Proximal Causal Inference for Hidden Outcomes

기술적 요약: 숨겨진 결과에 대한 근접 인과 추론

문제 제기
잠재 변수는 인과 추론에서 여전히 핵심적인 과제로 남아 있으며, 종종 인과적 대상의 식별과 추정을 방해합니다. 강한 모수적 가정에 의존하지 않고 숨겨진 구조를 우회하기 위해 대리변수 기반 접근법이 등장했으나, 기존 문헌은 일반적으로 최소한 하나의 편향되지 않은 대리변수 측정치나 실제 결과의 부분적 관측을 요구합니다. 본 논문은 결과 변수 $Y$가 관측되지 않음 (숨겨짐) 은 하지만, 관측된 교란변수 $C$와 처치 $A$와 함께 여러 개의 잠재적 편향 대리변수 ($W, Z, V$) 가 이용 가능한 특정 상황을 다룹니다. 목표는 대리변수가 편향되지 않았거나 실제 결과가 부분적으로 관측되었다고 가정하지 않고도 전체 데이터 법칙을 식별하고 인과 효과 (특히 평균 처치 효과) 를 추정하는 것입니다.

방법론
저자들은 관측 데이터로부터 잠재 분포를 재구성하는 프레임워크를 사용하며, 이는 다차원 배열 (텐서) 에 내재된 고유값 - 고유벡터 구조를 활용합니다.

1. 식별 전략:

   • 저자들은 $A$가 $Y$에 영향을 미치고 $C$가 관계를 교란시키는 인과적 방향성 비순환 그래프 (DAG) 를 정의합니다. 숨겨진 결과 $Y$는 세 개의 관측된 대리변수 $W, Z, V$를 생성합니다.
   • 가정: 식별은 Hu 와 Schennach [11], Deaner [5], Zhou 와 Tchetgen Tchetgen [28] 의 연구를 바탕으로 한 일련의 가정 (4–8) 에 의존합니다. 주요 조건은 다음과 같습니다:
     • 잠재 결과, 처치, 교란변수가 주어졌을 때의 대리변수들의 상호 조건부 독립성 ($W, Z, V \perp \perp \mid Y, A, C$).
     • 잠재 분포를 복원하기에 충분한 변이성을 보장하는 대리변수의 조건부 분포에 대한 완전성 조건.
     • 조건부 분포의 알려진 함수를 통해 또는 결과가 알려진 지지집합을 가진 순서형이라고 가정함으로써 잠재 결과의 특정 값을 복원하기 위한 라벨링 가정 (가정 8).
   • 이러한 조건 하에서 본 논문은 전체 데이터 법칙 $p(A, Y, C, W, Z, V)$가 식별됨을 입증함으로써, 잠재 결과 분포 $p(Y(a))$와 인과 효과 $E[Y(1)] - E[Y(0)]$를 식별합니다.

2. 추정 프레임워크:

   • 저자들은 식별된 인과 효과에 대한 영향 함수 기반 추정량을 개발합니다.
   • 관측 데이터 영향 함수: 실제 결과 $Y$가 관측되지 않으므로 전체 데이터 영향 함수를 직접 계산할 수 없습니다. 저자들은 $Y$를 가능한 값 $y$에 대한 가중 평균으로 대체하여 관측 데이터 영향 함수 $\phi_{obs}$를 구성합니다.
   • 가중치 구성: 가중치 $\omega_y(O; \eta)$는 관측된 대리변수와 교란 함수 ($Y, A, C$가 주어졌을 때의 대리변수의 조건부 기대값) 를 사용하여 구성됩니다. 이러한 가중치는 실제 결과 $Y=y$가 주어졌을 때 조건부 기대값이 1 이 되고, 그렇지 않으면 0 이 되도록 설계됩니다.
   • 다중 강건성: 결과 추정량은 평균 0 의 추정 방정식을 풉니다. 이는 다중 강건성을 나타내며, 처치 성향 점수, 결과 회귀, 또는 대리변수 회귀를 포함하는 여러 특정 교란 함수 집합 중 하나라도 올바르게 지정되면 일관성이 유지됩니다.
   • 점근적 성질: 표준 정규성 조건 하에서 추정량은 $\sqrt{n}$-일관성을 가지며 점근적으로 정규분포를 따릅니다. 주목할 점은 교란 함수가 개별적으로 $\sqrt{n}$ 속도로 추정될 필요가 없다는 것입니다. 추정량은 오차의 곱이 충분한 속도로 수렴하기만 하면 원하는 속도를 달성합니다.

주요 기여

• 편향되지 않은 대리변수 없이 숨겨진 결과에 대한 최초의 준모수적 추정: 저자들의 지식 범위 내에서, 편향되지 않은 대리변수 측정치나 실제 결과의 부분적 관측의 존재에 의존하지 않는 숨겨진 결과에 대한 준모수적 추정 결과를 확립한 최초의 연구입니다.
• 영향 함수 기반 추정량: 본 논문은 이러한 특정 상황에서 최초의 영향 함수 기반 추정량을 개발하여 다중 강건성과 바람직한 효율성 성질을 달성할 수 있는 경로를 제공합니다.
• 이론적 보장: 이 연구는 전체 데이터 법칙의 식별과 제안된 추정량의 점근적 성질 (일관성과 정규성) 에 대한 공식적 증명을 제공합니다.

결과
제안된 추정량의 성능은 이산형 (이진) 과 혼합형 (연속형 교란변수와 대리변수) 데이터 생성 과정에 대한 시뮬레이션 연구를 통해 평가되었습니다.

• 편향 감소: 두 시나리오 모두에서 관측되지 않은 결과를 대리변수로 대체하는 '단순한 (naïve)' 추정량은 대상 모수를 크게 과소평가하는 것으로 (편향됨) 발견되었습니다. 제안된 추정량은 이러한 편향을 성공적으로 제거했습니다.
• 효율성 트레이드오프: 제안된 추정량은 편향 없음 (unbiasedness) 을 달성했지만, 실제 결과 $Y$에 직접 접근할 수 있는 '오라클 (oracle)' 추정량에 비해 더 높은 분산을 수반했습니다. 이진 사례에서 스케일링된 분산은 오라클의 0.6 에 비해 약 1.7 이었습니다. 혼합 사례에서는 작은 표본 크기에서 분산이 현저히 높았으나 표본 크기가 증가함에 따라 감소했습니다.
• 강건성: 시뮬레이션은 이론적 성질을 확인시켜 주었으며, 추정량이 관측된 대리변수로부터 잠재 결과를 재구성해야 하더라도 잘 수행됨을 입증했습니다.

의의 및 주장
저자들은 이 연구를 근접 인과 추론에서 중요한 진전으로 위치시킵니다. 실제로 검증하기 어려운 강한 가정인 편향되지 않은 대리변수에 대한 요구를 완화함으로써, 이 프레임워크는 숨겨진 결과와 관련된 더 넓은 범주의 문제에 대한 대리변수 기반 방법의 적용 가능성을 확장합니다. 영향 함수 기반 추정량의 개발은 식별 제약이나 모수적 가정에 의존했던 이전 설정에 현대적 준모수적 기법 (이중 강건성 및 표본 분할 등) 을 적용할 수 있게 합니다. 논문은 최적의 대리변수 조합과 고차원 설정에서의 실용적 교란 함수 추정과 관련된 과제가 남아있지만, 제안된 프레임워크가 편향된 대리변수만을 사용하여 숨겨진 결과에 대한 인과 추론을 위한 실행 가능한 이론적 및 실용적 기반을 확립했다고 결론지었습니다.