[논문 리뷰] A Primer on Causal Analysis

Finnian Lattimore, Cheng Soon Ong|arXiv (Cornell University)|2018. 06. 05.

Bayesian Modeling and Causal Inference인용 수 6

한 줄 요약

이 논문은 관찰 또는 간섭 데이터를 사용할 때 인과적 구조 탐색과 영향 추정 사이를 구분하는 개념적 프레임워크를 제공한다. 관찰 데이터에 대한 인과 분석을 위한 네 가지 주요 학파—구조적 인과 모델, 잠재 결과, 구조적 방정식 모델, 그랜저 인과성—을 소개하며, 각각의 적용 분야, 가정 조건, 그리고 그래픽 모델과 do-계산법을 통한 통합 가능성을 설명한다.

ABSTRACT

We provide a conceptual map to navigate causal analysis problems. Focusing on the case of discrete random variables, we consider the case of causal effect estimation from observational data. The presented approaches apply also to continuous variables, but the issue of estimation becomes more complex. We then introduce the four schools of thought for causal analysis

연구 동기 및 목표

• 랜덤화 실험을 시행할 수 없는 상황에서 관찰 데이터로부터 인과 효과를 추정하는 데 있어, 인과적 구조 탐색과 인과 효과 추정을 구분함으로써 인과 추론의 개념적 풍경을 명확히 하는 것.
• 랜덤화 실험을 시행할 수 없는 상황에서 관찰 데이터로부터 인과 효과를 추정하는 데 도전하는 문제를 다루는 것.
• 인과 분석의 네 가지 주요 학파를 맵핑하고, 그 상호관계 및 실용적 응용을 설명하는 것.
• 인과 추론의 타당성과 실현 가능성에 영향을 미치는 데이터 유형—관찰 데이터 대 간섭 데이터—의 중요성을 강조하는 것.
• 그래픽 모델과 do-계산법이 다양한 프레임워크 간에 인과 효과를 식별하는 데 어떻게 통합적으로 기여하는지를 통합적으로 이해하는 것.

제안 방법

• 인과적 구조 탐색(인과 그래프 학습)과 영향 추정(간섭 효과 추정)을 구분하는 개념적 맵을 사용한다.
• 인과 추론 수준을 이해하기 위한 프레임워크로 인과의 계단계—상관관계, 간섭, 반사적 가정—를 적용한다.
• d-분리와 do-계산법을 사용하여 관찰 데이터에서 그래픽 모델을 통해 인과 효과가 식별 가능한지 여부를 확인한다.
• 네 가지 인과 프레임워크—구조적 인과 모델(Pearl), 잠재 결과(Neyman-Rubin), 구조적 방정식 모델(이코노미트릭스), 그랜저 인과성(시계열 분석)—를 비교한다.
• 유의미한 추정을 위해 무관성 및 조건부 독립성 가정 하에, 성향 스코어와 도메인 적응 기법을 사용하여 인과 효과를 추정하는 방법을 설명한다.
• 단일 세계 간섭 그래프(SWIGs)를 통해 반사적 변수를 그래픽 모델에 통합하여 중첩된 반사적 가정을 포함하는 복잡한 질의를 표현하고 분석할 수 있도록 확장한다.

실험 결과

연구 질문

• RQ1 관찰 데이터에서 인과적 구조 탐색과 인과 효과 추정을 어떻게 구분할 수 있는가?
• RQ2 구조적 모델, 잠재 결과, SEM, 그랜저 인과성이라는 네 가지 주요 인과 분석 프레임워크 간의 핵심 차이점과 상호관계는 무엇인가?
• RQ3 그래픽 모델과 do-계산법을 사용하여 관찰 데이터에서 인과 효과를 식별할 수 있는 조건는 무엇인가?
• RQ4 무관성, 조건부 독립성, 오차 독립성 등의 가정이 인과 추정의 타당성에 어떻게 영향을 미치는가?
• RQ5 그래픽 모델과 조건부 확률 추정 기법을 통해 반사적 추론은 어떻게 형식화되고 추정될 수 있는가?

주요 결과

• 통계적 상관관계를 넘어서기 위해서는 간섭과 반사적 가정을 명시적으로 모델링할 필요가 있으며, 이는 상관관계를 넘어서는 데 필수적이다.
• do-계산법과 d-분리는 인과 그래프를 사용하여 관찰 데이터에서 인과 효과가 식별 가능한지 여부를 공식적으로 판단하는 데 도움을 준다.
• 성향 스코어는 무관성과 오버랩 가정 하에 고차원 설정에서 평균 인과 효과를 편향 없이 추정하는 데 기여한다.
• 그랜저 인과성은 과거 값의 예측 능력에 기반한 시계열 전용 인과 추론 접근법을 제공하지만, 구조적 가정을 모델링하지는 않는다.
• 구조적 방정식 모델(SEM)은 비선형 및 연속적 관계를 영리하게 모델링할 수 있으며, 순환 시스템으로도 확장 가능하다.
• 단일 세계 간섭 그래프(SWIGs)는 표준 do-기호로 표현할 수 없는 중첩된 간섭을 포함하는 복잡한 반사적 질의를 표현하고 분석할 수 있도록 한다.