Causal attribution by the chain rule: unifying natural selection, learning, economics, and other disciplines

1. 문제 제기 (Problem)

과학 전반 (생물학, 경제학, 통계학, 기계 학습 등) 에서 관찰된 변화나 분산을 구성 요소로 분해하여 인과 관계를 규명하려는 시도가 빈번하게 이루어집니다. 예를 들어, 형질의 변화가 유전자에 의한 것인지 환경에 의한 것인지, 혹은 임금 격차가 교육 수준 차이 때문인지 차별 때문인지 등을 분석합니다.
그러나 이러한 다양한 학문 분야의 분해 방법들은 표면적으로는 서로 다르게 보이며, 각각의 논리적 기반이 명확히 연결되지 않은 채 독립적으로 발전해 왔습니다. 저자는 이러한 다양한 분해 기법들이 사실은 미적분의 체인 규칙 (Chain Rule), 특히 **유한 차분 (Finite Differences) 에 적용된 곱셈 규칙 (Product Rule)**이라는 동일한 대수적 구조에 기반하고 있음을 지적하며, 이 공통된 수학적 기반이 인과 귀속의 핵심 논리를 제공한다고 주장합니다.

2. 방법론 (Methodology)

이 논문은 다음과 같은 수학적 도구를 사용하여 다양한 학문의 분해식을 통합합니다.

• 유한 차분의 곱셈 규칙 (Product Rule for Finite Differences):
  두 변수 $b$와 $x$의 곱 $z = bx$에 대해, 변화량$\Delta z$는 다음과 같이 분해됩니다.
  $$\Delta z = b \Delta x + x' \Delta b$$
  여기서 $x'$은 변화 후의 값 ($x + \Delta x$) 입니다. 첫 번째 항은 $b$를 고정하고 $x$가 변할 때의 변화, 두 번째 항은 $x$의 변화된 값에서 $b$가 변할 때의 변화를 나타냅니다. 이는 미분에서의 곱셈 규칙 ($d(bx) = b dx + x db$) 의 유한 차분 버전입니다.

• 회귀 모델에의 적용:
  평균 값 $\bar{z}$가 예측 변수 벡터 $\bar{x}$와 회귀 계수 벡터 $\mathbf{b}$의 내적 ($\mathbf{b} \cdot \bar{x}$) 으로 표현된다고 가정할 때, 평균의 변화량 $\Delta \bar{z}$는 다음과 같이 분해됩니다.
  $$\Delta \bar{z} = \mathbf{b} \cdot \Delta \bar{x} + \bar{x}' \cdot \Delta \mathbf{b}$$
  이 식은 **회귀 분해 (Regression Decomposition)**의 기본 형태를 이룹니다.

• 인과적 해석 (Counterfactual Causal Analysis):
  수학적 분해 자체는 인과성을 내포하지 않지만, 어떤 요소를 '고정'하고 다른 요소를 '변화'시킨다는 가상의 시나리오 (Counterfactual) 를 설정함으로써 인과적 해석이 가능합니다. 저자는 이 분해가 현대의 반사실적 (counterfactual) 인과 분석의 논리와 직접적으로 연결됨을 보여줍니다.

3. 주요 기여 (Key Contributions)

이 논문은 세 가지 주요 기여를 합니다.

1. 통합된 대수적 구조의 규명:
   피셔의 자연 선택 기본 정리 (Fisher's fundamental theorem), 오악사카 - 블린더 분해 (Oaxaca-Blinder decomposition, 경제학), 키타가와 분해 (Kitagawa decomposition, 인구 통계학), 프라이스 방정식 (Price equation), 그리고 열역학의 여러 표현식들이 모두 유한 차분의 곱셈 규칙으로 환원됨을 증명했습니다. 이는 다양한 학문의 분석 기법이 동일한 수학적 뿌리를 공유함을 보여줍니다.

2. 체인 규칙에서 도출되는 인과 분석의 본질:
   체인 규칙이 시스템 내 각 구성 요소의 변화가 결과에 어떻게 전파되는지를 추적함으로써 인과적 책임을 할당하는 방식을 보여줍니다. 회귀 분해는 단순한 변화의 기술이지만, 여기에 '무엇을 고정할 것인가'라는 해석적 관점 (반사실적 접근) 을 더하면 명확한 인과 분석이 가능해짐을 논증했습니다.

3. 자연 선택과 기계 학습의 통합:
   자연 선택이 유전자 빈도 변화를 통해 적응을 이루는 과정과, 기계 학습 (역전파, Back Propagation) 이 모델 파라미터를 업데이트하여 손실 함수를 최소화하는 과정이 모두 체인 규칙을 통한 인과 귀속이라는 동일한 원리에 기반함을 밝혔습니다. 두 과정 모두 성공 또는 실패의 원인을 하위 구성 요소 (유전자 또는 가중치) 로 거슬러 추적하여 업데이트를 수행합니다.

4. 결과 및 분석 (Results)

• 피셔의 자연 선택 기본 정리:
  피셔의 정리는 평균 적합도 ($\bar{w}$) 의 변화를 $\Delta \bar{w} = \mathbf{b} \cdot \Delta \mathbf{p} + \mathbf{p}' \cdot \Delta \mathbf{b}$로 분해합니다.

  • 첫 번째 항 ($\mathbf{b} \cdot \Delta \mathbf{p}$): 유전자 빈도 ($\mathbf{p}$) 의 변화로 인한 적합도 변화 (자연 선택의 직접적인 힘). 여기서 회귀 계수 (평균 효과, $\mathbf{b}$) 는 고정됩니다. 이는 **가산 유전 분산 (additive genetic variance)**과 일치합니다.
  • 두 번째 항 ($\mathbf{p}' \cdot \Delta \mathbf{b}$): 유전적 맥락이나 환경 변화로 인한 평균 효과의 변화를 나타냅니다.
  • 피셔는 첫 번째 항을 자연 선택의 순수한 힘으로 해석했습니다.

• 경제학 (오악사카 - 블린더 분해):
  두 집단 간 임금 격차를 분해할 때, 첫 번째 항은 교육 수준 등의 관측 가능 특성 ($\bar{x}$) 의 차이로 설명되는 부분이고, 두 번째 항은 교육과 임금 간의 관계 (회귀 계수 $\mathbf{b}$) 의 차이로 설명되는 부분입니다. 경제학자들은 종종 두 번째 항을 차별 (discrimination) 의 지표로 해석합니다.

• 인구 통계학 (키타가와 분해):
  두 인구의 사망률 차이를 연령 구성의 차이와 연령별 사망률의 차이로 분해합니다. 이는 위 수식과 동일한 구조를 가집니다.

• 기계 학습 (역전파):
  신경망 학습에서 손실 함수의 변화는 각 가중치 (파라미터) 의 변화에 대한 체인 규칙 적용을 통해 계산됩니다. 이는 자연 선택이 유전자 빈도를 업데이트하는 방식과 수학적으로 동형 (isomorphic) 입니다.

5. 의의 및 결론 (Significance)

• 학문 간 장벽 해소: 생물학, 경제학, 통계학, 인공지능 등 서로 다른 분야에서 사용되던 복잡한 분해 기법들이 사실은 매우 단순한 대수적 항등식 (체인 규칙) 에 기반하고 있음을 보여줌으로써 학문 간 통합을 이루었습니다.
• 인과 분석의 명확화: 인과 분석이 복잡한 통계적 모델링에 의존하기보다는, "무엇을 고정하고 무엇을 변화시킬 것인가"라는 반사실적 질문을 통해 체인 규칙의 분해 항을 해석하는 것에서 비롯됨을 명확히 했습니다.
• 자연과 인공 지능의 공통 원리: 자연 선택 (진화) 과 인공 지능 (학습) 이 모두 체인 규칙을 통해 시스템의 성공/실패 원인을 하위 요소로 귀속시키고 이를 기반으로 시스템을 최적화한다는 공통된 메커니즘을 가짐을 시사합니다.
• 실용적 통찰: 완전한 시스템 동역학을 계산하는 것이 불가능한 경우가 많으므로, 부분적인 변화 (파라미터 고정) 를 통해 인과적 영향을 추정하는 것이 학습과 최적화의 핵심 전략임을 강조합니다.

요약하자면, 이 논문은 체인 규칙이라는 단순한 수학적 원리가 자연 선택, 경제 분석, 기계 학습 등 다양한 분야의 인과 귀속 (Causal Attribution) 방법론의 공통된 기초임을 규명하여, 복잡한 현상 뒤에 숨겨진 단순한 구조를 드러내고 학제 간 이해를 심화시켰다는 점에서 중요한 의의를 가집니다.