Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information

기술 요약: 주변 모멘트 정보를 이용한 인과 효과의 중심 모멘트 식별 및 경계 설정

문제 정의

인과 추론에서 처치 효과의 이질성을 평가하는 것은 평균 인과 효과(ACE)를 추정하는 것 이상의 중요한 목표이다. 개별 인과 효과(ICE, $Y_1 - Y_0$로 정의됨)의 분포를 특징짓는 분포는 처치 효과의 이질성을 나타내지만, ICE의 분포 또는 그 중심 모멘트를 식별하거나 경계를 설정하는 기존 방법들(예: Fan and Park [2010], Post and Van Den Heuvel [2025])은 일반적으로 잠재적 결과(PO)의 전체 주변 분포인 $P(Y_1 < y)$와 $P(Y_0 < y)$에 대한 접근을 필요로 한다.

그러나 많은 실증적 환경에서는 개인별 데이터나 완전한 분포 함수를 사용할 수 없는 경우가 많은데, 이는 개인정보 보호 제한, 기밀 유지, 또는 요약 통계량만을 보고하는 방식으로 축적된 과거 연구의 특성 때문이다. 이러한 경우, 처치 집단과 대조 집단의 주변 중심 모멘트(예: 평균, 분산, 왜도, 첨도)만을 사용할 수 있다. 본 논문은 완전한 주변 분포를 가정하지 않고, 오직 잠재적 결과의 주변 중심 모한 $\sigma^{(k)}_1$ 및 $\sigma^{(k)}_0$만을 사용하여 ICE의 중심 모멘트 $\mu^{(m)}$를 식별하고 경계를 설정하는 문제를 다룬다.

방법론

저자들은 구조적 인과 모델(SCM)과 잠재적 결과의 프레임워크를 채택한다. ICE의 중심 모멘트는 $\mu^{(m)} = E[(Y_1 - Y_0 - E[Y_1 - Y_0])^m]$로 정의된다. PO의 주변 중심 모멘트는 $x \in \{0, 1\}$에 대해 $\sigma^{(k)}_x = E[(Y_x - E[Y_x])^k]$로 정의된다.

방법론은 두 가지 주요 접근법으로 나뉜다.

1. 독립 효과 편차(Independent Effect Deviation, IED) 가정하에서의 식별:
   본 논문은 ICE가 기저 결과(baseline outcome)와 독립이라는 조건인 $(Y_1 - Y_0) \perp\!\!\!\perp Y_0$ 하에서의 식별을 조사한다. 이 가정하에서 저자들은 재귀적 식별 공식을 도출한다. 구체적으로, 정리 1은 특정 중간 차수를 제외한 $m$차까지의 주변 모멘트가 가용할 경우, $m$차 ICE 중심 모멘트가 재귀적으로 식별될 수 있음을 보여준다. 특히 IED 하에서 분산($\mu^{(2)}$)은 단순히 PO의 분산 차이인 $\sigma^{(2)}_1 - \sigma^{(2)}_0$로 식별되며, 고차 모멘트인 왜도와 첨도 또한 상응하는 주변 모멘트가 가용하다면 식별 가능하다.

2. IED 없이 경계 설정:
   IED 가정은 강력하며 검증하기 어렵다는 점을 인식하여, 본 논문은 독립성을 가정하지 않고 가용한 주변 모멘트 $(\sigma^{(k)}_1, \sigma^{(k)}_0)$만을 사용하여 $\mu^{(m)}$에 대한 날카로운 경계(sharp bounds)를 도출한다.

   • 분산 ($\mu^{(2)}$): 저자들은 ICE와 기저 $Y_0$ 사이의 상관관계 $\lambda$를 분석한다. 이들은 $\sigma^{(2)}_1$과 $\sigma^{(2)}_0$를 기반으로 $\mu^{(2)}$에 대한 날카로운 경계를 도출하며, 분산이 $(\sqrt{\sigma^{(2)}_1} \pm \sqrt{\sigma^{(2)}_0})^2$ 사이에 존재함을 보여준다. 또한, 고차 모멘트(왜도 또는 첨도)를 아는 것이 특정 조건을 충족하지 않는 한 분산의 경계를 반드시 좁히지는 않는다는 것을 입증한다.
   • 고차 모멘트: 본 논문은 3차($\mu^{(3)}$) 및 4차($\mu^{(4)}$) 중심 모멘트에 대한 경계를 제공한다. 홀수 차수의 경우, 하위 차수의 짝수 모멘트만 알려진 경우 경계는 종종 자명하다(즉, $(-\infty, \infty)$). 그러나 $m$차 PO의 모멘트가 알려진 경우, 짝수 $m$에 대해 비자명한 경계를 도출할 수 있다.
   • 날카로움(Sharpness): 저자들은 "날카로움"을 주어진 모멘트 정보 하에서 더 엄격한 폐구간이 존재하지 않는 성질로 엄밀하게 정의한다. 이들은 일부 경계는 날카롭지만, 여러 모멘트 제약 조건(예: 분산과 첨도를 모두 아는 경우)을 결 조합하는 것이 특히 고차 모한의 경우 ICE 모멘트에 대해 항상 날카로운 경계를 만들어내지는 못한다는 것을 보이기 위해 보충 자료의 반례를 제공한다.

주요 기여 및 결과

1. IED 하에서의 식별 결과:

   • 본 논문은 IED 조건 하에서 ICE의 중심 모멘트가 PO의 주변 중심 모멘트로부터 식별 가능함을 확립한다.
   • 따름정리 1 & 2: 구체적으로, 분산과 함께 상응하는 주변 모멘트(3차 및 4차)가 가용할 경우, ICE의 왜도와 첨도는 식별 가능하다.

2. 중심 모멘트에 대한 날카로운 경계:

   • 분산: 정리 3은 $\sigma^{(2)}_1$ 및 $\sigma^{(2)}_0$만을 사용하여 $\mu^{(2)}$에 대한 날카로운 경계인 $(\sqrt{\sigma^{(2)}_1} - \sqrt{\sigma^{(2)}_0})^2 \leq \mu^{(2)} \leq (\sqrt{\sigma^{(2)}_1} + \sqrt{\sigma^{(2)}_0})^2$를 제공한다.
   • 고차 모멘트: 정리 16–18은 이러한 결과를 임의의 $m$에 대해 일반화한다. 짝수 $m$의 경우, $\sigma^{(m)}_1$ 및 $\sigma^{(m)}_0$가 가용하면 날카로운 경계가 도출된다. 홀수 $m$의 경우, 단일 하위 차수 $k \leq m$의 모멘트를 아는 것은 (모멘트가 0인 극단적인 경우를 제외하고) 일반적으로 $\mu^{(m)}$에 대해 비자명한 경계를 제공하지 못함을 보여준다.
   • 경계의 교집합: 본 논문은 서로 다른 가용 모멘트로부터 얻은 경계(예: $\sigma^{(2)}$와 $\sigma^{(4)}$를 모두 사용하는 경우)를 교집합하는 것이 더 좁은 범위를 제공하는지 조사한다. 저자들은 이것이 종종 범위를 좁히기는 하지만, 특히 분산과 고차 모멘트가 관련된 특정 사례를 제외하고는 결과적인 경계가 일반적으로 날카롭지 않음을 발견했다(정리 7, 11, 15).

3. 실증 사례 연구:
   저자들은 요약 통계량만을 보고한 두 가지 실제 연구에 이 방법들을 적용한다:

   • Moseley et al. [2002] (무릎 관절경 수술): 보고된 평균과 표준편차를 사용하여 ICE의 분산을 경계 설정한다. 저자들은 상당한 이질성을 발견하였는데, 분산이 19.36에서 806.56 사이가 될 수 있다. 기저 상태와 ICE 사이에 양의 상관관계가 있다는 가정하에 상한선은 크게 좁혀진다.
   • Špirtović et al. [2023] (에어로빅 프로그램): 보고된 평균, 표준편차, 왜도, 첨도를 사용하여 ICE의 분산, 왜도, 첨도를 경계 설정한다. 결과적인 경계는 제한된 정보로 인한 근본적인 비식별성을 반영하여 넓게 나타나지만, 여로 분포의 형태(예: IED 하에서의 양의 왜도)를 특징짓는 데는 여전히 유용하다.

4. 수치 실험:
   제안된 모멘트 기반 경계와 전체 주변 분포를 가정하는 몬테카를로 적분(MCI) 추정치를 비교한 시뮬레이션 결과:

   • 일부 설정에서 모멘트 기반 경계가 MCI 경계와 비슷하거나 오히려 더 좁은 범위를 가짐을 보여준다.
   • 제안된 방법은 유한 표본 설정에서도 강건하지만, 표본 크기가 작아질수록 신뢰 구간이 넓어진다.

의의 및 주장

본 논문은 ICE 중심 모멘트를 오직 주변 중심 모멘트만을 사용하여 평가하는 문제가 체계적으로 연구된 바 없다는 점에서, 자신의 식별 및 경계 설정 결과가 새롭다고 주장한다.

• 실용적 관련성: 주요 의의는 전체 데이터셋이 아닌 요약 통계량(평균, 분산, 왜도, 첨도)만을 보고하는 연구들에 대해 이질성 분석을 가능하게 한다는 점에 있다. 이를 통해 연구자들은 역사적으로 축적된 연구들이나 개인정보가 제한된 데이터를 재분석하여 처치 효과 이질성의 정도와 구조를 추론할 수 있다.
• 정보의 한계: 저자들은 자신의 작업이 모멘트 정보만을 사용할 때 "무엇을 배울 수 있고 무엇을 배울 수 없는지"를 명시적으로 규명하고 있다고 겸손하게 주장한다. 저자들은 분산은 의미 있게 경계 설정이 가능한 경우가 많지만, 고차 특징(예: 왜도 및 첨도)은 IED와 같은 더 강력한 가정이나 전체 분포 지식 없이는 본질적으로 결정되지 않는다는 것을 보여준다.
• 날카로움: 저자들은 주장된 곳에서 도출된 경계가 날카롭다는 점을 강조하며, 특정 모멘트 정보가 주어졌을 때 가장 엄격한 구간을 제공한다. 그러나 동시에 많은 모멘트 조합에 대해 경계가 날카롭지 않다는 점을 인정하며, 집계된 통계량으로부터의 추론이 갖는 근본적인 한계를 부각한다.

저자들은 IED 가정이 점 식별(point identification)을 허용하는 반면, 이를 사용하지 않고 도출된 경계는 주변 중심 모멘트만을 사용할 수 있을 때 발생하는 불확정성을 특징짓는 필수적인 도구라고 결론짓는다. 또한 향후 연구에서 인과 그래프나 단조성(monotonicity)과 같은 추가적인 구조적 가정을 사용하여 이러한 경계를 좁히는 방안을 탐구할 수 있다고 언급한다.