Identification of Probabilities of Causation: from Recursive to Closed-Form Bounds

기술 요약: 인과 확률의 식별: 재귀적 형태에서 폐형(Closed-Form) 경계값으로

문제 정의
인과 확률(Probabilities of Causation, PoCs)은 반사실적 분석과 개인화된 의사결정의 기초로서, 특정 처치에 대한 결과의 귀속을 가능하게 한다. Pearl, Tian 등이 수행한 기초 연구들은 이진 처치 및 이진 결과(예: 필요성, 충분성, 필요성 및 충분성의 확률)에 대해 타이트한 경계값을 확립했다. 그러나 기존의 분석적 결과는 주로 이러한 이진 설정에 국한되어 왔다. 의료, 금융, 교육 분야의 실제 응용 사례는 종종 다치(multi-valued) 처치(예: 투여량 수준)와 결과(예: 중증도 등급)를 포함한다. 비이진 사례를 다루기 위한 최근의 시도들, 예를 들어 Li와 Pearl [2024]가 제안한 재귀적 형태의 경계값은 고차원 설정에서 계산 복잡성이 높고 날카로움(tightness)이 부족하다는 단점이 있다. 비선형 프로그래밍에 기반한 수치적 방법들 또한 계산 비용의 제약을 받는다. 본 논문은 구조적 제약을 부과하지 않고 일반적인 이산적 PoC에 대해 비재귀적이고, 폐형(closed-form)이며, 더 타이트한 경계값을 제공해야 할 필요성을 다룬다.

방법론
저자들은 임의의 이산적 PoC 쿼리를 대표적인 결합(conjunction) 가족으로 축소하는 프레임워크를 제안하며, 이에 대해 표준 실험적(중재적) 및 관측 분포를 사용하여 폐형 경계값을 도출한다.

1. 단순화 및 대표 가족: 본 논문은 복잡한 비이진 PoC(예: 필요성 및 충분성(k), Substitute(k,p), Replacement(k,q), Necessity(k,p,q))의 정의를 간결한 형태로 단순화한다. 예를 들어, 필요성 및 충분성(k)은 값이 정렬된 상태에서 $P(y_1x_1, \dots, y_kx_k)$로 단순화된다.
2. 동치류 및 교체 가능성: 임의의 PoC 쿼리를 처리하기 위해 두 가지 핵심 원리가 도입된다.
   • 동치류 (정리 6): 처치와 결과 변수의 카디널리티가 일치하지 않는 경우(예: $|X| \neq |Y|$)에도, 확률이 0인 이벤트를 패딩(padding)함으로써 경계값이 불변하도록 하여 표준 형태로 매핑할 수 있음을 보여주는 원리이다.
   • 교체 가능성 (정리 7): 이 원리는 값의 순열 간에 경계값을 전이할 수 있게 한다. 특정 결합(예: $P(y_1x_1, y_2x_2)$)에 대해 도출된 경계값은 해당 항들을 치환함으로써 순열된 버전(예: $P(y_2x_1, y_1x_2)$)에 직접 적용될 수 있다.
3. 폐형 경계값 도출: Fréchet 부등식과 논리적 분해를 사용하여, 대표적인 PoC 가족에 대한 명시적인 하한 및 상한을 도출한다. 이 경계값들은 오직 관측 가능한 양인 $P(x, y)$, $P(y_x)$, $P(x)$에만 의존한다.
4. 검증:
   • 건전성(Soundness): 도출된 공식이 모든 차원에서 유효한 하한 및 상한을 정의함을 입증하는 정식 증명을 제공한다.
   • 타이트함(Tightness): 저차원 설정(구체적으로 처치와 결과가 3 또는 4개의 값을 갖는 경우)에서 폐형 결과를 Balke의 선형 프로그래밍 방법으로 얻은 해와 비교하여 이 경계값들의 타이트함을 경험적으로 검증하였다. 일반적인 $n$차원 사례에 대해, 저자들은 이 경계값이 타이트하다고 추측하지만, 모든 차원에 대한 정식 증명은 여전히 미해결 과제로 남아 있음을 언급한다.

주요 기여

• 폐형 경계값: 실험적 및 관측 데이터를 활용하여 일반적인 SCM 내 다치(multi-valued) PoC에 대한 비재귀적 폐형 경계값을 도출하였다.
• 축소 프레임워크: 임의의 이산적 PoC 쿼리를 작은 대표 집합으로 축소하여 값의 순열 간 경례를 용이하게 하는 동치류 및 교체 가능성 원리를 도입하였다.
• 개선된 타이트함 및 효율성: 제안된 폐형 경계값이 Li와 Pearl [2024]의 재귀적 방법보다 일관되게 더 타이트하며, 훨씬 낮은 계산 복잡성을 제공함을 입증하였다.
• 건전성 및 경험적 검증: 모든 차원에 대한 건전성에 대한 정식 증명과 선형 프로그래밍을 통한 저차원 사례에서의 타이트함에 대한 경험적 검증을 제공한다.

결과

• 이론적 경계값: $PNS(k)$, $PSub(k,p)$, $PRep(k,q)$, $P(k,p,q)$에 대한 최댓값/최솟값 표현식을 제공하는 특정 정리들(정리 2~5)을 제시한다. 이 식들은 결합 및 중재 확률의 합과 차를 포함한다.
• 시뮬레이션 성능: 차원 $n \in [3, 20]$을 훑는 시뮬레이션에서, 제안된 경계값은 Li와 Pearl의 재귀적 방법과 비교했을 때 일관되게 격차를 좁혔다. 하한의 평균 개선은 모든 차원에서 양수였다. 특정 샘플 분포에서, 경계값은 약 10%~20%의 사례에서 좁혀졌다.
• 사례 연구:
  • 의료 예시: 세 가지 처치와 세 가지 결과가 있는 시나리오에서, 제안된 방법은 특정 교차 처치 반응 패턴에 대해 0.509의 하한을 낸 반면, 재귀적 방법은 0.428을 냈다. 이 더 타이트한 경계값은 모호성을 해결하여, 대다수의 환자가 이 특정 반응 패턴을 보임을 나타냈다.
  • 교육 예시: 지원 없이 통과하고 있는 학습자들에 대한 집중적 개입의 위험에 관한 쿼리에 대해, 제안된 방법은 비공허한(non-vacuous) 하한(0.344)을 제공했으나, 재귀적 방법은 공허한(vacuous) 경계값인 [0, 1]을 결과로 냈다.

의의 및 주장
본 논문은 분석적으로 도출되었으면서도 실질적으로 계산 가능한 툴킷을 제공함으로써 비이진 인과 확률 이론을 발전시킨다고 주장한다. 그 의의는 주변적 결과 비교(marginal outcome comparisons)로는 보이지 않는 "교차 세계 반응 패턴(cross-world response patterns)"을 포착할 수 있어, 위험 인식 및 이질성 인지 기반의 처치 선택을 가능하게 한다는 점에 있다.

저자들은 결과의 완전성에 대해 신중한 입장을 유지한다:

• 모든 차원에 대해 건전성은 증명되었으나, 일반적인 $n$차원 사례에 대한 타이트함(완전성)의 증명은 여전히 미해결 과제로 남아 있다고 명시하면서도, 그것이 성립할 것이라고 추측한다.
• 공변량(covariates)과 명시적인 인과 그래프를 포함하는 것이 경계값을 더욱 좁힐 수 있음을 인정하며, 이를 향후 연구 방향으로 식별한다.
• 단조성 가정(monotonicity assumptions)이 일부 이진 사례에서는 점 식별(point identification)을 가능하게 하지만, 비이진 대응물은 일반적으로 그렇지 않으며, 더 날카로운 양을 식별하기 위한 구조적 조건을 찾는 것이 여전히 도전적임을 언급한다.

궁극적으로, 이 연구는 다치 설정에서 효율적인 반사실적 귀속을 용이하게 하는, 비이진 PoC를 위한 통합되고 압축된 프레임워크를 제공하며, 이진 가설과 재귀적 계산 방법의 한계를 넘어선다.