실험 결과 전이 가능성 결정 알고리즘

**1. 서론 및 동기** 과학 연구에서 실험 결과를 다른 환경이나 인구에 적용하려는 요구는 오래전부터 존재했지만, 이를 정량적으로 판단할 체계는 부족했다. 저자는 이러한 문제를 “전이 가능성(transportability)”이라 명명하고, 인과 그래프와 do‑계산을 이용해 공식화한다. 실험이 가능한 모집단 Π와 실험이 불가능한 목표 모집단 Π* 사이의 차이를 선택 변수 S 로 표시한 **선택 다이어그램**을 도입한다. **2. 예시를 통한 직관적 설명** 세 가지 예시(연령 차이, 언어 능력 프록시, 치료 의존 바이오마커)를 통해 동일한 관측 분포 차이라도 인과 구조에 따라 전이 공식이 달라짐을 보여준다. 첫 번째 예시에서는 표준화(standardization) 공식이 유효하고, 두 번째에서는 직접 전이가 가능하며, 세 번째에서는 조건부 가중치가 필요함을 설명한다. **3. 형식적 정의** - **구조적 인과 모델(SCM)** 과 그 그래프 표현을 재정의한다. - **선택 다이어그램**: 기존 인과 그래프에 S→V 형태의 에지를 추가해 두 도메인 간 메커니즘 차이를 표시한다. - **인과 효과 식별성(identifiability)**: P\*(y│do(x)) 가 관찰·실험 분포와 그래프 가정만으로 유일하게 계산될 수 있는지를 정의한다. - **전이 가능성(transportability)**: 위 식별성이 두 도메인에 걸쳐 성립하는 경우를 의미한다. **4. 그래프적 전이 가능성 조건** 핵심 정리는 “S‑차단” 개념이다. 선택 다이어그램 D에서 모든 S‑변수를 포함한 경로가 X와 Y 사이에서 차단될 경우, 즉 D의 **S‑edge‑subgraph** 가 특정 금지 패턴을 포함하지 않을 경우 전이 가능성이 보장된다. 이는 충분·필요 조건을 동시에 만족하는 **완전한 그래프적 기준**이다. **5. 전이 결정 알고리즘(TR)** 알고리즘은 다음 단계로 구성된다. 1. 입력된 선택 다이어그램에서 S‑차단 여부를 검사한다. 차단되지 않으면 “전이 불가능”을 반환한다. 2. 차단된 경우, 그래프를 분해해 조절 변수 집합 Z 를 찾고, 기존 **인과 효과 식별 알고리즘(ID)** 를 재귀적으로 호출한다. 3. 각 서브문제에서 얻은 식을 결합해 최종 **전이 공식**을 구성한다. 알고리즘은 모든 전이 가능 사례에 대해 성공적으로 종료하며, 전이 공식이 존재하지 않을 경우 이를 정확히 판별한다. **6. 특수 경우와 추가 결과** - **직접 효과(CDE)** 와 같은 제한된 인과 효과에 대해 더 간단한 충분·필요 조건을 제시한다. - 기존의 재귀적 절차(예: Pearl‑Bareinboim 2011)의 한계를 분석하고, 제안된 알고리즘이 그보다 완전함을 증명한다. **7. 기존 일반화 개념과의 비교** 전이 가능성은 외부 타당성, 메타‑분석, 이질성 분석 등과 달리 **구조적 차이를 명시적으로 모델링**하고, **계산 가능한 전이 공식**을 제공한다. 따라서 전이 가능성은 보다 엄격하고 실용적인 일반화 프레임워크로 자리매김한다. **8. 결론** 저자는 전이 가능성을 그래프적으로 완전하게 판단할 수 있는 조건과 이를 구현하는 알고리즘을 제시함으로써, 실험 결과를 다른 인구에 적용하려는 연구자들에게 이론적 근거와 실용적 도구를 제공한다. 향후 연구는 다중 소스(다중 실험 집단)와 동적 정책 적용 등으로 확장될 수 있다.