기술 요약: 인과적 지식을 활용한 일반적 인과 확률

문제 정의

필요성 확률(PN), 충분성 확률(PS), 필요성 및 충분성 확률(PNS)과 같은 인과 확률(PoCs)은 일반적으로 관찰 불가능하며 부분 식별(partial identification)이 필요한 개별적 인과 반응을 특징짓는다. Tian과 Pearl(2000)은 실험 및 관측 데이터를 사용하여 이진 처리(binary treatment)와 결과에 대한 이론적으로 날카로운 경계값(sharp bounds)을 확립하였고, 이후의 연구들(Mueller et al., 2021; Li and Pearl, 2019, 2022b)은 공변량(covariates)과 매개변수(mediators)를 포함함으로써 이진 설정에서 이러한 경계값을 좁힐 수 있음을 입증했으나, 다치(multivalued) 설정에서는 여전히 큰 간극이 존재했다.

Zhang 등(2022), Li와 Pearl(2022a, 2024), 그리고 Shu, Wang, 그리고 Li(2026)의 최근 확장 연구들은 다치 PoCs에 대한 경계값을 도출하였다. 그러나 인과 그래프(특히 공변량 및 매개변수와 관련된)에 인코딩된 추가적인 인과 지식이 이러한 다치 경계값을 더욱 좁힐 수 있는지 여부는 여전히 미해결 과제로 남아 있었다. 여러 잠재적 결과의 결합 확률을 포함하는 다치 PoCs의 복잡성은 이진 사례보다 훨씬 더 복령한 반사실적 구조(counterfactual structure)를 도입하므로, 이진 결과를 즉각적으로 확장하는 것은 간단하지 않다.

방법론

본 논문은 공변량과 매개변수에 인코딩된 인과 정보를 통합함으로써 다치 PoCs에 대한 더 좁은 경계값을 도출하여 이 미해결 문제를 해결한다. 저자들은 구조적 인과 모델(SCM) 프레임워크 내에서 작업한다.

방법론은 다음과 같다:

1. 다치 PoCs의 정의: 본 논문은 모든 이산적(discrete) PoCs를 나타내기에 충분한 네 가지 대표적인 다치 PoC 형태(Shu, Wang, and Li, 2026에서 도입됨)에 집중한다:
   • $PNS(k)$:$k$개의 처리 수준에 대한 필요성 및 충분성 확률.
   • $PSub(k, p)$: 대체 확률(Probability of substitute).
   • $PRep(k, q)$: 교체 확률(Probability of replacement).
   • $PN(k, p, q)$: 필요성 확률.
2. 인과 그래프의 통합: 저자들은 특정 인과 그래프 구조에 기반하여 가능한 결합 반사실적 분포에 구조적 제약을 부과함으로써 새로운 경계값을 도출한다. 저자들은 다음을 고려한다:
   • 비하위 공변량(Non-descendant Covariates): 처치 $X$의 하위 요소가 아닌 변수 $Z$. $Z$가 백도어 기준(back-door criterion)을 만족할 때, 경계값은 백도어 조정 공식을 통해 관측 데이터만을 사용하여 계산될 수 있다.
   • 부분 매개변수(Partial Mediators): $X$의 하위 요소이면서 $X$가 결과 $Y$에 직접적인 영향을 미치는 변수 $Z$.
   • 순수 매개변수(Pure Mediators): $X$가 $Z$를 통해서만 $Y$에 영향을 미치는 변수 $Z$ (직접 효과 없음).
3. 수학적 도출: 각 인과 구조에 대해, 저자들은 가용한 실험 및 관측 분포를 그래프 기반 제약 조건과 통합하여 개선된 상한(upper bound)과 하한(lower bound)을 도출한다. 증명은 프레셰 부등식(Fréchet inequalities)과 인과 그래프에서 유도된 조건부 독립성(예: 교차 세계 조건부 독립성)의 성질에 의존한다.

주요 기여

본 논문은 세 가지 주요 기여를 한다:

• 다치 설정으로의 확장: 저자들은 이진 설정에서 다치 설정으로 인과 지식을 포함하는 PoCs의 경계값을 확장한다. 이진 사례와 달리, 다치 설정은 여러 처리 수준에 걸친 결합 반사실적 확률을 특징지어야 하므로 새로운 기술적 과제를 도입한다.
• 포괄적인 프레임워크: 결과는 Shu, Wang, 그리고 Li(2026)가 도입한 네 가지 대표적인 다치 PoC 형태($PNS, PSub, PRep, PN$)를 포괄한다. 이러한 형태들이 모든 이산적 PoCs를 나타낼 수 있으므로, 제안된 프레임워크는 광범위한 클래스의 다치 PoCs에 즉시 적용 가능하다.
• 다양한 인과 구조: 논문은 비하위 공변량(혼란 변수 및 백도어 조정 집합 포함), 부분 매개변수, 순수 매개변수를 포함한 다양한 인과 구조에 대한 특정 경계값을 도출한다.

결과

논문은 토이 예제(toy examples)와 시뮬레이션 연구를 통해 제안된 정리들을 검증한다:

• 토이 예제:
  • 가족력을 공변량으로 하는 당뇨병 예방 시나리오에서, 인과 구조를 포함함으로써 $PNS(3)$의 상한값이 주변 데이터(marginal data)만을 사용했을 때의 0.551에서 0.033으로 좁혀졌다.
  • 혈당을 순수 매개변수로 하는 시나리오에서, 상한값이 0.507에서 0.151로 좁혀졌다.
  • 이러한 예제들은 인과 구조를 무시하는 것이 의사결정(예: 약물 효능 과대평가)을 오도할 수 있는 넓고 정보력이 낮은 경계값을 초래할 수 있음을 보여준다.
• 시뮬레이션 연구:
  • 저자들은 다양한 차원($n, k \in \{3, 4, 5\}$)에 대해 인과 다이어그램과 호환되는 100,000개의 표본 분포를 생성했다.
  • 비하위 공변량: 이 구조는 가장 실질적인 경계 축소를 제공했다. $n=k=5$인 경우, 표본 분포의 99.85%가 더 좁은 경계값의 혜택을 받았으며, 경계값의 평균 폭이 베이스라인(Shu et al., 2026)에 비해 크게 감소했다.
  • 순수 매개변수: 이 구조 또한 상당한 개선을 보였다 (예: $n=k=3$인 경우 83.66%의 사례가 개선됨).
  • 부분 매개변수: 개선 폭이 미미했으며 차원이 높아질수록 감소했다. $n=k=4$인 경우, 2천만 번의 추출 과정에서 경계값이 좁혀진 경우가 없었으며, 이는 이론적으로는 유효하지만 고차원에서의 부분 매개변수의 실질적 유용성은 다른 구조에 비해 제한적임을 시사한다.

의의 및 주장

본 논문은 인과 그래프 정보를 통합하는 것이 실험 및 관측 분포만을 사용하는 방식보다 개별 인과 반응에 대해 일관되게 더 좁은 경계값을 제공한다고 주장한다. 인과 구조의 사용을 이진에서 다치 설정으로 확장함으로써, 본 연구는 보조 변수(공변량 및 매개변수)가 언제, 어떻게 구조적으로 호환되지 않는 반응 패턴을 배제할 수 있는지를 보여준다.

저자들은 Tian과 Pearl이 도출한 경계값이 분포 정보만을 고려했을 때 날카롭지만(sharp), 인과 구조를 포함하는 것이 이러한 경계값을 더욱 좁히는 메커니즘을 제공한다고 강조한다. 본 연구의 의의는 복잡한 다치 시나리오에서 인과 효과를 더 정밀하게 식별하기 위한 이론적 토대를 제공함으로써, 제약 분야와 같은 의사결정 분야에 더 유익한 경계값을 제공하는 데 있다. 저자들은 부분 매개변수 경계값이 이론적으로는 유효하지만 고차원 설정에서는 실질적인 개선 효과가 제한적일 수 있다는 점을 언급하며 신중한 태도를 유지한다.