기술 요약: 잠재적 간섭 네트워크의 대리 변수를 이용한 베이지안 효과 추정

문제 정의

인과 추론에서 네트워크 간섭(network interference)은 한 단위에 할당된 처리가 다른 단위의 결과에 영향을 미치는 현상을 의미한다. 전통적인 접근 방식은 관찰된 네트워크가 간섭 구조를 정확하게 규정한다고 가정한다. 그러나 실제 연구에서는 데이터 수집의 제한(예: 자기 보고 오류, 회상 편향)이나 관찰된 사회적 유대가 실제 간섭 경로와 일치하지 않는 경우(예: 온라인 연결 vs. 물리적 접촉)로 인해 실제 간섭 네트워크($A^*$)에 접근할 수 없는 경우가 많다.

대리 네트워크를 실제 간섭 구조로 취급하면 모델 오지정(misspecification)이 발생하고 인과 효과 추정치가 편향될 수 있다. 기존의 해결책들은 특정 구조적 가정(예: 특정 오차 메커니즘을 가진 평균 기반 선형 모델)에 의존하거나, 먼저 네트워크를 추론한 다음 이를 고정된 것으로 취급하는 2단계 접근 방식을 사용하는 경우가 많다. 후자의 방식은 네트워크 추론 단계로부터의 불확실성을 인과 추정치로 전파하지 못하므로, 불확실성을 과소평가하는 문제를 낳는다. 또한, 실제 간섭 네트워크는 종종 잠재적(latent)이며, 이는 표준 베이지안 추론을 계산적으로 불가능하게 만드는 고차원의 이산 공간을 생성한다.

방법론

구조적 인과 모델 (SCMs)

저자들은 실제 간섭 네트워크 $A^*$를 무작위 네트워크 모델으로부터 생성된 잠재 변수로 취급하는 일반적인 구조적 인과 모델 프레임워크를 제안한다. 이 프레임워크는 다음과 같은 다양한 구조적 구성을 수용한다:

1. 인과적 대리 변수 (Causal Proxies): 관찰된 네트워크 $A$가 $A^*$의 직접적인 후손인 경우 (예: 노이즈가 섞인 측정값).
2. 비인과적 대리 변수 (Non-Causal Proxies): $A^*$와 $A$가 모두 공유된 잠재 변수 $V$에 의존하는 경우 (예: 잠재 위치를 공유하는 다층 네트워크). 이 경우 $A^*$와 $A$ 사이의 직접적인 인과 관계는 없다.
3. 처치 할당 (Treatment Assignment): 프레임워크는 처치 할당($Z$)이 잠재 네트워크 $A^*$에 의존하거나(관측 설정), 또는 대리 네트워크 $A$에 의존할 수 있음(대리에 기반한 클러스터 무작위 배정이 적용된 무작위 실험)을 모델링한다.

결과 모델($Y$)은 실제 네트워크 $A^*$를 기반으로 이웃들의 처치와 공변량을 집계하는 요약 함수(exposure mappings)를 통해 간섭을 포함한다. 인과적 추정량(estimands)은 노출 수준에 대한 개입과는 구별되는, 모집단 수준의 처치(정적, 동적 또는 확률적 정책)에 대한 개입으로 정의된다.

식별 가능성 (Identifiability)

본 논문은 단순화된 설정에서 구조적 파라미터의 식별 가능성을 조사한다. 저자들은 $A^*$의 잠재적 특성이 어려움을 초래함에도 불구하고, 결과, 처치, 대리 네트워크의 결합 분포로부터 충분한 정보가 제공된다면 구조적 파라미터가 복구 가능하다는 것을 입증한다. 분석 결과, 각 데이터 모듈(결과, 처치, 대리 네트워크)이 파라미터 식별에 기여하며, 대리 네트워크만을 사용할 때보다 더 적은 수의 독립적인 대리 네트워크만으로도 식별이 가능함을 보여준다.

베이지안 추론 및 샘플링 알고리즘

인과 효과를 추정하기 위해 저자들은 베이지안 추론 프레임워크를 개발한다. 사후 분포는 연속적 파라미터($\Theta$)와 이산적 잠재 네트워크($A^*$)가 혼합된 공간을 포함한다. $A^*$를 직접적으로 주변화(marginalization)하는 것은 $O(2^{N^2})$의 초지수적 상태 공간 성장으로 인해 계산적으로 불가능하다.

이를 해결하기 위해 저자들은 **국부 정보 제안(Locally Informed Proposals, LIP)**을 결합한 **블록 깁스 샘플러(Block Gibbs sampler)**를 제안한다:

1. 블록 깁스 구조: 알고리즘은 연속적 파라미터 업데이트(표준 MCMC 기법인 NUTS 사용)와 이산적 잠재 네트워크 $A^*$ 업데이트를 교대로 수행한다.
2. 국부 정보 제안 (LIP): 표준 랜덤 워크 제안 방식은 고차원 이산 공간에서 혼합(mixing) 성능이 저하된다. 저자들은 사후 확률이 높은 상태 쪽으로 에지 플립(edge flip)을 편향시키는 LIP를 사용한다.
3. 그래디언트 기반 근사: 정확한 LIP는 매 반복마다 가능한 모든 에지 플립에 대해 사후 확률을 평가해야 하므로 반복당 $O(N^2)$의 비용이 든다. 이를 실행 가능하게 하기 위해, 저자들은 그래디언트(1차 테일러 급수 활용)를 사용하여 로그 사후 확률 차이를 근사한다. 이는 자동 미분을 활용하여 반복당 단 한 번의 그래디언트 평가로 계산 비용을 줄인다.
4. 초기화: 마르코프 체인이 높은 확률 영역에서 시작할 수 있도록, 네트워크와 대리 파라미터를 추정하기 위해 컷-사후 분포(cut-posterior distributions)를 활용한 다단계 초기화 절차를 사용하며, 이후 전체 모델 피드백을 통해 네트워크 상태를 정교화한다.

인과 효과 추정

인과적 추정량은 잠재 네트워크와 파라미터의 사후 샘플을 평균 내어 추정된다. 정적 정책의 경우, 기대 결과는 $A^*$와 $\Theta$의 사후 샘플에 대한 조건부 기댓값을 평균 내어 근사한다. 이 접근 방식은 네트워크 추론으로부터의 불확실성을 최종 인과 추정치로 자연스럽게 전파한다.

주요 기여

1. 유연한 구조적 인과 모델: 본 논문은 간섭 네트워크를 잠재 변수로 취급하여, 인과적 및 비인과적 대리 메커니즘과 다양한 처치 할당 의존성을 수용하는 일반적인 SCM 프레임워크를 도입한다.
2. 결합 추정: 휴리스틱한 2단계 접근 방식과 달리, 제안된 프레임워크는 잠재 네트워크와 인과 파라미터를 공동으로 추정한다. 이는 네트워크 구조의 불확실성이 인과 효과 추정치로 올바르게 전파되도록 보장한다.
3. 이산 잠재 네트워크를 위한 효율적 추론: 저자들은 국부 정보 제안과 그래디언트 근사를 갖춘 블록 깁스 샘플러를 개발했다. 이를 통해 고차원 이산 사후 공간을 효율적으로 탐색할 수 있게 되어, 브루트 포스(brute-force) 방식의 주변화가 불가능한 크기의 네트워크에서도 베이지안 추론을 가능하게 한다. 또한, 특정 조건 하에서 근사 오차가 네트워크 크기와 무관하게 유지됨을 보여주는 공식적인 오차 분석을 제공한다.

결과

저자들은 완전 합성 데이터와 준합성 데이터를 사용하여 방법을 평가한다:

• 완전 합성 데이터: $N=500$인 시뮬레이션에서 제안된 블록 깁스(BG) 알고리즘은 나이브한 접근 방식(대리를 진실로 취급), 연속적 완화(continuous relaxation) 방법, 그리고 2단계 접근 방식 등 베이스라인 모델들에 비해 인과 효과 추정에서 일관되게 낮은 평균 절대 백분율 오차(MAPE)를 달s 보여주었다. 결정적으로, BG 방법은 신뢰 구간의 경험적 커버리지 비율이 명목 수준에 가깝게 나타난 반면, 2단계 방법 및 집계 기반 베이스라인들은 불확실성을 과소평가하는 경향을 보였다.
• 준합성 데이터: 실제 다층 네트워크 데이터셋(Aarous University 직원 데이터)을 사용하여, 하나의 레이어를 잠재 네트워크로 지정하고 다른 레이어들을 대리로 설정하여 테스트하였다. BG 방법은 추정 정확도와 불확실성 정량화 측면에서 2단계 방법 및 단순 집계 전략(합집합/교집합 레이어)보다 우수한 성능을 다시 한번 입증하였다.

의의 및 주장

본 논문은 간섭 네트워크가 잠재되어 있고 대리 측정값만 가용한 시나리오를 위한 통합된 프레임워크를 제공함으로써, 네트워크 간섭이 있는 인과 추론 문헌을 발전시킨다고 주장한다. 그 의의는 다음과 같다:

• 오지정 해결: 관찰된 대리와 실제 간섭 구조 사이의 불일치를 명시적으로 모델링하여, 네트워크 오지정으로 인한 편향을 완화한다.
• 불확실성 정량화: 잠재 네트워크와 인과 효과를 공동으로 추정함으로써, 2단계 접근 방식에서 나타나는 불확실성 과소평가 문제를 피한다.
• 계산적 실행 가능성: 블록 깁스 샘플러 내의 그래디언트 기반 LIP 개발을 통해, 이산적 특성으로 인해 어려움을 겪었던 실질적인 크기의 잠재 네트워크에 대해서도 베이지안 추론을 수행할 수 있게 하였다.

저자들은 자신들의 접근 방식이 정확한 모델 명시에 의존하며, 이는 사후 예측 점검(posterior predictive checks)을 통해 평가될 수 있음을 언급한다. 또한, 잠재적 교란(latent confounding)으로 인해 네트워크 구조 자체에 대한 개입 효과를 식별하는 데는 여전히 추가적인 가정이 필요할 수 있음을 인정한다.