 효율적인 방법이 존재하는가?
• RQ3 언제 간섭 분포에 대한 닫힌 형태의 표현식을 도출할 수 있는가?
• RQ4 식별 가능성이 성립할 경우, 간섭 하에서 특정 결과를 달성할 확률을 어떻게 계산할 수 있는가?
• RQ5 어떤 그래프 이론적 성질이 인과 효과의 식별 가능성을 결정하는가?

주요 결과

• 인과 그래프의 변수 수에 대해 다항식 시간 내에 인과 효과의 식별 가능성을 테스트할 수 있다.
• 식별 가능성이 확인되면 간섭 분포에 대한 닫힌 형태의 표현식을 그래프 구조에서 직접 유도할 수 있다.
• 이 방법은 백문 및 전면 기준을 특수한 경우로 일반화하고 포함한다.
• 알고리즘은 관측 데이터만으로도 인과 추론을 지원할 수 있는지 체계적이고 자동화된 방식으로 평가할 수 있도록 한다.
• 식별 가능성이 확보된 경우, 간섭이 원하는 결과를 달성할 확률을 계산할 수 있도록 한다.
• 식별 가능성에 대한 결정 절차를 제공함으로써 측정되지 않은 혼란 변수가 존재하는 상황에서도 실용적인 인과 추론을 지원한다.