Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator

기술 요약: 매개체의 관측되지 않은 혼란 요인이 존재하는 전방문(Front-Door) 인과 구조에서의 근사적 식별 및 추정

문제 정의

인과 추론은 근본적으로 처치($A$)와 결과($Y$) 사이의 관측되지 않은 혼란 요인(unobserved confounding)에 의해 방해를 받는다. Pearl의 **전방문 기준(front-door criterion)**은 이러한 시나리오를 위해 매개체($M$)를 활용하는 비모수적 식별 전략을 제공하지만, 매개체가 처치와 결과의 공통 원인에 의해 혼란을 받지 않아야 한다는 엄격한 요구 사항을 부과한다. 많은 실제 환경에서는 매개체가 처치 및 결과와 공유하는 미관측 원인을 가질 수 있으며, 이는 해당 가정을 위반하여 표준 전방문 공식을 적용 불가능하게 만든다.

본 논문은 숨겨진 변수($U$)가 처치($A$), 매개체($M$), 그리고 결과($Y$)를 모두 혼란시키는 복합 보 그래프(composite bow graph)(그림 1)로 알려진 특정 인과 구조를 다룬다. 이 설정에서 반사실적 분포 $p(Y(a))$는 표준적인 그래픽 방법으로는 일반적으로 식별 불가능하다. 저자들은 관측된 정보성 대리 변수($W$와 $Z$)가 잠재 변수 $U$에 대한 유효한 대리물이라는 가정하에 **근사적 인과 추론(proximal causal inference)**을 활용하는 해결책을 제안한다.

방법론

본 논문은 대리 변수의 조건부 독립성 및 분포적 특성에 관한 서로 다른 구조적 가정 세트에 기반한 세 가지 별개의 식별 전략을 개발한다. 모든 전략은 목적은 식별된 함수를 관측된 데이터 분포 $p(A, M, Y, W, Z)$의 함수로 표현하는 것이다.

1. 식별 전략

저자들은 세 가지 가정 세트에 대응하는 세 가지 정리를 도출하였다.

• 가정 세트 1 (정리 3.4):

  • 구조: 그림 4a의 그래프에 기반함.
  • 가정: 특정 조건부 독립성(예: $Y \perp Z \mid U, M, A$)과 대리 변수의 분포가 잠재 변수에 대해 충분한 변동성을 보장하는 완전성 조건(가정 3.2)을 요구함.
  • 메커니즘: **제1종 프레드홀름 적분 방정식(Fredholm integral equations of the first kind)**의 해의 존재성에 의존함. 식별 공식(식 7)은 관측된 대리 변수 $W$에 대해 적분함으로써 관측되지 않은 $U$를 주변화하기 위해 "브릿지 함수(bridge function)" $h_0$를 사용함.

• 가정 세트 2 (정리 3.8):

  • 구조: 그림 4b의 그래프에 기반함.
  • 가정: 중첩되지 않는(non-nested) 조건부 독립성 집합(가정 3.5)과 그에 상응하는 완전성 조건(가정 3.6)을 요구함.
  • 메커니즘: 세트 1과 유사하게, 두 개의 브릿지 함수 $b_0$와 $b_1$을 포함하는 프레드홀름 방정식의 해(가정 3.7)를 사용함. 결과적인 함수(식 8)는 구조적으로 표준 전방문 공식과 유사하지만, 브릿지 함수를 통해 관측되지 않은 항을 관측된 대리 변수로 대체함.

• 가정 세트 3 (정리 3.13):

  • 구조: 더 제한적인 중첩 모델인 그림 3b의 그래프에 기반함.
  • 가정: 더 강력한 조건부 독립성(가정 3.9), 유계 밀도(가정 3.10), 완전성(가정 3.11), 그리고 $Y$의 분포가 잠재 상태에 따라 달라짐을 보장하는 구별성(distinctness) 가정(가정 3.12)을 요구함.
  • 메커니즘: 이 전략은 텐서 분해(tensor decomposition) 방법(Kruskal, 1977)과 고유값 분해 기반 식별(Kuroki and Pearl, 2014; Allman et al., 2015)을 확장함. 이는 관측 변수와 잠재 변수의 전체 결합 분포를 (라벨링 제외하고) 유일하게 식별하며, 이를 통해 g-공식을 사용하여 인과 효과를 회복할 수 있게 한다.

2. 추정 전략

논문은 식별된 함수들을 위한 추정량을 제안한다.

• 플러그인 추정량 (Plug-in Estimators): 세 가지 전략 모두에 대해 일치성을 갖는 플러그인 추정량이 구성된다. 세트 1과 2의 경우, 브릿지 함수(적분 방정식의 해)를 추정하고 표본 평균을 취하는 과정을 포함한다. 세트 3의 경우, 분포 성분을 추정하기 위해 선형 시스템을 푸는 과정을 포함한다.
• 영향 함수 기반 추정량 (Influence Function-Based Estimator, 세트 3): 세 번째 전략을 위해, 저자들은 반사실적 평균 $\psi_a = E[Y(a)]$에 대한 비모수적 영향 함수(식 14)를 도출한다.
  • 구성: 이 추정량은 (변수가 관측되었다고 가정했을 때의) 전체 데이터 영향 함수를 라그랑주 보간 다항식을 통해 구성된 가중치를 사용하여 관측 데이터 영향 함수로 변환한다.
  • 특성: 결과적인 추정량 $\hat{\psi}^{(S3, IF)}_a$는 다중 강건성(multiple robustness)(정리 4.2)을 보인다. 이는 다섯 가지 특정 혼란 함수 세트(예: $M$의 조건부 밀도, 대리 변수의 기대값, 또는 결과 모델) 중 하나만 정확하게 지정되어도 일치성을 유지한다.
  • 점근적 성질: 샘플 분할(sample splitting)을 사용하는 경우, 혼란 함수가 모수보다 느린 속도로 추정되더라도(예: 머신러닝 사용) 이 추정량은 $\sqrt{n}$-일치성을 가지며 점근적으로 정규 분포를 따른다(정리 4.3).

주요 결과 및 기여

1. 전방문 기준의 일반화: 본 논문은 매개체가 혼란을 받는 설정에서도 정보성 대리 변수가 존재한다면 Pearl의 전방문 기준을 확장 적용할 수 있음을 보여준다.
2. 세 가지 식별 경로: 저자들은 서로 다른 구조적 가정을 가진 세 가지 식별 정리(정리 3.4, 3.8, 3.13)를 제공하여 다양한 데이터 생성 과정에 대한 유연성을 제공한다.
3. 새로운 추정 프레임워크: 복잡한 함수들을 위한 엄밀한 추정 프레임워크를 도입하며, 여기에는 이중/다중 강건성과 $\sqrt{n}$-일치성을 달리는 준모수적 영향 함수 기반 추정량이 포함된다.
4. 시뮬레이션 검증: 식별 방법의 타당성과 제안된 추정량의 성능은 유한 지지 집합(finite-support) 및 혼합 데이터 생성 과정에 대한 시뮬레이션 연구(섹션 5)를 통해 평가되었다.

의의 및 주장

본 논문은 그래픽 모델 기반 식별(매개체가 숨겨진 경우 종종 실패함)과 근사적 인과 추론(보통 처치/결과의 숨겨진 혼란은 다루지만 매개체는 다루지 않음) 사이의 간극을 메운다고 주장한다. 이러한 접근법을 결합함으로써, 저자들은 "복합 보" 구조(매개체가 처치 및 결과와 공유하는 미관측 원인을 갖는 흔한 실무적 시나리오)에서도 인과 효과가 식별 가능하다는 것을 입증한다.

본 연구의 의의는 전방문 분석의 주요 병목 현상인 "비혼란 매개체" 가정을, 잠재적 혼란 요인에 대한 정보성 대리 변수의 존재 가정으로 완화했다는 데 있다. 이 작업은 복잡한 혼란 구조에 직면한 연구자들에게 이론적 토대와 실용적인 추정 도구(강건한 추정량 포함)를 제공한다. 저자들은 세트 3의 식별 전략이 기존의 고유값 분해 방법을 연속 상태 공간으로 확장하며, 평균 인과 효과뿐만 아니라 전체 결합 법칙을 식별할 수 있게 한다고 언급한다.