Causal Partial Identification via Conditional Optimal Transport

이 논문은 **조건부 최적 수송 (Conditional Optimal Transport, COT)**을 활용하여 단일 단위 (unit) 의 치료 (treatment) 및 대조 (control) 결과에 대한 결합 분포를 포함하는 인과적 추정량 (causal estimand) 을 부분적으로 식별 (Partial Identification, PI) 하는 문제를 다룹니다. 특히, 기존 방법들의 한계를 극복하고 **적응된 워서스타인 거리 (Adapted Wasserstein distance)**를 기반으로 한 일관된 비모수 추정기를 제안합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem Formulation)

• 배경: 인과 추론에서 각 단위는 치료군 ($Y(1)$) 과 대조군 ($Y(0)$) 의 두 가지 잠재적 결과를 가지지만, 동시에 관찰할 수 없습니다. 이로 인해 두 결과의 결합 분포는 식별 불가능하며, 인과적 추정량 (예: 치료 효과의 분산) 은 부분적으로만 식별 가능합니다.
• 공변량 (Covariates) 의 역할: 사전 공변량 ($Z$) 을 활용하면 잠재적 결과의 불확실성을 줄이고 더 좁은 부분 식별 (PI) 구간을 얻을 수 있습니다. 이를 위해 **조건부 최적 수송 (COT)**이 사용됩니다.
• 핵심 문제:
  • 기존 연구는 COT 문제를 통해 공변량 지원 PI 집합을 특성화했지만, **유한 표본 (finite-sample)**에서의 추정은 심각한 도전에 직면해 있습니다.
  • 불연속성 문제: 약한 위상 (weak topology) 하에서 COT 기능량은 불연속입니다. 따라서 관측된 데이터에 대한 직접적인 플러그인 추정기 (plug-in estimator) 는 일관성 (consistency) 을 갖지 못합니다. (예: 연속적인 공변량 값에서 치료군과 대조군이 겹치는 경우가 거의 없어 조건부 분포가 잘 정의되지 않음).
  • 기존 해결책은 COT 문제를 완화하거나, 비모수적인 nuisance statistics(교란 변수) 를 추정하는 간접적인 방법에 의존했으나, 이는 추정의 복잡성을 증가시키거나 통계적 보장이 부족합니다.

2. 방법론 (Methodology)

이 논문은 COT 기능량의 강한 위상 (stronger topology) 하에서의 연속성을 증명하고, 이를 기반으로 한 새로운 추정기를 제안합니다.

A. 이론적 기반: 적응된 워서스타인 거리 (Adapted Wasserstein Distance)

• 연속성 증명: 저자들은 COT 기능량이 약한 위상 하에서는 불연속이지만, **적응된 워서스타인 거리 ($W_a$)**로 유도된 위상 하에서는 연속임을 증명합니다 (Theorem 2).
  • $W_a$는 결합 분포 전체의 근접성이 아니라, 공변량 조건부 분포 (transition kernels) 간의 거리를 측정합니다.
  • 이 위상 하에서 공변량 조건부 분포가 균일하게 수렴하면 COT 값도 수렴합니다.

B. 추정기 제안: 적응된 경험 분포 (Adapted Empirical Distribution)

• 이산화 (Discretization): 공변량 공간 ($Z$) 을 유한한 셀 (cells) 로 분할하여 이산화합니다.
  • 각 관측된 공변량을 해당 셀의 중심 (cell-center) 으로 투영합니다.
  • 중요한 차이점: 기존 연구와 달리 결과 변수 ($Y$) 는 이산화하지 않고, 공변량 ($Z$) 만을 이산화합니다. 이는 조건부 분포를 추정할 때 공변량 값이 겹치지 않는 문제를 해결하기 위함입니다.
• 적응된 COT 추정기:
  1. 치료군과 대조군의 데이터를 각각 이산화된 공변량 셀에 매핑하여 적응된 경험 분포 $\hat{\mu}$를 구성합니다.
  2. 두 그룹의 이산화된 공변량 분포 사이의 최적 결합 (optimal coupling) $\hat{\pi}$를 찾습니다.
  3. 이 결합을 사용하여 조건부 워서스타인 거리 ($W_h$) 의 가중 평균을 계산하여 COT 값 추정치 $\hat{V}$를 도출합니다.
• 공변량 의존 치료 할당 (Covariate-dependent Treatment):
  • 관찰 연구에서 치료 할당 확률 (propensity score) 이 공변량에 의존하는 경우, **가중치 (reweighting)**를 적용하여 공변량 분포의 시프트 (shift) 를 보정합니다.
  • propensity score 를 추정할 때 교차 적합 (cross-fitting) 기법을 사용하여 추정치와 데이터 간의 의존성을 제거합니다.

3. 주요 기여 (Key Contributions)

1. 이론적 정립:
   • 공변량 지원 PI 집합에 대한 COT 공식화를 정립했습니다 (Theorem 1).
   • 적응된 워서스타인 거리 위상 하에서 COT 기능량의 연속성을 증명했습니다 (Theorem 2). 이는 직접적인 플러그인 추정기의 일관성을 가능하게 하는 핵심 이론적 토대입니다.
2. 통계적 추정기 개발:
   • nuisance function(교란 함수) 추정이 필요 없는 직접적이고 일관된 비모수 추정기를 제안했습니다.
   • 유한 표본에서의 **수렴 속도 (convergence rate)**를 유도했습니다 (Theorem 4).
     • 오차 한계는 $O((n \wedge m)^{-\frac{1}{d_Z + 2 \vee d_Y}})$ 형태로, 차원 저주 (curse of dimensionality) 를 고려한 최적의 속도를 가집니다.
   • 공변량 분포의 변화 (distributional shift) 에 대한 **강건성 (robustness)**을 보장합니다 (Theorem 5).
   • 공변량 의존 치료 할당 (observational studies) 상황으로 결과를 확장했습니다 (Theorem 6).
3. 실험적 검증:
   • 다양한 시뮬레이션 (선형, 비선형, 스케일 모델) 과 실제 데이터 (STAR 프로젝트) 를 통해 제안된 방법의 유효성을 입증했습니다.

4. 결과 (Results)

• 수렴성: 제안된 추정기는 표본 크기가 커짐에 따라 참값 (true COT value) 으로 거의 확실히 (almost surely) 수렴함을 보였습니다.
• 성능 비교:
  • 기존 방법 (DualBounds 등) 은 공변량 - 결과 모델에 대한 특정 가정 (선형성 등) 이 맞을 때만 잘 작동하거나, KNN 기반 방법의 경우 비선형성을 포착하지 못해 성능이 떨어지는 경향이 있었습니다.
  • 반면, 제안된 적응된 COT 추정기는 모델 가정을 요구하지 않으며, 선형 및 비선형 모델 모두에서 일관되게 우수한 성능을 보였습니다. 특히 비선형 모델 (Quadratic location model) 에서 기존 방법들을 압도했습니다.
• 실제 데이터: STAR(학생 성취 및 유지) 프로젝트 데이터를 기반으로 한 시뮬레이션에서도 PI 경계 추정 오차가 기존 방법보다 낮았습니다.

5. 의의 및 결론 (Significance)

• 통계적 엄밀성: COT 추정 문제에 대해 nuisance parameter 추정 없이 일관된 추정기를 제공하며, 증명 가능한 수렴 속도를 갖는 최초의 방법 중 하나입니다.
• 방법론적 발전: 적응된 워서스타인 거리를 COT 추정과 결합하여, 조건부 분포의 불연속성 문제를 해결하는 새로운 패러다임을 제시했습니다.
• 실용성: 복잡한 인과 추론 문제 (예: 치료 효과 분산, 반사실적 결과의 결합 분포 분석) 에서 공변량을 효과적으로 활용하여 불확실성을 줄일 수 있는 강력한 도구를 제공합니다.
• 확장성: 이 프레임워크는 다중 치료 수준 (multiple treatment levels) 으로 확장 가능하며, 삼각형 수송 맵 (triangular transport maps) 과의 이론적 연결고리도 논의되었습니다.

요약하자면, 이 논문은 조건부 최적 수송을 통한 인과적 부분 식별 문제를 해결하기 위해 적응된 워서스타인 거리를 도입하고, 이를 기반으로 강건하고 일관된 비모수 추정기를 개발하여 이론적, 실증적 우수성을 입증한 중요한 연구입니다.