Comparing Two Proxy Methods for Causal Identification

기술적 요약: 인과적 식별을 위한 두 가지 대리변수 방법 비교

문제 제기
측정되지 않은 교란변수가 존재하는 상황에서 인과 효과를 식별하는 것은 인과 추론에서 여전히 근본적인 과제로 남아 있습니다. 표준 조정 공식 (예: 백도어 조정) 은 모든 공통 원인을 관측해야 하지만, 잠재적 교란변수와 연관된 변수를 활용하는 대리변수 방법은 강력한 해결책으로 등장했습니다. 이 영역 내에서 비모수적 식별을 위한 두 가지 구별되는 방법론적 프레임워크가 발전해 왔습니다. 바로 브릿지 방정식 접근법(Miao et al., 2018) 과 배열 분해 접근법(Kuroki and Pearl, 2014; Allman et al., 2015) 입니다. 두 방법 모두 숨겨진 교란변수를 처리하기 위해 대리변수를 활용하지만, 서로 다른 조건부 독립 구조와 수학적 메커니즘에 의존합니다. 두 방법의 기본 가정, 적용 범위 및 상호 관계에 대한 정확한 비교가 부재하여, 이 분야의 주요 기여자들 사이에서도 활발한 논의가 이루어지고 있습니다.

방법론 및 프레임워크
본 논문은 공유된 조건부 독립성 아래 두 프레임워크를 공통의 기반 위에 배치함으로써 이를 종합합니다. 이를 위해 이산 행렬 표현과 연속 연산자 이론적 유사체를 모두 활용하여 기술적 요구 사항을 명확히 합니다.

1. 브릿지 방정식 접근법:

   • 메커니즘: 이 방법은 적분 방정식 (브릿지 방정식) 을 풀어 반사실 분포를 직접 회복합니다. 측정되지 않은 교란변수 ($U$) 에 대한 관측된 대리변수 ($Z$ 및 $W$) 를 사용하여 표준 교란변수 조정 공식을 재표현함으로써, 잠재변수와 관측변수의 완전한 결합 법칙을 식별하지 않고도 이를 수행합니다.
   • 주요 가정:
     • 조건부 독립성: $W \perp\!\!\perp Z, A \mid U$ 및 $Z \perp\!\!\perp Y \mid U, A$.
     • 완전성 (가정 6): $E[g(U) \mid Z, A] = 0 \implies g(U) = 0$을 요구하는 일반화된 선형 독립 조건입니다. 이산적 설정에서는 조건부 분포 행렬 $P_{U|Z,A}$가 우측 가역적임을 의미합니다.
     • 브릿지 방정식의 해 (가정 7): $f_{Y|Z,A} = \int h(w,a,y) f_{W|Z,A} dw$를 만족하는 함수 $h$의 존재를 요구합니다. 이산적 설정에서는 $P_{Y|Z,A} = H P_{W|Z,A}$를 만족하는 행렬 $H$의 존재에 해당합니다.
   • 결과: 개입 분포 $f_{Y(a)}(y)$를 식별하지만, 일반적으로 $U$에 의존하는 함수 (예: $f_{Y|U,A}$ 또는 $f_U$) 는 식별하지 못합니다.

2. 배열 분해 접근법:

   • 메커니즘: 이 방법은 고유값 분해 또는 텐서 분해를 통해 잠재변수와 관측변수의 완전한 결합 법칙 (잠재 카테고리 레이블을 제외하고) 을 회복하며, 여기서 인과 효과가 유도됩니다. 이는 Kruskal(1977) 의 CANDECOMP/PARAFAC(CP) 분해에 대한 유일성 정리에 기반합니다.
   • 주요 가정:
     • 조건부 독립성: $W \perp\!\!\perp A \mid U$ 및 $W, Z, Y$가 $U, A$가 주어졌을 때 상호 독립입니다.
     • 가역성/계수 조건: 행렬 $P_{Z|U,A}$ 및 $P_{W|U}$의 가역성 (또는 좌측 가역성) 을 요구합니다.
     • Kruskal 계수 조건: 이산 모델에서 분해의 유일성은 부등식 $2R + 2 \leq k_A + k_B + k_C$에 의존하며, 여기서 $R$은 계수 (잠재 상태의 수) 이고 $k$는 인자 행렬의 Kruskal 계수를 나타냅니다.
     • 비공선성: 잠재변수가 주어진 결과의 조건부 분포는 잠재 상태마다 달라야 합니다.
   • 결과: 잠재 레이블의 치환을 제외하고 완전한 결합 법칙 $f_{A,Y,U,W,Z}$를 식별하여 $f_{Y(a)}(y)$의 유도를 가능하게 합니다.

주요 결과 및 비교
본 논문은 그림 3 에 묘사된 공유된 조건부 독립 구조 하에서 (여기서 $Z$와 $W$는 측정되지 않은 교란변수 $U$의 대리변수임) 이러한 접근법들 간의 엄격한 비교를 제공합니다.

• 이산 모델:

  • Kuroki 와 Pearl(2014) 의 가정 (세트 1) 은 Miao 등 (2018) 의 가정보다 강합니다. 구체적으로, 배열 분해 접근법에서 $P_{Z|U,A}$ 및 $P_{W|U}$의 가역성은 브릿지 방정식 접근법에 필요한 좌측 역행렬 $P_{W|Z,A}$의 존재를 함의합니다. 따라서 Kuroki-Pearl 모델은 Miao 등 모델 내에 포함됩니다.
  • 그러나 브릿지 방정식 접근법을 일반화된 Kruskal 조건 (세트 2) 과 비교할 때, 두 모델은 서로 포함되지 않습니다. 브릿지 방정식 가정은 Kruskal 계수 부등식 ($2R + 2 \leq k_A + k_B + k_C$) 을 함의하지 않으며, 그 역도 성립하지 않습니다. 이는 각 프레임워크가 모델 공간의 서로 다른 영역을 커버함을 나타냅니다.

• 연속 모델:

  • 본 논문은 배열 분해 접근법에 대해 Hu 와 Schennach(2008) 및 Deaner(2023) 를 참조하여 비교를 연속적 설정으로 확장합니다.
  • 저자들은 이산적 발견과 유사하게 두 모델이 연속적인 경우에도 서로 포함되지 않을 것으로 추측합니다. 그들은 두 접근법의 가정 모두를 만족하는 예시 (선형 가우시안 모델) 를 제시하여 적용 가능성의 중첩을 보여줍니다.

• 추정:

  • 본 논문은 브릿지 방정식 방법이 특정 모수적 가정 (예: 위치 - 스케일 계열) 하에서 효율적인 영향 함수와 반모수적 효율성 결과를 확립했다고 간략히 언급합니다.
  • 반면, 배열 분해 방법은 종종 근사를 위한 sieve 방법에 의존하며, 숨겨진 치료 대리변수에 대한 반모수적 이론이 존재하지만 숨겨진 교란변수에 대해서는 아직 초기 단계의 영역으로 남아 있습니다.

의의 및 기여
이 연구의 주요 기여는 두 가지 기초적인 대리변수 기반 식별 전략 간의 관계를 명확히 하는 것입니다. 문헌을 종합함으로써 저자들은 다음과 같은 점을 달성합니다:

1. 범위 명확화: 두 접근법이 동일한 논리의 단순한 대안적 구현이 아니라, 종종 서로 포함되지 않는 구별된 가정에 의존함을 보여줍니다.
2. 기호 통합: 이산 사례를 위한 행렬 표현과 연속 사례를 위한 연산자 이론을 사용하여 두 프레임워크를 공통의 기반 위에 배치함으로써 기술적 미묘함을 더 투명하게 만듭니다.
3. 적용 지침: 실무자에게 특정 데이터 구조에 적합한 방법을 더 명확하게 이해할 수 있도록 돕습니다. 예를 들어, 완전한 결합 법칙이 필요한 경우 (예: 잠재 레이블 회복 또는 관측되지 않은 노출 분석) 배열 분해 접근법이 필요합니다. 반면 인과 효과만 필요하고 텐서 분해를 위한 계수 조건이 충족되지 않는다면 브릿지 방정식 접근법이 여전히 실행 가능할 수 있습니다.

본 논문은 두 방법 모두 숨겨진 교란변수에 대한 강력한 해결책이지만, 방법론적 발전과 실제 적용을 위해서는 기본 가정에 대한 신중한 설명이 필수적이라고 결론지었습니다. 향후 연구 방향으로는 더 복잡하고 일반적으로 식별 불가능한 시나리오로 근접 방법 (proximal methods) 을 확장하고, 이러한 접근법에서 유도된 추정량에 대한 일반적인 반모수적 이론을 정립하는 것을 포함합니다.