Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders

1. 문제 제기 (Problem Statement)

• 배경: 환경 과학 및 역학 등 다양한 분야에서 공간 데이터가 급증함에 따라 공간적 설정에서의 인과 추론 (causal inference) 의 중요성이 커지고 있습니다.
• 핵심 문제: 관측되지 않은 교란변수 (confounder) 가 존재할 때, 인과 효과를 신뢰할 수 있게 추정하기 위해서는 해당 효과가 데이터 분포로부터 유일하게 결정될 수 있어야 합니다 (식별 가능성). 그러나 기존 문헌은 독립적인 관측치를 가정하거나, 식별 가능성을 보장하는 일반적인 프레임워크가 부족했습니다.
• 공간 교란변수의 모델링 관점:
  1. 고정된 함수 (Fixed function): 공간 위치에 따른 미지의 함수로 간주 (예: 스플라인). 이 경우 공간 위치를 관측하면 교란이 제거되므로 식별이 쉽습니다.
  2. 확률 과정 (Random process): 공간 위치가 주어졌을 때 가우시안 과정 등으로 모델링. 이 경우 추가적인 가정 없이는 처치 효과가 일반적으로 식별 불가능합니다.
• 연구 목표: 본 논문은 **확률 과정 (random process)**으로 모델링된 관측되지 않은 교란변수를 가정하고, 다양한 공간 공분산 구조 하에서 처치 효과 $\beta_Z$가 식별 가능한지, 그리고 어떤 조건 하에서 식별이 불가능한지를 규명하는 것을 목표로 합니다.

2. 방법론 (Methodology)

• 기본 모델:

  • 관측치 $Y$, 노출 $Z$, 관측된 공변량 $X$, 관측되지 않은 교란변수 $U$, 오차 $\epsilon$에 대한 선형 모델을 설정합니다.
  • $U$와 $Z$의 조건부 분포를 가우시안 분포로 가정하며, 이들의 공분산 구조 $\Sigma$가 식별 가능성의 핵심 요소로 작용합니다.
  • 식별 가능성은 관측 데이터 $(Y, Z)$의 분포가 매개변수 $\beta_Z$를 유일하게 결정할 수 있는지로 정의됩니다.

• 분석 대상 모델:

  1. 조건부 자기회귀 모델 (Conditional Autoregressive, CAR):
     • Schnell & Papadogeorgou (2019) 모델: 이웃 관계 행렬 $W$와 대각 행렬 $D$를 사용하여 $U$와 $Z$의 조건부 분포를 정의.
     • Leroux CAR 모델: $U$와 $Z$의 공분산 구조를 스펙트럼 영역 (spectral domain) 에서 모델링. 비간소화 (non-parsimonious) 모델과 간소화 (parsimonious) 모델을 모두 고려.
  2. 지리통계학적 데이터 모델 (Geostatistical Data Models):
     • 선형 코리얼리제이션 모델 (Linear Model of Coregionalization): $U$와 $Z$를 독립적인 잠재 공간 과정의 선형 결합으로 표현.
     • 이변량 공간 공분산 모델 (Bivariate Spatial Covariance Models): 거리 행렬 $W$에 기반한 공분산 함수 (예: 지수, 가우시안, Matérn) 를 사용.
     • 간소화된 Matérn 모델: 경계 매개변수와 매끄러움 (smoothness) 매개변수에 대한 제약을 둔 모델.

• 분석 도구:

  • 관측 데이터의 공분산 구조 (variance, covariance) 를 매개변수 함수로 표현.
  • 선형 독립성 (Linear Independence): 공분산 함수족이 특정 거리 집합에서 선형 독립인지 여부를 확인하여 매개변수의 유일성을 증명.
  • 반증 (Counterexample) 구성: 식별이 불가능한 경우, 서로 다른 매개변수 집합이 동일한 관측 데이터 분포를 생성할 수 있음을 보임.

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

A. 조건부 자기회귀 (CAR) 모델에서의 식별 가능성

• Schnell & Papadogeorgou 모델 확장: 기존 연구가 '링 (ring) 구조'와 무한 표본 크기를 요구했던 반면, 본 논문은 유한 표본 크기와 일반적인 이웃 구조에서도 식별이 가능함을 증명했습니다.
  • 조건: $\phi_U \neq 0$ (교란변수의 공간적 상관성) 이고, 연결 성분 중 하나에서 이웃 행렬 $W$가 3 개 이상의 고유값을 가지거나, 대각 행렬 $D$의 대각 요소가 서로 다른 경우 식별 가능.
  • 의미: 교란변수 간의 공간적 의존성 ($\phi_U \neq 0$) 이 인과 식별에 필수적임을 보였습니다.
• Leroux CAR 모델:
  • 비간소화 모델: 노출과 교란변수가 상관 ($\rho \neq 0$) 이고, 공분산 구조가 서로 다르며, $D-W$의 고유값이 충분히 많으면 식별 가능.
  • 간소화 모델: 매개변수 수가 줄어든 모델에서도 특정 조건 (예: $\lambda_U \neq \lambda_Z$) 하에서 식별 가능함을 증명.

B. 지리통계학적 모델에서의 식별 불가능성 및 가능성

• 선형 코리얼리제이션 모델 (Coregionalization) 의 비식별성:
  • Theorem 4: 이 모델 하에서는 관측 데이터만으로는 처치 효과 $\beta$를 식별할 수 없음을 증명했습니다.
  • 이유: 관측 데이터는 $\beta a_t + b_t$의 합만 결정할 수 있어, $\beta$와 $b_t$를 분리할 수 없습니다. 이는 베이지안 추론에서 사전분포 (prior) 선택에 매우 민감하게 반응할 수 있음을 의미합니다.
• 일반적인 이변량 공분산 모델:
  • Theorem 5: 노출과 교란변수가 상관 ($\rho \neq 0$) 이고, 공분산 함수족이 거리 행렬의 비대각 요소에 대해 3-선형 독립 (3-linearly independent) 일 경우 식별 가능.
  • 적용: 지수, 가우시안, 파워드 지수 공분산 함수는 이 조건을 만족하지만, 구형 (spherical) 또는 파동 (wave) 공분산 함수는 특정 조건에서 선형 독립성이 깨질 수 있어 주의가 필요합니다.
• 간소화된 Matérn 모델:
  • Theorem 6: 매끄러움 매개변수 ($\nu_U \neq \nu_Z$) 가 다르고, 상관 ($\rho \neq 0$) 이 있으며, 관측 위치 쌍의 거리가 무한대로 발산하는 점열이 존재하면 식별 가능함을 증명했습니다.

4. 의의 및 결론 (Significance & Conclusion)

1. 이론적 기여: 공간적 교란변수가 있는 인과 추론에 대한 일반적인 식별 가능성 프레임워크를 최초로 제시했습니다. 특히 유한 표본과 다양한 공간 구조 (링, 완전 연결, 불연속 등) 하에서의 식별 조건을 명확히 했습니다.
2. 실무적 경고:
   • 선형 코리얼리제이션 모델의 위험성: 많은 연구에서 사용되는 이 모델이 처치 효과를 식별하지 못한다는 것을 보여주어, 해당 모델을 사용할 때 통계적 추론 (특히 베이지안 추론) 이 사전분포에 과도하게 의존할 수 있음을 경고했습니다.
   • 모델 선택의 중요성: 식별 가능성을 보장하기 위해서는 교란변수와 노출 간의 공간적 상관 구조가 명확히 구분되어야 하며, 공분산 함수의 선택이 중요합니다.
3. 검증 가능성: 논문에서 제시된 식별 조건들 (예: 이웃 행렬의 고유값 개수, 공분산 함수의 선형 독립성 등) 은 관측된 공간 위치 데이터로부터 검증 가능하므로, 연구자들이 자신의 데이터 설정에서 식별 가능성을 사전에 평가할 수 있는 기준을 제공합니다.

요약하자면, 이 논문은 공간 데이터 기반 인과 추론에서 "언제 신뢰할 수 있는 결과를 얻을 수 있는가"에 대한 수학적 기준을 제시하며, 잘못된 모델 선택이 인과 효과 추정을 왜곡할 수 있음을 경고하고 있습니다.