Causal Inference on Networks under Misspecified Exposure Mappings: A Partial Identification Framework

기술 요약: 노출 매핑의 오설정 하에서의 네트워크 인과 추론

1. 문제 정의

네트워크 환경에서 처치 효과(treatment effects)를 추정하는 것은 근본적으로 까다로운 문제인데, 이는 한 단위의 결과가 자신의 처치뿐만 아니라 연결된 단위들의 처치에도 의존하기 때문이다(간섭 현상). 이는 안정적 단위 처치 변수 가정(SUTVA)을 위반한다. 크기가 $N$인 네트워크에서 가능한 모든 처치 할당에 대해 조건화하는 지수적 복잡성을 관리하기 위해, 기존 방법들은 일반적으로 노출 매핑(exposure mapping, $g$)을 채택한다. 이 함수는 단위의 이웃들이 가진 고차원 처치 할당을 저차원의 요약 정보(예: 처치된 이웃의 비율)로 압축한다.

그러나 이러한 방법들은 도메인 지식에 기반하여 노출 매핑 $g$가 올바르게 설정되었다는 가정에 의존한다. 실제 상황에서 스필오버(spillover) 전파 메커니즘은 부분적으로만 이해되는 경우가 많으며, 이는 노출 매핑 $g$의 **오설정(misspecification)**으로 이어진다. 가정된 매핑 $g$가 실제 underlying 매핑 $g^*$와 다를 경우, 직접 효과(direct effects) 및 스필오버 효과(spillover effects)에 대한 표준 추정량은 심각하게 편향된다. 현재 문헌에는 실험 및 관측 데이터 모두에 대해 노출 매핑이 오설정되었을 때 잠재적 결과(potential outcomes)와 처치 효과를 제한(bound)할 수 있는 일반적인 프레임워크가 부족하다.

2. 방법론

저자들은 노출 매핑 오설정 하에서 인과 추정치의 강건성(robustness)을 평가하는 **부분 식별 프레임워크(partial identification framework)**를 제안한다. 잠재적으로 잘못된 모델 하에서 처치 효과를 점 식별(point-identify)하려고 시도하는 대신, 이 프레임는 잠재적 결과와 처치 효과에 대한 날카로운 상한(upper bounds)과 하한(lower bounds)을 도출한다.

핵심 구성 요소:

• 성향 경계(Propensity Bounds)를 통한 민감도 모델: 이 프레임워크는 오설정을 가정된 매핑 $g$의 성향(propensity)과 실제 매핑 $g^*$ 사이의 분포 변화(distribution shift)로 모델링한다. 저자들은 가정된 성향과 실제 성향의 비율이 다음 범위 내에 있도록 하는 사용자 지정 경계 $b^-(z, x)$와 $b^+(z, x)$를 도입한다:
  $$b^-(z, x) \leq \frac{p(g^*(t_N) = z \mid x)}{p(g(t_N) = z \mid x)} \leq b^+(z, x)$$
  이 접근 방식은 세 가지 전형적인 노출 설정에 대해 구체화된다:

  1. 가중 평균(Weighted Means): 이웃 처치의 가중치가 균등 평균에서 $\epsilon$만큼 벗어나는 것을 허용함.
  2. 임계값 설정(Thresholding): 노출을 정의하는 데 사용되는 임계값 $c$(예: "절반 이상이 처치됨")가 $[c \pm \epsilon]$ 범위 내에서 변하는 것을 허용함.
  3. 고차 스필오버(Higher-Order Spillovers): 즉각적인 이웃을 넘어선 간섭(관측되지 않은 혼란 변수)을 고려하며, 미관측 혼란 변수 문헌의 민감도 경계를 활용함.

• 날카로운 경계 도출(Sharp Bound Derivation): 인과 민감도 분석의 아이디어를 사용하여, 저자들은 조건부 평균 잠재적 결과(CAPO) $\mu^\pm(t, z, x)$에 대한 날카로운 상한 및 하한을 유도한다. 이 경계들은 관측된 데이터 및 성향 경계와 일치하는 분포 집합 위에서 기대 결과값을 최적화함으로써 구축된다. 이 솔루션은 컷오프 값 $Q^\pm$(조건부 분위수)와 조건부 모멘트 함수를 포함하며, 이를 통해 주어진 오설정 수준 하에서 실제 결과를 포함하는 가장 좁은 구간을 보장한다.

• 직교 추정(Orthogonal Estimation): 데이터를 통해 이 경계들을 추정하기 위해, 저자들은 통계 학습 이론에 기반한 **직교 추정량(orthogonal estimator)**을 개발한다.

  • 넌스 파라미터(Nuisance Parameters): 추정에는 성향 점수($\pi_t, \pi_g$), 컷오프($Q^\pm$), 그리고 조건부 모멘트 함수($\gamma^\pm_u, \gamma^\pm_l$)와 같은 넌스 함수를 추정하는 과정이 필요하다.
  • 의사 결과물 구축(Pseudo-Outcome Construction): 저자들은 넌스 추정량의 오차에 대해 1차적으로 불감한(first-order insensitive) 직교 의사 결과물 $\phi^\pm_{t,z}$를 구축한다. 이를 통해 넌스 함수에 유연한 머신러닝 모델을 사용하더라도 최종 경계 추정치에 상당한 편향을 유발하지 않고 사용할 수 있다.
  • 2단계 절차: 방법론은 $K$-fold 교차 적합(cross-fitting)을 사용한다. 먼저, 훈련 폴드(training folds)에서 넌스 함수를 학습시킨다. 그 다음, 홀드아웃 폴드(held-out folds)에서 의사 결과물을 계산하고 이를 공변량 $X$에 대해 회귀하여 최종 경계 추정치를 얻는다.

3. 주요 기여

1. 부분 식별 프레임워크: 본 논문은 노출 매핑 오설정 하에서 처치 효과에 대한 날카롭고 유효한 경계를 제공하는 새로운 네트워크 인과 추론 프레임워크를 도입하며, 이는 기존에 일반적인 프레임워크가 존재하지 않았던 공백을 메운다.
2. 이론적 보장: 도출된 경계는 지정된 민감도 가정 하에서 날카롭고(가장 좁은 구간이며) 유효함(실제 효과를 포함함)이 증명되었다.
3. 직교 추정량: 저자들은 **준 오라클 수렴 속도(quasi-oracle convergence rates)**를 달성하는 모델 불가지론적(model-agnostic) 직교 추정량을 제안한다. 즉, 추정량의 오차는 넌스 추정 오차의 곱(2차 오차)에만 의존하므로, 넌스 모델이 오설정되거나 느리게 수렴하더라도 강건함을 유지할 수 있다.
4. 전형적인 설정에 대한 구체화: 프레임워크는 가중 이웃 평균, 임계값 기반 매핑, 고차 스필오버가 포함된 시나리오 등 널리 사용되는 세 가지 노출 매핑에 대해 명시적으로 공식화되었다.

4. 실험 결과

저자들은 다양한 네트워크 크기($N=1000$ 및 $N=6000$)와 공변량 차원을 가진 합성 데이터셋을 통해 프레임워크를 평가한다.

• 유효성(Validity): 시각화를 통해 민감도 계수(허용된 오설정 정도)가 충분히 높게(계수 $\geq 1$) 설정되었을 때, 추정된 경계가 실제 잠재적 결과와 처치 효과를 성공적으로 포함함을 확인하였다. 예상대로, 민감도 가정이 불충분할 경우 경계는 실제 값을 포함하지 못했다.
• 수렴성(Convergence): 제안된 직교 추정량과 표준 "플러그인(plug-in)" 추정량을 비교했을 때, 직교 추정량이 더 빠르게 수렴하며 작은 표본 크기에서도 유효한 커버리지를 유지함을 보여주었다. 플러그인 추정량은 넌스 추정 오차로 인해 상당한 유한 표본 편향(finite-sample bias)을 겪는다.
• 정보성(Informativeness): 경계가 정보적임을 입증하였다. 올바른 민감도 계수가 설정되었을 때, 평균 직접 효과(ADE) 구간의 평균 너비는 전체 결과 범위의 약 8.71%였다. 또한, 경계는 처치 효과의 방향(엄격한 양 또는 음)을 정확히 식별하여, 경계가 0을 가로지르는 무의미한 경우가 발생하지 않도록 하였다.

5. 의의 및 주장

본 논문은 잠재적으로 잘못된 노출 매핑에 의존하는 표준 방법론에 대한 강력한 대안을 제공함으로써 네트워크 인과 추론 분야를 발전시킨다고 주장한다. 점 식별에서 부분 식별으로 전환함으로써, 이 프레임워크는 연구자들이 모델 오설정에 대한 자신의 결론이 얼마나 민감한지 평가할 수 있게 해준다.

저자들은 자신들의 프레임워크가 **모델 불가지론적(model-agnostic)**이며 넌스 추정 오차에 강건함을 강조하며, 이는 하위 네트워크 성향과 결과를 추정하기 위해 복잡한 비매개변수(non-parametric) 모델이 사용되는 경우에도 적용 가능함을 의미한다. 이 연구는 도메인 지식의 필요성을 제거하는 것이 아니라, 그 지식이 불완전할 때 발생하는 불확실성을 정량화할 수 있는 엄밀한 수학적 도구를 제공하는 것이다. 실험 결과, 도출된 경계는 오설정 상황에서도 신뢰할 수 있는 의사결정을 지원할 만큼 충분히 좁게 유지됨을 보여주었다.