Sequential Transport for Causal Mediation Analysis

1. 문제 제기 (Problem Statement)

• 기존 방법론의 한계: 전통적인 인과 매개 분석은 구조적 방정식 모델 (SEM) 을 가정하거나, 매개 변수의 반사실 (counterfactual) 값을 정의하기 위해 교차 세계 (예: $Y(0, X(1))$) 가정을 필요로 합니다. 이는 관찰 데이터에서 함수적 형태를 식별하기 어렵거나, 고차원 및 혼합형 (numerical/categorical) 데이터에서 개별 단위 (unit-level) 수준의 분해를 어렵게 만듭니다.
• 목표: 매개 변수의 인과적 구조 (DAG) 를 유지하면서, 치료 (Treatment) 가 변경되었을 때 개체가 새로운 치료군 분포에 정렬되도록 **최소한의 변화 (minimal change)**만 가하는 'mutatis mutandis' (변경된 사항 외에는 동일하게) 반사실 매개 변수를 구성하는 것입니다. 이를 통해 개별 단위 수준의 직접 효과와 간접 효과를 분해하고 해석할 수 있어야 합니다.

2. 방법론 (Methodology: Sequential Transport)

논문은 순차 수송 (ST) 알고리즘을 통해 관찰된 조건부 분포를 기반으로 매개 변수 반사실 값을 생성합니다.

2.1 핵심 개념: Mutatis Mutandis 반사실

• 치료 ($A$) 가 변경될 때, 매개 변수 ($X$) 는 치료와 인과적으로 하위에 있는 부분만 변경되고, DAG 구조에 따라 조건부 의존성은 유지되도록 조정됩니다.
• 이는 구조적 방정식을 명시하지 않고, 관찰된 데이터의 기하학적 구조 (분포) 를 기반으로 최적 수송 (OT) 을 수행하여 구현됩니다.

2.2 순차 수송 알고리즘

매개 변수 벡터 $X = (X_1, \dots, X_d)$가 DAG $G$로 구조화되어 있다고 가정할 때, 다음과 같은 순차적 과정을 거칩니다.

1. 위상적 순서 (Topological Ordering): DAG 의 위상적 정렬 순서 $\pi$를 따라 매개 변수를 하나씩 처리합니다.
2. 조건부 수송 (Conditional Transport):
   • 각 매개 변수 $X_j$에 대해, 이미 수송된 부모 노드 (parents) 의 값을 조건으로 하여, 치료군 $A=0$의 조건부 분포에서 $A=1$의 조건부 분포로 매개 변수를 이동시킵니다.
   • 수치형 매개 변수 (Numerical): 조건부 누적분포함수 (CDF) 와 분위수 함수 (Quantile function) 를 기반으로 단변량 또는 조건부 최적 수송 맵을 적용합니다. (예: $T_j(x|z) = Q_{1,j}(F_{0,j}(x|z) | z_{transported})$)
   • 범주형 매개 변수 (Categorical): 단순형 (Simplex) 상의 확률 벡터를 수송합니다. 다항 로지스틱 회귀 등을 통해 조건부 확률을 추정하고, 단순형 최적 수송 (Simplex OT) 을 적용한 후 결정론적 할당 (예: argmax) 을 통해 범주 값을 도출합니다.
3. 반사실 벡터 생성: 위 과정을 모든 매개 변수에 적용하여, $A=0$ 그룹의 개체가 $A=1$ 그룹의 분포에 정렬된 반사실 매개 변수 벡터 $X^\dagger(1)$을 생성합니다.

2.3 효과 분해 (Effect Decomposition)

생성된 반사실 매개 변수 $X^\dagger(1)$를 사용하여 개별 단위 $i$에 대한 효과를 분해합니다.

• 간접 효과 (Indirect Effect, $\delta_i$): 치료는 고정 ($A=0$) 하고 매개 변수만 반사실 값으로 변경했을 때의 결과 변화.
  $$\delta_i = \hat{\mu}_0(X^\dagger(1)_i) - \hat{\mu}_0(X_{0,i})$$
• 직접 효과 (Direct Effect, $\zeta_i$): 매개 변수는 반사실 값으로 고정하고 치료만 변경 ($A=0 \to A=1$) 했을 때의 결과 변화.
  $$\zeta_i = \hat{\mu}_1(X^\dagger(1)_i) - \hat{\mu}_0(X^\dagger(1)_i)$$
• 총 효과 (Total Effect, $\tau_i$): $\delta_i + \zeta_i$.

3. 주요 기여 (Key Contributions)

1. 단위 수준 매개 분석 프레임워크: DAG 구조에 정렬된 OT 기반 프레임워크를 제안하여, 구조적 모델 (SCM) 을 명시하지 않고도 개별 단위 수준의 직접/간접 효과를 계산할 수 있게 했습니다.
2. 이론적 보장 (Theoretical Guarantees):
   • 조건부 수송 맵의 점근적 일관성 (Consistency) 을 증명했습니다.
   • 위상적 순서를 따른 순차적 플러그인 (plug-in) 과정이 전체 반사실 벡터의 수렴을 보장함을 보였습니다.
   • 유도된 효과 분해 추정치가 통계적으로 일관됨을 입증했습니다.
3. 혼합형 데이터 처리: 수치형과 범주형 매개 변수가 공존하는 복잡한 DAG 구조를 자연스럽게 처리할 수 있는 확장성을 제공합니다.
4. 실증 분석 및 검증:
   • 가우시안 시뮬레이션: 선형 SEM 과의 일치성을 확인하고, 비선형 및 혼합형 환경에서의 성능을 검증했습니다.
   • COMPAS 데이터셋 적용: 재범위 예측 모델에서의 인종 차별 분석에 적용하여, 집단 간 격차를 매개 변수 수준 (예: 전과 수, 죄명 등급) 에서 세분화하여 설명하는 능력을 입증했습니다.

4. 결과 (Results)

• 가우시안 시뮬레이션: 선형 구조 하에서 ST 는 기존 SEM 기반 매개 분석 결과와 거의 일치하는 결과를 보였습니다. 비선형 및 혼합형 데이터에서도 안정적인 분해를 제공했습니다.
• COMPAS 데이터셋 적용:
  • 인종 ($A$) 과 재범위 ($Y$) 사이의 격차를 분석한 결과, 전체 격차의 약 2/3 가 매개 변수 분포의 차이 (간접 효과) 에 기인함을 발견했습니다.
  • 순차 수송을 통해 각 매개 변수 (예: priors_count, charge_degree) 가 격차에 기여하는 정도를 개별적으로 할당 (attribution) 할 수 있었습니다.
  • 기존 방법론 (OT, SKH 등) 과 비교하여 DAG 구조를 준수하는 결정론적 반사실 프로필을 제공하며, 해석 가능성과 안정성이 뛰어났습니다.

5. 의의 및 의의 (Significance)

• 구조적 가정의 불필요: 복잡한 구조적 방정식 모델을 가정하지 않고도, 관찰된 데이터의 분포와 인과적 구조 (DAG) 만을 기반으로 의미 있는 반사실 시나리오를 구축할 수 있습니다.
• 알고리즘 공정성 (Algorithmic Fairness) 에의 기여: 민감 속성 (예: 인종) 으로 인한 불공정성을 매개 변수 경로를 통해 세분화하여 분석할 수 있게 하여, 차별의 원인을 규명하고 개입 전략을 수립하는 데 유용한 도구를 제공합니다.
• 해석 가능성: "무엇을 변경해야 하는가 (mutatis mutandis)"에 대한 명확한 분해로, 정책 입안자나 연구자에게 인과 경로의 구체적인 기여도를 제공합니다.
• 확장성: 이 프레임워크는 종단적 (longitudinal) 데이터, 확률적 개입, 경로별 효과 분석 등으로 자연스럽게 확장될 수 있는 잠재력을 가지고 있습니다.

결론적으로, 본 논문은 인과 매개 분석에 최적 수송 이론을 도입하여, 기존 방법론의 식별성 문제와 구조적 가정의 한계를 해결하고, 개별 단위 수준에서 해석 가능하고 통계적으로 견고한 분해 방법을 제시했다는 점에서 중요한 의의를 가집니다.