기술적 요약: 미확인 부모를 고려한 잠재 요인 모델에서 직접 인과 효과 식별

문제 제기

본 논문은 명시적으로 모델링된 잠재 변수를 포함하는 선형 구조 방정식 모델 (LSEM) 에서 직접 인과 효과를 식별하는 문제를 다룹니다. 이러한 모델에서 관측 변수 $X$와 잠재 변수 $L$은 확률적 노이즈가 포함된 선형 방정식을 통해 관련됩니다. 주요 목표는 구조 방정식 내의 계수 (직접 인과 효과) 중 관측 변수 $X$의 공분산 행렬 $\Sigma$로부터 유일하게 복원 (식별) 될 수 있는 계수를 결정하고, 이러한 계수에 대한 유리수 공식을 유도하는 것입니다.

기존 접근법은 종종 잠재 변수를 주변화하여 종속 오차 항을 양방향 엣지로 표현하는 **잠재 투영 (latent projections)**에 의존합니다. 그러나 저자들은 관측 변수가 소수의 잠재 변수에 의해 밀집되어 교란될 경우, 투영 기반 방법들이 식별 가능성을 인증하는 데 자주 실패한다고 지적합니다. Barber 등 (2022a) 이 제안한 **잠재 요인 하프 트레크 기준 (LF-HTC)**과 같이 잠재 변수를 명시적으로 사용하는 방법들이 존재하지만, 이론적으로 유리수 식별 가능성이 존재할 수 있음 (계산 비용이 큰 그뢰브너 기저 방법으로 검증 가능) 에도 불구하고, 이러한 방법들은 많은 밀집 인과 그래프에 대해 결론을 내리지 못합니다.

방법론

저자들은 식별 과정에서 **미확인 부모 (unidentified parents)**를 명시적으로 고려함으로써 LF-HTC 를 일반화하는 새로운 식별 프레임워크를 제안합니다. 이 방법론은 재귀적 알고리즘으로 통합된 세 가지 주요 기둥으로 구성됩니다.

1. 엣지별 잠재 요인 하프 트레크 기준 (eLF-HTC)

핵심 기여는 LF-HTC 의 일반화 버전인 eLF-HTC입니다.

• 제약 조건 완화: 모든 부모가 이미 식별되었거나 보조 집합 $Z$에 관측 부모가 없어야 한다는 LF-HTC 와 달리, eLF-HTC 는 $Z$가 미확인 부모를 가진 노드를 포함할 수 있도록 허용합니다.
• 메커니즘: 이 기준은 대상 $v$의 미확인 부모 집합 $W_v \subseteq pa_V(v)$와 보조 노드 $z$의 미확인 부모 집합 $W_z \subseteq pa_V(z)$를 도입합니다. 그런 다음 특정 "측면 교차 없음 (no-sided intersection)" 제약 조건을 준수하면서 소스 노드 집합 $Y$에서 이러한 미확인 부모와 보조 노드의 합집합으로 가는 잠재 요인 하프 트레크 시스템의 존재 여부를 확인합니다.
• 알고리즘적 구현: 저자들은 eLF-HTC 확인을 구성된 흐름 그래프상의 네트워크 흐름 계산 (특히 최대 흐름 문제) 으로 축소할 수 있음을 보여줍니다. 이는 검색 공간의 조합적 성질에도 불구하고 실용적인 구현을 가능하게 합니다.

2. 행렬식 식별 결과

이 논문은 종속 오차를 가진 혼합 그래프를 위해 원래 제안된 Weihs 등 (2018) 의 결과를 적응하여 포함합니다.

• 잠재 모델로의 전이: 저자들은 이 결과를 명시적으로 모델링된 잠재 변수 설정으로 전이합니다.
• 메커니즘: 이 접근법은 공분산 행렬 $\Sigma$의 부분 행렬의 랭크를 기반으로 엣지를 식별하기 위해 행렬식 흐름 네트워크에서의 최대 흐름 계산을 사용합니다. 이는 $\Sigma$의 부분 행렬 행렬식을 포함하는 유리수 공식을 제공합니다.
• 상호 보완성: 이 방법은 특히 특정 구조적 구성에서 eLF-HTC 가 식별할 수 없는 엣지를 식별할 수 있습니다.

3. 재귀적 서브그래프 식별

저자들은 위의 기준들의 능력을 향상시키기 위한 메타 전략을 도입합니다.

• 절차: 알고리즘은 이미 유리수 식별 가능으로 확인된 엣지를 그래프에서 재귀적으로 삭제합니다.
• 공분산 조정: 엣지가 삭제될 때, 결과 서브그래프의 공분산 행렬은 단순히 원래 $\Sigma$의 부분 행렬이 아닙니다. 저자들은 원래 $\Sigma$와 삭제된 엣지의 계수를 사용하여 서브그래프에 필요한 공분산을 계산하는 유리수 공식을 제시하는 명제 4.5를 제공합니다.
• 이점: 그래프를 축소함으로써 eLF-HTC 및 행렬식 기준에 대한 제약 조건이 완화되어, 이전에 삭제된 엣지의 존재로 인해 차단되었던 추가 엣지들을 식별할 수 있게 됩니다.

통합 알고리즘

본 논문은 eLF-HTC, 행렬식 결과, 재귀적 서브그래프 절차를 반복적으로 적용하는 알고리즘 1을 제시합니다. 이 알고리즘은 "해결된" 노드와 엣지 집합을 유지하며, 엣지가 식별되고 제거됨에 따라 허용된 공분산 집합을 업데이트합니다.

주요 결과 및 실험

이론적 기여

• 일반화: eLF-HTC 는 LF-HTC 를 엄격하게 포괄합니다. LF-HTC 를 통해 식별 가능한 모든 엣지는 eLF-HTC 를 통해서도 식별 가능합니다.
• 유리수 공식: 증명들은 식별된 계수에 대한 명시적인 유리수 공식을 제공하여 식별이 구성적임을 보장합니다.
• 복잡도: LSEM 식별 가능성의 일반적 문제는 그뢰브너 기저를 통해 이중 지수 시간 복잡도를 가질 수 있지만, 제안된 알고리즘은 특정 단순화 가정 (예: 검색 집합 $H$, $S$, $T$의 크기 제한) 하에서 다항 시간 복잡도를 달성합니다. 단순화 없이도 복잡도는 초지수적이지만, 실용적인 그래프 크기에 대해서는 대수적 방법보다 훨씬 우수합니다.

수치 실험

저자들은 두 가지 시뮬레이션 설정에서 제안된 통합 알고리즘을 LF-HTC 및 컴퓨터 대수 방법 (그뢰브너 기저) 과 비교 평가했습니다.

1. 설정 1: 관측 변수 6 개, 잠재 변수 1 개.
2. 설정 2: 관측 변수 6 개, 잠재 변수 2 개.

결과:

• 성능: 통합 알고리즘은 LF-HTC 보다 훨씬 많은 그래프를 식별하며, 특히 밀집 설정 (높은 수의 관측 엣지) 에서 그 차이가 두드러집니다.
  • 설정 1 에서 관측 엣지가 9 개인 경우, LF-HTC 는 식별 가능한 그래프의 1% 미만을 식별한 반면, 통합 알고리즘은 **약 96%**를 식별했습니다.
  • 설정 2 에서 관측 엣지가 6 개인 경우, LF-HTC 는 **약 65%**를 식별한 반면, 통합 알고리즘은 **약 97%**를 식별했습니다.
• 완전성: 통합 접근법은 테스트된 설정에서 유리수 식별 가능한 그래프의 거의 모든 (약 98%) 것을 식별하며, 컴퓨터 대수 방법으로 설정된 이론적 한계에 근접하면서도 훨씬 낮은 계산 비용을 보입니다.
• 상호 보완성: 결과는 세 가지 구성 요소 (eLF-HTC, 행렬식, 재귀적) 가 서로 엄격한 개선을 제공함을 보여줍니다. 이들의 결합은 개별 결과들의 합집합보다 더 많은 식별 가능한 사례를 산출합니다.

중요성 및 주장

본 논문은 현재 알려진 잠재 요인 그래프에 대한 가장 일반적인 그래프 결과를 제공한다고 주장합니다.

• 실용적 유용성: 저자들은 중간 크기의 그래프에 대해 이중 지수 시간 복잡도로 인해 종종 실현 불가능한 그뢰브너 기저 계산에 대한 실용적인 대안을 제시한다고 강조합니다.
• 소프트웨어 가용성: 저자들은 식별 가능성 확인, LaTeX 형식 식별 공식 획득, 공분산 행렬로부터 인과 효과 추정치 계산이 가능한 R 구현 (GitLab 저장소 제공) 을 제공합니다.
• 겸손함: 저자들은 실험에서 거의 모든 식별 가능한 사례를 다루지만, 현재 어떤 그래프 기준 (자신의 방법 포함) 이도 인증서를 제공하지 않는 유리수 식별 가능한 그래프의 소수 부분이 남아있을 수 있음을 인정합니다. 향후 작업은 필요 조건을 유도하거나 잠재 변수가 소스 노드가 아닌 더 일반적인 잠재 구조에 대한 방법과 아이디어를 결합하는 것을 포함할 수 있다고 언급합니다.

요약하자면, 본 논문은 미확인 부모를 명시적으로 처리하고 재귀적 그래프 축소를 활용함으로써 투영 기반 방법과 이전 하프 트레크 기준의 한계를 극복하는, 잠재 교란 변수가 존재하는 상황에서의 인과 발견을 위한 견고하고 계산적으로 실현 가능한 프레임워크를 제시합니다.