Testing Partially-Identifiable Causal Queries Using Ternary Tests

1. 연구 배경 및 문제 정의 (Problem)

• 인과적 식별성 (Identifiability) 의 한계: 관측 데이터 (observational data) 를 사용하여 인과적 쿼리 (예: 인과 그래프의 엣지 존재 여부, 인과 효과의 유무 등) 를 테스트할 때, 인과 모델과 관측 분포 간의 매핑이 일대일 대응이 아닌 경우가 많습니다. 이로 인해 많은 인과적 쿼리가 부분적으로 식별 가능 (partially-identifiable) 하거나 식별 불가능합니다.
• 이진 테스트의 실패: 기존의 이진 통계적 테스트 (Null vs Alternative) 를 부분적으로 식별 가능한 쿼리에 적용할 때 발생하는 문제:
  • 귀무가설 ($H_0$) 을 기각하면 인과적 귀무가설을 기각한 것으로 결론 내릴 수 있습니다.
  • 그러나 귀무가설을 기각하지 못했을 때, 이는 단순히 "인과적 귀무가설이 참이다"를 의미하지 않습니다. 관측 분포 집합이 중첩 ($H_0$ 와 $H_1$ 의 교집합이 공집합이 아님) 되어 있기 때문입니다.
  • 결과적으로 "기각하지 않음"이라는 결론은 "불식별 (unidentifiable)" 상태임을 의미할 뿐, 인과적 결론을 내리기 어렵습니다.
• 핵심 질문: 부분적으로 식별 가능한 인과적 쿼리를 효과적으로 테스트하기 위해 어떤 통계적 프레임워크가 필요한가?

2. 제안된 방법론 (Methodology)

저자들은 3 진 테스트 (Ternary Tests) 를 도입하여 이 문제를 해결합니다.

• 3 진 테스트의 정의: 테스트 결과가 3 가지 중 하나로 출력됩니다.
  1. Null 기각 (Reject Null): 인과적 대립가설 ($H_1$) 지지.
  2. Null 불기각 (Don't Reject Null): 인과적 귀무가설 ($H_0$) 지지.
  3. 불식별 (Unidentifiable): 데이터가 $H_0$ 와 $H_1$ 의 교집합 (중첩 영역) 에서 생성되었을 가능성이 있음.
• 수학적 형식화:
  • 관측 분포 공간 $\mathcal{P}(\mathcal{X})$ 에서 두 가설 $H_0, H_1$ 이 주어질 때, 이를 3 개의 서로소 집합으로 분할합니다:
    • $R_0 = H_0 \setminus H_1$ (순수한 $H_0$ 영역)
    • $R_1 = H_1 \setminus H_0$ (순수한 $H_1$ 영역)
    • $R_2 = H_0 \cap H_1$ (중첩/불식별 영역)
  • 테스트는 이 3 개의 영역 중 하나를 식별하는 것을 목표로 합니다.
• 성능 기준 (Desiderata):
  • 일관성 (Consistency): 표본 크기가 무한대로 갈 때, 실제 분포가 속한 영역을 올바른 확률로 식별해야 함 (약한/강한 일관성).
  • 균일 일관성 (Uniform Consistency): 모든 분포에 대해 오차율이 균일하게 0 으로 수렴해야 함.
  • 오차 제어: 특정 오류 (예: $R_0$ 인데 $R_1$ 로 분류) 의 점근적 상한을 제어.

3. 주요 기여 및 이론적 결과 (Key Contributions & Results)

A. 위상적 조건 (Topological Conditions)

테스트의 존재 여부와 그 성질을 결정하는 필요충분 조건을 확립했습니다.

• Lemma 9 & Theorem 11: 3 진 테스트가 특정 오류를 제어하며 존재하기 위해서는, 해당 영역 ($R_i$) 이 약한 위상 (weak topology) 하에서 닫힌 집합 (closed set) 이어야 하며, 테스트되지 않는 영역은 $F_\sigma$ 집합 (가산 개의 닫힌 집합의 합집합) 이어야 합니다.
• 이 위상적 조건은 "좋은" 3 진 테스트를 찾을 수 있는지 여부를 판단하는 지표가 됩니다.

B. 2 단계 3 진 테스트 (Two-Stage Ternary Tests)

기존에 개발된 방대한 이진 테스트 (Binary Tests) 툴박스를 활용하여 3 진 테스트를 구성하는 방법을 제안했습니다.

• 구조:
  1. 1 단계: $R_i$ 와 그 여집합 ($W \setminus R_i$) 을 이진 테스트로 구분.
  2. 2 단계: 1 단계에서 특정 결과가 나오면, 남은 영역을 다시 이진 테스트로 분할.
  • Split-Null (SN): 1 단계에서 Null 을 분할.
  • Split-Alternative (SA): 1 단계에서 Alternative 를 분할.
• 완전성 (Completeness): Theorem 11을 통해, 위상적 조건을 만족하는 한, 2 단계 3 진 테스트를 구성하는 것이 모든 가능한 3 진 테스트와 동등한 오류 제어 능력을 가진다는 것을 증명했습니다. 즉, 복잡한 새로운 3 진 테스트를 설계할 필요 없이, 기존 이진 테스트를 조합하면 충분합니다.

C. 실증 적용 사례 (Applications)

두 가지 구체적인 인과 추론 문제에 3 진 테스트를 적용했습니다.

1. 도구 변수 (IV) 부등식 테스트:

   • 문제: 관측 데이터로 IV 가 유효한지 (Pearl 의 IV 부등식 만족 여부) 테스트.
   • 해결: 양의성 (positivity) 위반 여부와 IV 부등식 위반 여부를 2 단계로 테스트.
   • 결과: 알고리즘 1 을 통해 $R_0, R_1, R_2$ 영역을 명확히 구분하며, UC Berkeley 입학 데이터 (UCBAdmissions) 에 적용하여 IV 부등식이 만족됨을 확인했습니다.

2. 치료 효과 비교 (Treatment Efficacy Comparison):

   • 문제: 관측 데이터로 치료 효과가 임계값 $c$ 이상인지 테스트 (Manski bounds 활용).
   • 해결: Manski bounds 를 사용하여 $H_0$와 $H_1$ 의 경계를 정의하고, 2 단계 이진 테스트 (일측 이항 검정) 를 조합.
   • 결과: 알고리즘 2 를 통해 시뮬레이션 실험을 수행, 제안된 방법이 Naive 접근법 (신뢰구간 기반) 보다 높은 정확도 (PCD, Correct Detection Probability) 를 보임을 입증했습니다.

4. 의의 및 결론 (Significance)

• 인과 추론의 정밀도 향상: 기존 이진 테스트가 "불식별" 상태를 단순히 "기각 실패"로 처리하던 한계를 극복하고, 명시적으로 "불식별"을 식별하여 인과적 결론의 신뢰도를 높였습니다.
• 실용적 프레임워크: 이론적으로 존재가 보장된 3 진 테스트를, 실제 통계학자들이 익숙한 이진 테스트를 조합하여 (2 단계 방식) 쉽게 구축할 수 있는 방법을 제공했습니다.
• 위상적 통찰: 가설의 위상적 성질 (닫힘, $F_\sigma$ 등) 이 테스트의 존재 가능성과 오류 제어 능력을 결정한다는 점을 밝혀, 새로운 인과적 쿼리 테스트를 설계할 때의 가이드라인을 제시했습니다.
• 미래 과제: 컴팩트성 (compactness) 가정의 완화와 더 세분화된 오류 제어 (행렬의 모든 셀에 대한 제어) 에 대한 연구는 향후 과제로 남겼습니다.

요약

이 논문은 부분적으로 식별 가능한 인과적 쿼리를 테스트할 때 발생하는 모호성을 해결하기 위해 3 진 통계적 테스트를 제안했습니다. 저자들은 위상적 조건을 통해 테스트의 존재 가능성을 규명하고, 기존 이진 테스트를 조합하는 2 단계 방식이 이론적으로 완전함을 증명했습니다. 이를 IV 부등식 테스트와 치료 효과 비교에 적용하여 실용성을 입증했습니다.