Confounder selection via iterative graph expansion

1. 문제 정의 (Problem)

관측 연구 (Observational Study) 에서 치료 변수 $X$와 결과 변수 $Y$ 사이의 인과 효과를 추정할 때, 가장 중요한 단계는 교란변수 (Confounder) 선택입니다. 즉, 교란을 통제할 수 있는 공변량 (covariates) 집합 $S$를 찾는 것입니다.

• 기존 방법의 한계: Pearl 의 백도어 기준 (Back-door Criterion) 은 인과 방향성 그래프 (DAG) 가 사전에 주어져야 적용 가능합니다. 그러나 실제 연구 설계 단계에서는 모든 관련 변수와 그들 간의 인과 관계를 완벽하게 파악하여 DAG 를 그리는 것이 매우 어렵거나 불가능한 경우가 많습니다.
• 현재의 필요성: DAG 를 완전히 사전에 지정하지 않고도, 사용자의 지식과 상호작용을 통해 필요한 교란변수 집합을 점진적으로 찾아낼 수 있는 방법이 필요합니다.

2. 방법론 (Methodology)

저자들은 **반복적 그래프 확장 (Iterative Graph Expansion)**이라는 새로운 절차를 제안합니다. 이 방법은 DAG 를 미리 그리는 대신, 사용자에게 필요한 구조적 정보만을 단계적으로 요청하여 그래프를 "역방향"으로 확장해 나갑니다.

핵심 개념

1. 주요 조정 집합 (Primary Adjustment Set):
   • 두 변수 $A, B$에 대해, 그들의 모든 공통 조상 (common ancestor) 에 대해 해당 조상에서 $A$와 $B$로 가는 두 경로의 적어도 하나가 조정 집합에 의해 차단되도록 하는 집합입니다.
   • 직관적으로 이는 두 변수 사이의 "즉시적인 (immediate)" 교란을 제거하는 집합입니다.
2. 교란 경로 (Confounding Path) 와 교란 호 (Confounding Arc):
   • 교란 경로: 양쪽 끝단에서 화살표 (arrowhead) 를 가진 경로.
   • 교란 호: 교란 경로 중 콜라이더 (collider) 가 없는 경로.
   • 교란 경로는 하나 이상의 교란 호로 분해될 수 있으며, 교란 호를 차단하면 모든 교란 경로를 차단할 수 있음을 증명합니다.
3. 대칭적 백도어 기준 (Symmetric Back-door Criterion):
   • 기존 백도어 기준을 $X$와 $Y$에 대해 대칭적으로 재정의했습니다. $X$와 $Y$가 $S$를 조건으로 할 때 $m$-분리 (m-separated) 되거나, $S$를 포함하는 마진 그래프에서 $X$와 $Y$가 서로 다른 **지구 (District)**에 속하면 충분 조정 집합으로 간주합니다.

알고리즘 절차 (Algorithm 1)

1. 초기화: 치료 $X$와 결과 $Y$로만 구성된 그래프에서, 두 변수 사이에 통제되지 않은 교란 (점선 양방향 화살표) 이 존재한다고 가정합니다.
2. 반복적 확장:
   • 현재 그래프에서 차단되지 않은 양방향 화살표 (불확실한 교란) 를 선택합니다.
   • 사용자에게 해당 화살표 양 끝점 ($A, B$) 에 대한 **주요 조정 집합 (Primary Adjustment Set)**을 요청합니다.
   • 사용자 응답:
     • 주요 조정 집합이 존재하면: 해당 변수들을 그래프에 추가하고, 새로운 변수들과 기존 변수 사이에 새로운 양방향 화살표를 그립니다.
     • 주요 조정 집합이 없으면: 해당 화살표를 실선 (통제 불가능한 교란) 으로 변경하거나 차단된 것으로 간주합니다.
3. 종료 조건: $X$와 $Y$가 더 이상 양방향 화살표로 연결되지 않을 때, 현재 그래프에 포함된 $X, Y$ 외의 변수들이 **충분 조정 집합 (Sufficient Adjustment Set)**이 됩니다.

3. 주요 기여 (Key Contributions)

1. 상호작용적 접근법: DAG 를 미리 그릴 필요 없이, 교란변수 선택에 필요한 최소한의 구조적 정보 (공통 원인, 매개변수 등) 만을 사용자에게 요청하여 점진적으로 그래프를 구성합니다.
2. 이론적 기반 (Soundness and Completeness):
   • 정합성 (Soundness): 사용자가 모든 단계에서 올바른 주요 조정 집합을 지정하면, 알고리즘이 반환하는 모든 집합은 실제로 교란을 통제하는 충분 조정 집합입니다.
   • 완전성 (Completeness): 사용자가 모든 단계에서 모든 최소 주요 조정 집합을 올바르게 지정하면, 알고리즘은 모든 최소 충분 조정 집합을 찾아냅니다.
3. 새로운 기준 제시:
   • 지구 기준 (District Criterion): 마진 그래프에서 $X$와 $Y$가 서로 다른 지구에 속하는지 확인하는 간단한 기준을 제시하여, 실제 적용 시 검증이 용이하도록 했습니다.
   • 교란 호 차단: 교란 경로 전체를 차단하는 대신, 교란 호 (콜라이더가 없는 경로) 를 반복적으로 차단함으로써 문제를 단순화했습니다.
4. 실용적 도구: 제안된 절차를 구현한 Shiny 웹 애플리케이션을 제공하여 연구자들이 쉽게 사용할 수 있도록 했습니다.

4. 결과 (Results)

• 이론적 증명: 그래프의 마진화 (marginalization) 가 교란 경로와 호의 연결성을 보존한다는 정리를 증명하여, 반복적 확장이 원래의 인과 구조를 올바르게 역추적함을 보였습니다.
• 예시 검증:
  • "Butterfly bias" 예시와 Shrier and Platt (2008) 의 DAG 예시를 통해 알고리즘이 작동하는 과정을 시연했습니다.
  • 알고리즘은 기존 방법 (백도어 기준) 으로 찾을 수 있는 최소 충분 조정 집합 (예: $\{E, F\}, \{T, F\}$ 등) 을 모두 성공적으로 식별했습니다.
• 효율성: 불필요한 정보 (교란변수 간의 인과 방향 등) 를 요청하지 않으므로, 사용자의 인지 부하를 줄이고 연구 설계 단계에서 데이터 수집 우선순위를 결정하는 데 효율적입니다.

5. 의의 및 중요성 (Significance)

• 연구 설계의 혁신: 기존의 "데이터 수집 후 분석" 방식에서 벗어나, **데이터 수집 전 (Study Design)**에 어떤 변수를 측정해야 할지 결정하는 데 인과 그래프 이론을 체계적으로 적용할 수 있게 했습니다.
• 접근성 향상: 복잡한 인과 그래프 이론 (d-separation 등) 을 깊이 이해하지 않아도, "공통 원인"과 "매개변수"라는 직관적인 개념만으로도 교란변수 선택을 수행할 수 있게 하여 실제 연구자들의 활용도를 높였습니다.
• M-bias 등 편향 방지: 알고리즘의 구조상 콜라이더 편향 (Collider Bias) 이나 M-bias 와 같은 오류를 방지하도록 설계되어, 통계적 추정의 타당성을 보장합니다.
• ** Rubin 의 원칙 부합:** Rubin 이 강조한 "인과 추론에서 분석보다 설계가 우선 (Design trumps analysis)"이라는 원칙을 실현하는 강력한 도구로 평가됩니다.

결론적으로, 이 논문은 인과 추론의 핵심 난제인 교란변수 선택을 위해, 완전한 인과 지식을 요구하지 않는 상호작용적이고 체계적인 프레임워크를 제시함으로써 관측 연구의 설계 및 분석 품질을 획기적으로 개선할 수 있는 가능성을 열었습니다.