기술적 요약: 인과 효과 식별을 위한 선택 편향에 대한 전체론적 이해

1. 문제 제기

선택 편향은 관찰 연구에서 보편적인 도전 과제이며, 여기서 데이터 포인트는 관측된 변수에 기반하여 선호적으로 포함됨으로써 선택된 하위 집단과 대상 모집단 사이에 불일치를 초래합니다. 생체은행에서의 "건강한 자원자 편향"이 고전적인 예시인데, 응답자들은 일반 인구보다 더 높은 사회경제적 지위와 더 나은 건강 상태를 가진 경우가 많습니다.

해결되는 핵심 문제는 이러한 편향 존재 하에서 평균 처리 효과 (ATE) 의 식별 가능성입니다. 구체적으로, 본 논문은 두 가지 목표를 구분합니다:

1. s-ATE-sub: 선택된 하위 집단 내에서 ATE 를 추정하는 것.
2. s-ATE-full: 선택된 하위 집단의 데이터만을 사용하여 전체 대상 모집단에 대한 ATE 를 추정하는 것.

저자들은 s-ATE-full 을 추정하는 것이 관측된 데이터 분포를 넘어 외삽을 요구하기 때문에 훨씬 더 어렵다고 주장합니다. 기존 방법들은 종종 인과 방향 비순환 그래프 (DAG) 에서 선택의 정확한 위치를 식별하는 것 (예: 선택-백도어 기준) 이나 제한적인 분포 가정 (예: 가산 노이즈 모델에서의 비가우시안 노이즈) 과 같은 강력한 가정에 의존합니다. 이러한 접근법들은 선택이 복잡한 상호작용에 의존하거나 선택 메커니즘이 완전히 알려지지 않은 시나리오에서는 종종 실패합니다.

2. 방법론

2.1. 이론적 프레임워크

본 논문은 그래픽 기준에만 의존하는 대신 분포 기반 프레임워크를 제안합니다. 이 문제는 세 가지 분포 클래스를 사용하여 정의됩니다:

• 성향 점수 ($P_{t|x}$): 공변량이 주어졌을 때의 처리 확률.
• 공변량 - 결과 분포 ($P_{xy(t)}$): 공변량과 잠재 결과의 결합 분포.
• 선택 확률 ($P_{s|xyt}$): 데이터 포인트가 데이터셋에 포함될 확률.

저자들은 s-ATE-full 의 식별성을 위한 필요충분 조건인 조건 1을 도입합니다. 이 조건은 서로 다른 ATE 를 산출하는 두 개의 호환 가능한 분포 튜플에 대해, 그들의 관측 분포 (선택 $S=1$ 로 조건부) 는 서로 달라야 한다고 명시합니다. 형식적으로, 두 기본 분포 $P$ 와 $Q$ 가 서로 다른 ATE 를 가진다면, 선택 확률, 성향 점수, 그리고 결과 분포의 곱이 $P$ 와 $Q$ 사이에서 다른 지지점 $(x, y, t)$ 가 존재해야 합니다.

2.2. 주요 이론적 결과

본 논문은 조건 1 이 특정이며 상대적으로 약한 가정 하에 성립함을 보여줍니다:

• 결정론적 선택: 선택이 결정론적인 경우 (즉, 데이터의 특정 영역이 완전히 검열됨), 공변량 - 결과 분포가 매끄러운 가족 (예: 다항식 매개변수화) 에 속하고 성향 점수가 약한 중첩 조건 ($c$-overlap) 을 만족하면 ATE 가 식별 가능합니다. 이는 절단 통계학의 결과를 활용하여 절단된 (관측된) 분포에서 원래 분포를 외삽합니다.
• 비결정론적 선택: 선택이 확률적이지만 0 에서 멀리 떨어져 있는 경우 (d-selection-overlap), ATE 는 가우시안, 라플라스, 파레토, 로그 - 정규 분포를 포함한 광범위한 일반적인 분포 가족에 대해 식별 가능합니다. 직관적으로, 이러한 가족들의 경우 평균 결과의 차이가 밀도 비율의 무한한 차이로 나타나므로, ATE 가 다르면 관측 분포도 달라짐이 보장됩니다.

2.3. 그래픽 기준과의 연관성

저자들은 그들의 분포적 조건이 기존 그래픽 기준을 일반화함을 보여줍니다. 예를 들어:

• 선택 - 백도어 기준 (Correa et al., 2019) 은 조건 1 의 특수한 경우입니다.
• 결과 의존적 선택 결과 (Zhang et al., 2016) 는 이전에는 비가우시안 가산 노이즈 모델이 필요했으나, 제안된 프레임워크 하에서 가우시안 및 기타 두꺼운 꼬리 분포를 포함하도록 확장되었습니다.
• 이 프레임워크는 DAG 에서 선택의 정확한 위치를 pinpoint 할 필요가 없으므로, 이전 그래픽 접근법의 주요 실용적 한계를 우회합니다.

2.4. 추정 알고리즘

분포 클래스가 식별된 조건을 만족할 때, 본 논문은 3 단계 추정 절차 (알고리즘 1) 를 제안합니다:

1. 성향 추정: 성향 점수 $\hat{e}(x)$ 를 추정하고 $c < \hat{e}(x) < 1-c$ 인 중첩 영역 $B$ 를 식별합니다.
2. 모델링: 조건부 결과 분포 $\hat{P}(y|x, t)$ 와 선택 편향 함수 $\hat{\beta}(x, y, t)$ 를 추정합니다. 이는 다음을 통해 달성됩니다:
   • 최대 가능도 추정 (MLE): 부정확성을 방지하기 위해 정규화가 포함된 음의 로그 가능도를 최소화합니다.
   • 스코어 매칭: 모델의 로그 - 밀도 기울기와 관측 데이터 간의 거리를 최소화하여, 이는 스케일링 인자에 불변입니다.
3. 외삽: 관측된 샘플을 $1/\hat{\beta}$ 로 재가중하여 모집단 밀도를 복원하고 반사실적 ATE 를 계산합니다.

3. 주요 기여

1. 일반적인 정의 및 조건: 본 논문은 선택 편향에 대한 일반적인 정의를 제공하고, 특정 그래픽 구조를 넘어 선택 하의 ATE 식별성을 위한 필요충분 조건 (조건 1) 을 확립합니다.
2. 약화된 가정: 비가우시안 노이즈나 특정 함수 형태를 요구하는 이전 연구들과 달리, 이 프레임워크는 임의의 관측된 변수에 의존하는 선택을 허용하며, 약한 매끄러움 가정 하에서 일반적인 분포 가족 (가우시안, 라플라스 등) 과 함께 작동합니다.
3. 식별성 확장: 이 결과는 특히 가우시안 노이즈를 포함하는 결과 의존적 선택과 관련된, 문헌에서 이전에 식별 불가능한 것으로 간주되었던 설정을 포함하도록 식별 가능한 시나리오의 범위를 확장합니다.
4. 실용적 추정기: 본 논문은 절단된 통계학을 활용하여 선택된 샘플에서 전체 모집단으로 외삽하는 구체적인 추정 방법 (편향 보정이 포함된 MLE 및 스코어 매칭) 을 도입합니다.

4. 실험 결과

저자들은 합성 및 반합성 데이터셋 모두에서 그들의 방법을 평가했습니다:

• 합성 데이터: 다양한 노이즈 분포 (가우시안, 라플라스) 와 함수 형태 (가산, 승법) 를 사용하여 실험이 수행되었습니다. 제안된 방법들 (MLE+β 및 SM+β) 은 Naive 역성향 가중치 (IPW) 및 다항식 회귀와 같은 기준선보다 일관되게 우수한 성능을 보였습니다. 보정된 방법들은 편향을 현저히 감소시킨 반면, 기준선들은 선택 메커니즘을 고려하지 못했습니다.
• 반합성 데이터 (All of Us): NIH 의 "All of Us" 데이터셋 (제 2 형 당뇨병 및 BMI) 에서의 실제 세계 공변량 분포를 사용하여 저자들은 합성 결과를 생성했습니다. 실제 세계 분포의 복잡성 (예: 매우 낮은 성향 점수로 인한 약한 중첩) 으로 인해 편향이 완전히 제거되지는 않았지만, 제안된 방법들은 기준선에 비해 편향을 크게 감소시켜 까다롭고 현실적인 설정에서 견고함을 입증했습니다.

5. 중요성 및 주장

본 논문은 그래픽 토폴로지 대신 분포적 속성에 초점을 맞춤으로써 선택 편향에 대한 전체론적 이해를 제공한다고 주장합니다. 그 중요성은 다음과 같습니다:

• 적용 범위 확대: 특정 그래픽 구조와 강력한 모수적 가정 (비가우시안 노이즈 등) 의 필요성을 완화함으로써, 이 프레임워크는 더 넓은 범위의 실용적 시나리오에서 인과 효과 식별을 가능하게 합니다.
• 이론적 엄밀성: 일반적인 선택 편향 하의 s-ATE-full 식별성을 위한 최초의 필요충분 조건을 제공하여, 언제 그리고 왜 식별이 가능한지를 명확히 합니다.
• 방법론적 발전: 절단된 통계학과 스코어 매칭의 통합은 전통적인 조정 방법이 실패하는 복잡한 선택 메커니즘 존재 하에서 인과 효과를 추정할 수 있는 실현 가능한 경로를 제공합니다.

저자들은 분포 클래스에 대한 가정이 이전 연구들보다 약하지만 여전히 이론적 보장을 위해 필요하다는 점을 겸손하게 인정하며, 향후 연구는 이러한 가정을 완화하고, 이 프레임워크를 인과 발견에 적용하며, 매우 복잡한 실제 세계 데이터 분포에 대한 추정 기법을 개선하는 데 초점을 맞출 수 있음을 제안합니다.