기술 요약: UA-DCM: 효과 경계 분해를 통한 불확실성 인지적 인과 의사결정

1. 문제 정의

인과 의사결정은 관측 데이터에 기반하여 최적의 행동(예: 특정 치료법 또는 정책)을 식별하는 것을 목표로 합니다. 그러나 최적의 행동을 결정하는 데는 두 가지 뚜렷한 불확실성 원인이 방해가 됩니다:

1. 구조적(비식별성) 불확실성 (Structural (Non-Identifiable) Uncertainty): 무한한 데이터가 있더라도, 관측되지 않은 교란 요인들로 인해 인과 효과를 유일하게 식별하지 못할 수 있습니다. 이 경우, 관측 데이터와 일치하는 서로 다른 구조적 인과 모델(SCM)들이 서로 다른 개입 분포를 생성할 수 있습니다.
2. 표본 불확실성 (Sample Uncertainty): 현실적인 시나리오에서 데이터는 유한합니다. 이는 통계적 불확실성을 유발하여, 추정된 관측 분포가 실제 분포에서 벗어나게 만듭 most.

인과 효과의 경계를 구하는 기존 방법들(예: 기호적 경계 또는 신경망 기반 접근 방식)은 일반적으로 이러한 불확실성의 합집합을 나타내는 단일 구간을 제공합니다. 여기에는 중요한 격차가 존재합니다: 실무자는 넓은 경계가 데이터 부족 때문인지(더 많은 샘플을 수집함으로써 해결 가능), 아니면 근본적인 구조적 비식별성 때문인지(추가 변수나 개입 없이는 더 많은 데이터로도 해결 불가능)를 구분할 수 없습니다. 결과적으로 전문가들은 더 많은 데이터를 수집할지, 새로운 변수를 관찰할지, 아니면 무작위 대조 시험으로 전환할지에 대한 지침을 얻지 못합니다.

2. 방법론: UA-DCM

저자들은 **UA-DCM (Uncertainty-aware Causal Decision Making)**을 제안합니다. 이 프레임워크는 인과 효과 경계의 총 에피스테믹 불확실성(epistemic uncertainty)을 비식별(non-ID) 불확실성과 표본 불확실성으로 분해합니다.

2.1 이론적 분해

이 방법은 신뢰 집합 $C$ 내의 가능한 모든 관측 분포에 대해 일치하는 SCM들의 평균 처치 효과(ATE) 범위를 정의합니다.

• 비식별 불확실성 (내부 영역, Non-ID Uncertainty): 신뢰 집합 $C$ 내의 모든 가능한 관측 분포에 걸친 인과 효과 구간의 교집합으로 정의됩니다. 이 영역은 관측되지 않은 교란 요인에서 비롯되므로, 무한한 샘플을 확보하더라도 제거할 수 없는 값들을 나타냅니다.
• 표본 불확실성 (외부 밴드, Sample Uncertainty): 인과 효과 구간의 합집합과 비식별 교집합 사이의 차집합으로 정의됩니다. 이 영역은 신뢰 집합 $C$가 축소됨에 따라 샘플 크기를 늘림으로써 줄일 수 있는 값들을 나타냅니다.

저자들은 이를 min-max 및 max-min 문제에서 도출된 네 가지 최적화 양상으로 정형화합니다:

• $L_x, \bar{L}_x, \bar{U}_x, U_x$
  • 비식별 영역은 $[\bar{L}_x, \bar{U}_x]$입니다.
  • 표본 불확실성 영역은 $[L_x, \bar{L}_x] \cup [\bar{U}_x, U_x]$입니다.

2.2 의사결정 로직

이 분해를 바탕으로, 프레임워크는 다음과 같은 의사결정 프로토콜을 제공합니다:

1. 반환 (의사결정 완료, Return): 비식별 영역이 완전히 양수(또는 음수)인 경우, 샘플 크기에 관계없이 최적의 행동은 명확합니다.
2. 관찰 (새로운 변수 필요, Observe): 비식별 영역에 0이 포함되어 있는 경우(즉, 무한한 데이터가 있어도 의사결정이 모호한 경우), 더 많은 샘플을 수집하는 것은 무의미합니다. 실무자는 추가적인 변수(예: 도구 변수)를 관찰해야 합니다.
3. 수집 (더 많은 데이터 필요, Collect): 비식별 영역은 명확하지만 표본 불확실성 영역이 의사결정 경계와 겹치는 경우, 모호함은 유한한 샘플에서 기인합니다. 실무자는 더 많은 데이터를 수집해야 합니다.

2.3 알고리즘 구현

실제 환경에서 이러한 경계를 근사하기 위해 저자들은 **심층 인과 모델(Deep Causal Models, DCM)**을 활용합니다:

• $\epsilon$-net 구축 (알고리즘 3): 경험적 분포를 인수분해하고, 호프딩 부등식(Hoeffding's inequality)을 사용하여 조건부 확률에 대한 신뢰 구간을 구축합니다. 이 구간들로부터 후보 결합 분포 세트를 샘플링하여 신뢰 집합을 근사합니다.
• 완화된 DCM 학습 (알고리즘 2): $\epsilon$-net 내의 각 후보 분포에 대해 신경망 인과 모델을 학습시킵니다. 라그랑주 쌍대성 기반 최적화를 사용하여, 모델이 입력 분포와 작은 $\epsilon$ 거리 내에 머물도록 제약하는 동시에 인과 효과(ATE)를 최대화하거나 최소화하도록 합니다.
• 탐색 (알고리즘 1): 알고리즘은 모든 후보 분포로부터 경계를 집계하여 네 가지 양상($L_x, \bar{L}_x, \bar{U}_x, U_x$)을 계산하고, 다음 전략적 단계(반환, 관찰 또는 수집)를 결정합니다.

3. 주요 기여

1. 새로운 분해 방식: 본 논문은 비식별 쿼리에 대해 인과 효과 경계의 구조적(non-ID) 불확실성과 표본 불확실성을 구분하는 최초의 방법을 소개합니다. 이를 통해 실무자는 높은 확률로 더 많은 관측 샘플을 수집하는 것이 최적의 행동을 식별하는 데 도움이 될지 판단할 수 있습니다.
2. UA-DCM 알고리즘: 신경 인과 모델과 $\epsilon$-net을 사용하여 이러한 분해를 근사하고, 내부(non-ID) 및 외부(sample) 경계를 계산할 수 있는 실용적인 알고리즘을 제공합니다.
3. 전략적 의사결정 프레임워크: 데이터 수집 전략을 안내하는 체계적인 접근 방식을 제공하여, 언제 데이터 수집을 멈출지, 언제 새로운 변수(예: 도구 변수)를 관찰할지, 또는 언제 무작위 대조 시험으로 전환할지를 조언합니다.

4. 실험 결과

저자들은 합성 데이터셋과 실제 "부모의 노동 공급(Parents' Labor Supply)" 데이터셋을 통해 UA-DCM을 평가했습니다.

• 합성 데이터 (SCM 1): 관측되지 않은 교란 요인이 있는 시나리오에서, 베이스라인 방법들(closed-form bounds, NCM, autobound)은 넓은 구간을 생성했지만 불확실성의 원인에 대한 통찰을 제공하지 못했습니다. UA-DCM은 샘플 크기가 작고 관측되지 않은 교란 요인이 있는 경우 비식별 영역이 존재함을 정확히 식별하였으며, 단순히 더 많은 샘플을 모으기보다 추가적인 변수(도구 변수)를 수집하라고 올바르게 권고했습니다. 도구 변수가 추가됨에 따라 비식별 영역이 줄어들었고, 결국 확정적인 의사결정이 가능해졌습니다.
• 합성 데이터 (SCM 2): 관측된 교란 요인만 있는 설정(식별 가능한 경우)에서, UA-DCM은 비식별 영역이 한 점(또는 점에 가까운 형태)으로 수렴함을 보여주었습니다. 이는 남은 불확실성이 순수하게 샘플 크기에서 기인하며, 더 많은 데이터를 수집함으로써 줄일 수 있음을 정확히 나타냈습니다.
• 확장성: 알고리즘은 분포를 인수분해하고 낮은 확률의 결합 조합을 무시함으로써 최대 18개의 변수를 가진 그래프까지 성공적으로 확장되었습니다.
• 실제 데이터 (부모의 노동 공급): Angrist와 Evans(1996)의 데이터셋에 적용하여 가족 규모가 노동 공급에 미치는 영향을 분석했습니다. 알고리즘은 데이터가 제한적일 때 비식별 영역이 유의미함을 보여주었습니다. 도구 변수(첫째 자녀의 성별)를 포함함으로써 비식별 영역이 좁아졌으며, 경계가 원래 연구에서 발견된 추가 자녀가 노동 공급에 미치는 부정적 영향과 일치함을 입증했습니다.

5. 의의 및 주장

본 논문은 인과 의사결정의 치명적인 사각지대, 즉 "데이터가 부족한 것"과 "데이터 구조가 불충분한 것"을 구분하지 못하는 문제를 해결한다고 주장합니다.

• 실용적 효용성: 이 프레임워크는 실무자에게 실행 가능한 지침을 제공하여, 구조적 비식별성이 문제인 상황에서 더 많은 샘플을 수집하는 데 자원을 낭비하는 것을 방지합니다.
• 전략적 계획: 무작위 대조 시험을 계획하거나 어떤 측정되지 않은 교란 요인을 측정해야 하는지 식별하는 도구 역할을 합니다.
• 겸허한 태도: 저자들은 한계점을 인정하며, 이 방법이 min-max 문제를 근사하기 위해 $\epsilon$-net에 의존하며 신경망 최적화가 이론적인 실제 경계보다 약간 더 타이트한 경계를 생성할 수 있음을 언급합니다. 그들은 이 작업을 완벽한 정밀 솔버라기보다는 다운스트림 의사결정을 개선하는 근사법으로 규정합니다.

이 연구는 인과 추론 이론과 실질적인 의사결정 사이의 가교 역할을 하며, 유한 데이터 시나리오에서 에피스테믹 불확실성을 관리하는 원칙적인 방법을 제시합니다.