Causal Discovery via Statistical Power (CDSP)

기술 요약: 통계적 검정력을 통한 인과성 발견 (CDSP)

문제 제기
관측 데이터로부터 인과 방향을 추론하는 것은 과학적 분야에서 근본적인 과제입니다. 기능적 인과성 발견 방법들은 방향성을 식별하기 위해 구조적 비대칭성 (예: 원인과 잡음 간의 독립성) 을 활용하지만, 일반적으로 강력한 모델링 가정 (예: 올바른 함수 형태 지정, 비순환성, 관찰되지 않은 교란 변수 부재) 에 의존합니다. 기존 접근법의 중요한 한계는 이러한 가정이 위반될 때 견고한 통계적 추론과 불확실성 정량화가 부족하다는 점입니다. 전통적인 방법들은 경미한 수준에서 중간 정도의 모델 오지정 하에서도 신뢰할 수 있는 방향성 증거를 제공하는 데 종종 실패하며, 기존 불확실성 정량화 기법들 (부트스트랩 안정성 또는 신뢰 구간 등) 은 작동 모델이 오지정된 경우 오해의 소지가 있을 수 있습니다.

방법론
저자들은 인과 방향 추정을 방향성 감지 가능성 문제로 재구성하는 통계적 추론 프레임워크인 **통계적 검정력을 통한 인과성 발견 (Causal Discovery via Statistical Power, CDSP)**을 소개합니다. 이 방법론은 다음과 같은 이론적 및 절차적 기둥 위에 구축되었습니다:

1. 가설 검정 프레임워크: 이 접근법은 두 변수 $X$와 $Y$에 대한 가설 검정 쌍으로 인과성 발견을 공식화합니다. $X \to Y$ 방향의 경우, 귀무가설 $H_0^Y$는 예측변수 $X$가 잔차 $\eta$ (여기서 $Y = m(X) + \eta$) 와 독립적이며 모델 클래스가 올바르게 지정되었다고 가정합니다. 반대 방향인 $Y \to X$도 유사하게 검정됩니다.
2. 효과 크기 비대칭 가정: 핵심 이론적 기여는 효과 크기 비대칭 가정입니다. 전통적인 비대칭 가정들이 올바른 방향에서는 모집단 검정 통계량이 0 이고 반대 방향에서는 0 이 아니라고 가정하는 것과 달리, CDSP 는 표준화된 귀무가설로부터의 편차 (효과 크기) 가 잘못된 방향에서 올바른 방향보다 더 크다고 주장합니다.
   • 올바른 방향에서, 귀무가설 위반은 (있다면) 모델 오지정만으로 발생합니다.
   • 잘못된 방향에서, 귀무가설 위반은 예측변수와 잔차 간의 본질적 의존성 및 모델 오지정 모두에서 발생합니다.
   • 이 가정은 잘못된 방향이 해당 귀무가설로부터 더 강하게 편차하여 기각하기 더 쉽다고 명시합니다.
3. 방향성 검정력과 감지 가능성: 저자들은 방향성 검정력을 절차가 실제 인과 방향을 올바르게 지지할 확률로 정의합니다. 그들은 효과 크기 비대칭 가정 하에서 이 확률이 잘못된 방향을 지지할 확률보다 크다고 보여줍니다.
4. 추정 절차 (알고리즘 1):
   • 점 추정: 이 방법은 두 방향에 대한 방향성 감지 가능성 지수 ($I_{X,n}$ 및 $I_{Y,n}$) 를 추정합니다. 이러한 지수는 추정된 모집단 검정 통계량 (예: 힐베르트 - 슈미트 독립성 기준, HSIC) 과 임계값 사이의 차이를 점근적 표준 편차로 표준화한 것으로 정의됩니다.
   • 결정 규칙: 더 큰 감지 가능성 지수를 가진 방향이 추정된 인과 방향으로 선택됩니다.
   • 불확실성 정량화: 이 프레임워크는 비모수 부트스트랩을 통해 추정된 방향성 지지 확률 ($\hat{P}_{CDSP}$) 을 제공합니다. 이 값은 선택된 방향에 대한 추정 감지 가능성 지수가 대안보다 초과하는 부트스트랩 표본의 비율을 나타냅니다. 이는 "거의 또는 전혀 분리되지 않음" (~0.5) 에서 "매우 강력한 지지" ($\ge 0.9$) 까지 범위를 갖는 신뢰도 척도로, 곡선 아래 면적 (AUC) 과 유사합니다.

주요 기여

• 이론적 프레임워크: 이 논문은 인과성 발견과 통계적 검정력 간의 연결을 확립하여, 모델 오지정 하에서도 신뢰할 수 있는 방향 감지를 위한 조건으로서 효과 크기 비대칭 가정을 도입합니다.
• 견고성: 이론적 결과 (정리 1) 는 효과 크기 비대칭이 성립한다면, 방향을 올바르게 식별할 확률이 표본 크기가 증가함에 따라 1 로 수렴함을 보여줍니다.
• 불확실성 정량화: CDSP 는 표본 변동성과 모델 오지정을 고려하는 공식적이고 해석 가능한 방향성 지지 척도 ($\hat{P}_{CDSP}$) 를 제공하여, 현재 기능적 인과성 발견 문헌의 공백을 해소합니다.
• 일관성: 저자들은 표준 정규성 조건 하에서 방향성 추정치와 부트스트랩 기반 지지 확률의 일관성을 증명합니다.

결과
이 논문은 시뮬레이션과 실제 데이터 분석을 통해 CDSP 를 평가합니다:

1. 시뮬레이션 (선형 모델 오지정):

   • 데이터는 다양한 정도의 비선형성 ($d \in \{1, 1.2, \dots, 1.5, 3\}$) 으로 생성되었습니다.
   • 견고성: CDSP 는 경미한 수준에서 중간 정도의 오지정 하에서 높은 정확도를 유지했습니다 ($d \le 1.3$인 경우 100%, $d=1.4$인 경우 88%). 반면 DirectLiNGAM 은 $d=1.25$부터 급격히 실패하여 정확도 0% 를 보였습니다.
   • 표본 크기: 표본 크기를 증가시키면 중간 오지정 영역에서 CDSP 의 정확도가 향상되어 감지 가능성 지수의 순서를 안정화시켰습니다.
   • 심각한 오지정: 심각한 오지정 ($d=3$) 하에서는 효과 크기 비대칭 가정이 무너져 두 방법 모두 잘못된 추론을 하게 되었으며, 이는 접근법의 한계를 부각시켰습니다.

2. 실제 데이터 (Tübingen 인과 - 결과 쌍):

   • 전체 데이터셋 (100 쌍): CDSP 는 **진짜 발견률 (TDR) 62%**와 **거짓 발견률 (FDR) 38%**를 달성했으며, LiNGAM 의 44% TDR 및 56% FDR 과 비교됩니다. CDSP 는 LiNGAM 대비 FDR 을 약 18% 감소시켰습니다.
   • 대략 선형인 부분집합 (34 쌍): 두 방법 모두 성능이 향상되었지만, CDSP 는 여전히 유의미한 우위를 유지했습니다 (LiNGAM 의 38.2% 대비 20.6% FDR).
   • 불확실성 보정: LiNGAM 의 부트스트랩 비율은 오류율이 높은 많은 쌍에 "매우 강력한" 지지를 부여한 것과 달리, CDSP 의 $\hat{P}_{CDSP}$는 지지 강도와 정확도 간의 명확한 상관관계를 보여주었습니다 (더 높은 지지 범주에서 더 낮은 FDR).

의의 및 주장
이 논문은 CDSP 가 모델 오지정에 강건하고 의미 있는 불확실성 정량화를 제공하는 인과 방향 추정을 위한 통계적으로 원칙적인 기반을 제공한다고 주장합니다. 이상적인 가정 하의 엄격한 식별 가능성에서 통계적 검정력을 통한 방향성 감지 가능성으로 초점을 이동시킴으로써, 이 프레임워크는 연구자들이 데이터가 한 인과 방향을 다른 방향보다 지지하기에 충분한 정보를 포함하는지 여부를 결정할 수 있게 합니다.

저자들은 CDSP 가 경미한 수준에서 중간 정도의 모델 오지정 하에서 가장 유익하다고 강조합니다. 이는 전통적인 방법들이 종종 침묵하며 실패하는 영역입니다. 이 프레임워크는 모든 조건 (예: 심각한 오지정 또는 관찰되지 않은 교란 변수) 하의 인과성 발견을 해결한다고 주장하지는 않지만, 방향성 증거의 신뢰성을 평가하기 위한 진단 도구를 제공합니다. 논문은 CDSP 가 검정력에 기반한 통계적 프레임워크를 향한 첫걸음을 나타내며, 가정이 완벽하게 충족되지 않더라도 데이터가 인과 추론을 위한 충분한 증거를 제공하는지 학습하기 위해 이러한 방법들을 사용할 것을 장려한다고 결론지었습니다.