관측 데이터로부터 고차원 개입 효과 추정

초록

관측된 데이터가 미지의 DAG(Directed Acyclic Graph) 구조에서 생성되었다고 가정하고, 해당 DAG의 등가 클래스(Equivalence Class)를 추정한 뒤, 각 DAG에 대해 개입 계산법(Intervention Calculus)을 적용해 공변량들의 반응 변수에 대한 인과 효과를 추정한다. 로컬 그래프 정보를 이용해 서로 다른 인과 효과값을 일관적으로 추정하는 알고리즘을 제시하고, 최소 절대값을 변수 중요도 지표로 활용한다. 시뮬레이션과 리보플라빈 생산 데이터에 적용해 실효성을 검증한다.

상세 분석

본 논문은 관측 데이터만으로는 DAG 자체를 완전히 식별할 수 없다는 전제 하에, 먼저 구조적 등가 클래스(Markov equivalence class)를 일관적으로 추정하는 방법을 채택한다. 기존 연구들에서 PC-algorithm, GES, 혹은 그 변형들을 이용해 CPDAG(Completed Partially Directed Acyclic Graph)를 얻는 것이 일반적이지만, 고차원 상황에서는 계산 복잡도가 급격히 증가한다. 저자들은 이러한 문제를 해결하기 위해 “로컬” 접근법을 도입한다. 즉, 각 변수에 대해 그 변수와 직접 연결된 이웃 노드들만을 고려해 해당 변수의 가능한 부모 집합을 제한하고, 이 제한된 정보만으로도 해당 변수의 인과 효과가 가질 수 있는 모든 가능한 값을 구한다.

핵심 아이디어는 “intervention calculus”—즉, do-연산을 이용한 인과 효과 계산—을 등가 클래스 내 모든 DAG에 적용하는 대신, 동일한 로컬 구조를 공유하는 DAG들 사이에서 효과값이 변하지 않는 경우를 찾아내는 것이다. 이를 위해 저자들은 “가능한 부모 집합”(possible parent set)이라는 개념을 정의하고, 각 가능한 부모 집합에 대해 선형 회귀 계수를 추정한다. 선형 모델 가정 하에, do-연산에 의해 얻어지는 인과 효과는 회귀 계수와 동일하게 표현될 수 있다. 따라서 로컬 회귀를 여러 번 수행하고, 그 결과를 집합으로 모아 “가능한 인과 효과 집합”(set of possible causal effects)을 만든다.

이 집합의 원소들은 중복될 수 있으므로, 저자들은 “distinct values” 즉, 중복을 제거한 고유값만을 추출한다. 중요한 점은 이 고유값들이 일관적으로 수렴한다는 점이다. 즉, 표본 크기가 충분히 커지면, 실제 DAG가 어떤 것이든 그에 대응하는 고유값 집합은 동일한 한계값에 수렴한다. 이를 증명하기 위해 저자들은 고차원 확률론적 수렴 이론과 그래프 이론을 결합한 새로운 정리를 제시한다.

변수 중요도 평가에 있어서는, 가능한 인과 효과 집합의 절대값 중 최소값을 사용한다. 최소 절대값은 “하한(lower bound)”이라는 해석적 의미를 가지며, 실제 인과 효과가 이보다 작을 가능성은 없다는 보장을 제공한다. 따라서 변수 선택 단계에서 보수적인 기준을 적용하고 싶을 때 유용하다. 또한, 최소값 외에도 평균값, 중앙값 등 다양한 요약 통계량을 활용할 수 있음을 논의한다.

알고리즘적 측면에서, 로컬 회귀와 집합 정제 과정은 O(p·k) 정도의 복잡도를 가진다. 여기서 p는 변수 수, k는 각 변수의 최대 이웃 수이다. 고차원(예: p≫n) 상황에서도 k가 비교적 작게 유지된다면, 전체 연산은 실용적인 수준에 머문다. 실제 구현에서는 기존의 PC-algorithm을 변형해 로컬 구조를 먼저 추정하고, 그 위에 회귀를 수행하는 파이프라인을 구성한다.

실험에서는 두 가지 시나리오를 제시한다. 첫 번째는 인공적으로 생성한 선형 DAG 모델을 이용한 시뮬레이션으로, 표본 크기와 차원 수를 다양하게 변형하면서 알고리즘의 정확도와 계산 시간을 평가한다. 결과는 제안된 로컬 방법이 기존 전역 방법에 비해 동일하거나 더 높은 정확도를 보이며, 특히 차원이 500~1000 수준일 때 계산 시간이 수십 배 단축됨을 보여준다. 두 번째는 실제 리보플라빈 생산 데이터에 적용한 사례이다. 여기서는 유전자를 설명 변수로, 리보플라빈 생산량을 반응 변수로 설정하고, 변수 중요도 순위를 도출한다. 최소 절대값 기반 순위는 기존의 변수 선택 방법과 비교해 biologically plausible한 유전자들을 상위에 배치함을 확인한다.

전체적으로 이 논문은 고차원 관측 데이터에서 인과 효과를 추정하는 새로운 프레임워크를 제시한다. 로컬 그래프 정보를 활용함으로써 계산 효율성을 확보하고, 최소 절대값을 통한 보수적 변수 중요도 평가를 제공한다. 이 접근법은 특히 변수 수가 매우 많고, 실험적 개입이 어려운 분야(예: 유전체학, 사회과학)에서 실용적인 도구가 될 가능성이 크다.