기술 요약: 인과 효과 식별 가능성의 입도(Granularity)에 관하여

문제 정의

고전적인 인과 효과 식별 가능성의 개념은 변수 기반(variable-based) 수준에서 정의된다. 즉, 일련의 처치 변수 $X$가 일련의 결과 변수 $Y$에 미치는 인과 효과(이를 $Pr_X(Y)$로 표기)를 관측 데이터와 인과 그래프로부터 유일하게 추정할 수 있는지 여부를 결정하는 것이다. 이 접근 방식은 만약 어떤 효과가 식별 가능하다면, $X$에 대한 모든 가능한 개입(intervention)과 $Y$의 모든 가능한 상태에 대해서도 반드시 식별 가능해야 한다고 가정한다.

그러나 많은 실제 시나리오에서 연구자들은 상태 기반(state-based) 인과 효과, 즉 특정 개입 $X=x$가 특정 결과 상태 $Y=y$에 미치는 효과(이를 $Pr_x(y)$로 표기)에 관심을 갖는다. 본 논문은 변수 기반의 정의가 추가적인 지식이 가용한 상황에서는 너무 거친 입도(coarse-grained)를 가질 수 있다고 주장한다. 구체적으로, 저자들은 상태 기반 효과가 대응하는 변수 기반 효과가 식별 불가능할 때도 식별 가능할 수 있는지, 그리고 추가적인 제약 조건—특히 맥락 특이적 독립성(Context-Specific Independencies, CSIs) 및 상태 제약(state constraints)—이 이러한 차이에 어떻게 영향을 미치는지 조사한다.

방법론

1. 상태 기반 식별 가능성의 정식화

본 논문은 상태 기반 식별 가능성(정의 2)을 특정 상태 $x$와 $y$에 대하여, 인과 그래프 $G$가 주어졌을 때 관측 분포 $Pr(V)$로부터$Pr_x(y)$를 유일하게 계산할 수 있는 것으로 정의한다.

• 고전적 동등성: 추가적인 제약 조건이 없는 경우(오직 $G$와 $Pr(V)$만 존재하는 경우), 본 논문은 변수 기반 식별 가능성과 상태 기반 식별 가능성이 동등함을 증명한다(명제 1). 즉, 하나가 식별 가능하다면 다른 하나도 식별 가능하다.
• 제약의 역할: 차별성은 추가적인 지식이 도입될 때 비로소 의미를 갖는다. 본 논문은 두 가지 유형의 제약에 집중한다:
  • 맥락 특이적 독립성 (CSIs): $(Y \perp\!\!\!\perp P_1 | p_2, P_3)$ 형태의 제약으로, 특정 맥락 상태 $p_2$ 하에서만 독립성이 성립함을 나타낸다.
  • 상태 제약 (State Constraints): 특정 변수의 가능한 상태를 제한하는 지식(예: 변수가 이진형임).

2. 이론적 분리 결과

저자들은 추가적인 지식이 두 식별 수준 사이의 분리를 만들어낼 수 있음을 보여준다:

• CSI 제약: CSIs는 일부 변수 기반 효과를 식별 가능하게 만들 수도 있지만(명제 7), 변수 기반 효과는 식별 불가능하게 남겨두면서 특정 상태 기반 효과만을 식별 가능하게 만들 수도 있다(명제 6). 예를 들어, 어떤 정책이 신입 사원의 경우에만 직급(degree)을 무시한다면, 이 CSI는 숙련직 노동자에 대해서는 경험이 급여에 미치는 효과를 식별 불가능하게 만들면서도, 신입 사원에 대해서는 그 효과를 식별 가능하게 만든다.
• 상태 제약: 세미-마르코프 그래프(semi-Markovian graphs)에서 상태 제약 단독으로는 식별 가능성을 개선하지 못한다(명제 8). 그러나 CSIs와 결합될 경우, 상태 제약은 변수 기반 및 상태 기반 식별 가능성을 모두 크게 개선할 수 있다(명제 9). 또한, 변수 기반 효과는 식별 불가능한 상태에서도 특정 상태에 대한 상태 기반 식별 가능성을 가능하게 할 수 있다(명제 10).

3. 식별 알고리즘

이러한 제약 조건 하에서의 식별 가능성을 테스트하기 위해, 본 논문은 그래프 분해에 기반한 체계적인 접근 방식을 제안한다:

• 맥락 유도 그래프 (CI-graphs): 저자들은 원래의 인과 그래프를 특정 맥락 하에서의 활성 CSIs에 따라 엣지를 제거하여 축소한 버전인 CI-그래프를 도입한다. 이는 파라미터 공간을 줄이고 그래프 구조를 단순화한다.
• 알고리즘 1 (ID-CSI): CSI 제약 하에서 상태 기반 식별 가능성을 테스트하는 알고리즘이다. 처치 및 결과 상태($xy$)의 맥락 하에서 가능한 CI-그래프들을 열거하고, 생성된 절단된(mutilated) 그래프를 **c-성분(c-components)**으로 분해하며, 수정된 재귀적 절차(ID-QFUNC)를 사용하여 유도된 **c-요인(c-factors)**의 식별 가능성을 확인한다.
• 알고리즘 2 (ID-CSI-STATE): CSI와 상태 제약을 모두 처리하는 확장 버전이다. **맥락 분할(context-partitions)**을 활용하여 식별 문제를 하위 쿼리로 나누는 데 사용한다. 이 알고리즘은 상태 제약에 의해 제약된 변수들의 가능한 모든 맥락 분할에 대해 반복하며, 문제를 알고리즘 1을 사용하여 하위 쿼리 $Pr_x(y, s_i)$를 식별하는 문제로 환원한다.
• 휴리스틱 (Heuristics): CI-그래프와 맥락 분할을 열거하는 데 따르는 지수적 복잡도를 해결하기 위해, 본 논문은 그래프 프루닝(pruning)과 맥락 분할을 위한 단일 선택을 수행하여 복잡도를 다항 시간으로 줄이는 휴리스틱(섹션 5.4)을 제안한다.

주요 기여

1. 식별 가능성의 입도 (Granularity of Identifiability): 본 논문은 추가적인 제약(CSIs 및 상태 제약)이 존재할 때, 상태 기반 식별 가능성이 변수 기반 식별 가능성보다 엄격하게 더 세밀한(finer-grained) 개념임을 확립한다. 즉, 일반적인 변수 기반 효과는 식별 불가능하더라도 특정 상태 쌍에 대한 인과 효과는 식별 가능할 수 있음을 증명한다.
2. 제약의 영향: CSIs와 상태 제약이 어떻게 상호작용하는지 규명한다. CSIs 단독으로는 두 수준을 분리할 수 있지만, 상태 제약은 단독으로는 효과가 없으나 CSIs와 결합될 때 강력하며, 변수 기반과 상태 기반 식별 가능성 사이의 간극을 넓힐 수 있음을 보여준다.
3. 새로운 알고리즘: 본 논문은 CSIs와 상태 제약을 처리하기 위해 고전적인 식별 방법(예: IDENTIFY)을 확장한 알고리즘 1과 알고리즘 2를 도입한다. 이 알고리즘들은 맥락 유도 그래프와 수정된 c-요인 분해를 사용하여 식별 공식을 도출하거나 식별 불가능성을 판정한다.
4. 실증적 검증: 저자들은 무작위로 생성된 인과 그래프에 대한 실증 연구를 수행하여, 제안된 알고리즘의 완결성(completeness)과 효율성을 고전적 방법 및 DOSEARCH 패키지와 비교 평가한다.

결과

• 식별 가능성 이득: 실증 결과, CSI 제약과 상태 제약을 부과하는 것은 변수 기반 및 상태 기반 두 수준 모두에서 식별 가능한 인과 효과의 수를 증가시킨다.
• 간극의 확대: CSIs의 수가 증가함에 따라(파라미터 $r$로 제어), 식별 가능한 상태 기반 효과의 수와 변수 기반 효과의 수 사이의 간극이 넓어진다. 예를 들어, $n=50$인 변수와 상태 제약이 있을 때, $r=0.8$이면 식별 가능한 상태 기반 효과의 수가 변수 기반 효과보다 16개 더 많았다.
• 효율성: 제안된 휴리스틱 알고리즘(ID-CSI-HEU 및 ID-CSI-STATE-HEU)은 전수 조사에 의존하며 $n \ge 15$인 그래프에서 자주 타임아웃이 발생하는 DOSEARCH에 비해 현저히 높은 계산 효율성을 보여준다. 제안된 방법들은 실행 가능한 시간 내에 유사하거나 더 많은 수의 변수 기반 효과를 성공적으로 식별한다.
• 완결성: 알고리즘은 건전함(sound)이 증명되었다. 제약 조건이 없을 때, 알고리즘 1은 완전한 IDENTIFY 알고리즘과 동일하다.

의의

본 논문은 변수 기반 식별 가능성과 상태 기반 식별 가능성의 구분이 단순히 이론적인 것에 그치지 않고, 특정 개입과 결과가 중요한 분야(예: 특정 인구 통계 그룹에 대한 정책 분석 또는 특정 환자 상태에 대한 의료 처치)의 인과 추론에 실질적인 함의를 갖는다고 주장한다. 추가적인 지식(CSIs 및 상태 제약)이 변수 기반 방법론이 실패하는 지점에서 특정 상태 기반 효과를 식별 가능하게 만들 수 있음을 보여줌으로써, 본 연구는 더 정교한 상태 기반 접근 방식의 필요성을 강조한다. 제안된 알고리즘은 이러한 추가 지식을 활용하여 기존에는 접근할 수 없었던 인과적 통찰을 추출할 수 있는 실질적인 도구를 제공한다.