Modifying causal models to distinguish between transient and lasting causal effects

기술적 요약: 일시적 인과 효과와 영구적 인과 효과를 구분하기 위한 인과 모델 수정

문제 제기
현재의 인과 추론 프레임워크는 주로 잠재 결과와 인과 방향성 비순환 그래프 (DAG) 에 기반하고 있으며, 복잡한 시간적 역학을 가진 시스템에 적용될 때 중대한 한계에 직면합니다. 이러한 방법들은 횡단면 데이터와 종단 데이터를 성공적으로 분석하지만, 시스템이 결국 원래의 균형 상태로 돌아가는 일시적 변화를 유발하는 개입과 시스템의 역학에 영구적인 변화를 일으키는 개입을 구분하는 데 어려움을 겪습니다.

표준 인과 모델에서 변수는 특정 시점의 측정을 나타냅니다. 따라서 인과 효과는 이러한 측정의 시점에 상대적으로 정의됩니다. 개입이 상태 변수 (예: 종양 부피) 를 일시적으로 변경하더라도 시스템의 근본적인 미분 방정식이 변하지 않는다면, 시스템은 결국 시간만 이동된 원래의 균형 궤적으로 돌아갑니다. 영구적 효과에 대한 표준 정의 ($E[Y(1) - Y(0)] \neq 0$) 는 상태의 일시적 교란과 시스템의 인과 매개변수의 근본적 수정을 구분하지 못합니다. 이 한계는 건강 연구와 같은 분야에서 종양 크기를 일시적으로 감소시키는 치료와 종양 성장의 생물학적 메커니즘을 변경하는 치료를 구분하는 것이 필수적인 상황에서 특히 중요합니다.

방법론
저자들은 "측정 기반" 접근법에서 "시스템 및 상태 기반" 접근법으로의 전환을 제안합니다. 방법론은 다음과 같습니다:

1. 동적 인과 모델링: 이산 시점 변수만 사용하는 대신 시스템의 역학을 표현하기 위해 상미분 방정식 (ODE) 시스템을 활용합니다. 논문은 성장률 ($r$), 수용 능력 ($K$), 상호작용 매개변수 ($\gamma$) 에 따라 세포 부피 ($V_{target}$ 및 $V_{proxy}$) 가 진화하는 종양 성장에 대한 Lotka-Volterra 경쟁 모델을 동기 부여 예시로 사용합니다.
2. 개입 구분: 이 프레임워크는 두 가지 유형의 개입을 구분합니다:
   • 상태에 대한 개입: 특정 시점에서 인과 DAG 의 노드인 내생 변수의 값을 변경하는 개입입니다. 이러한 개입은 시스템의 궤적을 이동시키지만 근본적인 미분 방정식을 변경하지는 않습니다. 시스템은 다른 시간에 동일한 균형에 도달하거나 원래 역학 하에서 도달 가능한 다른 균형에 도달할 수 있습니다.
   • 역학에 대한 개입: 시스템의 외생 매개변수 (예: $K$, $\gamma$, 또는 $r$) 를 변경하는 개입입니다. 이러한 변화는 인과 관계와 시스템을 지배하는 방정식을 수정하여 원래 역학 하에서는 불가능했던 궤적을 생성합니다.
3. 영구 효과의 재정의: 논문은 동적 시스템에 대한 새로운 영구 인과 효과 정의를 제안합니다. 시스템의 지배 방정식을 변경하지 않고 초기 시간이나 초기 상태를 이동시켜 개입 후 궤적을 개입 전 궤도에 매핑할 수 있다면, 인과 효과는 "역학상 영구적 (null on dynamics)"으로 간주됩니다. 반면, "영구적이지 않은 동적 효과 (non-null dynamic effect)"는 개입이 시스템 매개변수를 변경하여 초기 조건과 무관하게 원래 역학으로는 생성될 수 없는 궤적을 만들 때만 존재합니다.
4. 인과 그래프 표현: 저자들은 이러한 구분을 시각화하기 위해 (미분과 매개변수를 포함하는) 동적 인과 그래프를 사용합니다. 상태 노드 (빨간색 노드) 에 대한 개입은 그래프 구조가 아닌 궤적에 영향을 미치는 반면, 매개변수 노드 (파란색 노드) 에 대한 개입은 시스템의 역학을 변경합니다.

주요 기여 및 결과

• 표준 DAG 의 한계: 논문은 시간 가변 시스템에 적용될 때 표준 인과 DAG 가 인과 충실성 (Causal Faithfulness) 조건을 위반할 수 있음을 보여줍니다. 개입이 일시적 효과를 일으켜 결국 소멸되고 (시스템을 균형 상태로 되돌림), 특정 시간 이후 변수가 개입과 확률적으로 독립적이 되면, 표준 발견 알고리즘은 인과 관계가 없다고 잘못 추론하게 됩니다.
• 효과에 대한 공식적 구분: 저자들은 다음을 구분하기 위한 공식적 메커니즘을 제공합니다:
  1. 일시적 효과: 원래 역학 하에서 도달 가능한 다른 균형이나 더 늦거나 더 일찍 도달하는 동일한 균형에 시스템이 도달하게 하는 상태 값에 대한 개입.
  2. 영구적 (동적) 효과: 시스템의 행동과 균형 가능성을 근본적으로 변경하는 시스템 매개변수에 대한 개입.
• 인과 매개변수 식별: 논문은 시스템 역학에 대한 진정한 인과 효과를 식별하려면 내생 상태가 아닌 외생 변수 (매개변수) 를 대상으로 해야 한다고 주장합니다. 이는 주류 인과 DAG (Pearl, 2009), 동적 인과 모델 (Blom and Mooij, 2023; Weinberger, 2023), 그리고 균형 상태의 인과 순서 (Iwasaki and Simon, 1994) 에 대한 아이디어를 종합합니다.
• 연구 설계에 대한 함의: 측정 시점 선택이 중요함이 입증되었습니다. 상태 기반 개입 후 시스템이 균형으로 돌아간 후에만 측정이 이루어진다면, 인과 효과가 영구적인 것으로 잘못 식별될 수 있습니다. 제안된 프레임워크는 동적 효과를 감지하려면 시스템의 궤적을 측정하거나 시스템의 매개변수를 대상으로 해야 함을 명확히 합니다.

의의 및 주장
이 논문은 동적 시스템에서 개입의 구체성, 연구 설계, 데이터 수집을 개선하기 위한 새로운 구조를 제공한다고 주장합니다. 시스템 역학을 고려하여 영구 효과를 재정의함으로써, 저자들은 단순히 시스템의 상태를 이동시키는 개입과 시스템의 근본적인 인과 메커니즘을 변경하는 개입을 연구자들이 공식적으로 구분할 수 있도록 하려는 목표를 가지고 있습니다.

저자들은 명시적으로 이 논문이 관측 데이터로부터 이러한 효과를 추정하는 것이 아니라 인과 식별 문제에 초점을 맞추고 있다고 밝힙니다. 그들의 접근 방식이 역학에 대한 인과 효과를 무엇으로 정의하는지 명확히 하지만, 이러한 효과 (예: 함수 등록 또는 G-계산을 통해) 를 추정하는 것은 불규칙하거나 드문 데이터의 경우 특히 상당한 어려움을 제시한다고 인정합니다. 이 연구는 시간 가변 시스템을 포함하는 관찰 및 실험 연구에서 일시적 인과 효과와 영구적 인과 효과를 구분하는 미래 연구를 안내하기 위한 이론적 프레임워크로 제시됩니다.