잠재 인과 구조 측정

초록

이 논문은 관측 변수들이 선형 결합 형태로 숨겨진 원인(잠재 변수)과 잡음으로부터 생성된다고 가정하고, 여러 잠재 변수를 동시에 측정하는 관측 변수들에 대해 잠재 인과 구조를 복원하는 방법을 제시한다. 기존 연구가 단일 잠재 변수와 관측 변수의 관계만 다뤘던 것을 확장하여, 복합적인 잠재‑관측 매핑을 다루는 알고리즘과 이론적 정당성을 제공한다.

상세 요약

본 연구는 “잠재 인과 구조(Latent Causal Structure)”를 식별하기 위한 새로운 프레임워크를 제안한다. 기본 가정은 관측 변수 (X_i)가 잠재 변수 (L_j)들의 선형 결합과 독립적인 가우시안 잡음 (\epsilon_i)의 합으로 표현된다는 것이다. 즉, (X = \Lambda L + \epsilon) 형태이며, 여기서 (\Lambda)는 잠재‑관측 연결 행렬이다. 기존 문헌에서는 각 관측 변수가 하나의 잠재 변수에만 의존한다는 ‘단일-잠재’ 가정을 두고, 독립성 검정과 ICA(Independent Component Analysis)를 활용해 (\Lambda)와 (L)를 복원하였다. 그러나 실제 데이터에서는 하나의 관측 변수가 여러 잠재 원인에 동시에 영향을 받는 경우가 빈번하다. 이를 해결하기 위해 저자들은 두 가지 주요 기여를 제시한다. 첫째, 관측 변수들이 다중 잠재 변수에 연결될 수 있음을 허용하는 일반화된 선형 구조 모델을 정의하고, 이 모델이 식별 가능하기 위한 충분조건을 정리한다. 여기서는 (\Lambda)의 열이 서로 선형 독립이며, 잠재 변수들의 공분산 행렬이 비특이(non‑singular)하고, 잡음이 서로 독립이며 잠재 변수와도 독립이라는 가정을 사용한다. 이러한 조건 하에서, 관측 변수들의 공분산 행렬 (\Sigma_X = \Lambda \Sigma_L \Lambda^\top + \Sigma_\epsilon)를 이용해 (\Lambda)와 (\Sigma_L)를 고유값 분해와 회전(rotate) 절차를 통해 추정한다. 둘째, 기존의 ‘단일-잠재’ 방법과 달리, 저자들은 ‘잠재 변수 군(cluster)’ 개념을 도입한다. 즉, 관측 변수 집합을 잠재 변수 군별로 클러스터링하고, 각 군 내부에서 선형 독립성을 검증함으로써 군별 (\Lambda) 서브행렬을 별도로 식별한다. 이 과정에서 구조 방정식 모델(SEM)과 그래프 이론을 결합해 잠재 변수 간 인과 관계(예: DAG)를 추정한다. 실험에서는 합성 데이터와 실제 경제·사회 지표 데이터를 사용해 제안된 방법이 기존 단일-잠재 접근법보다 높은 구조 복원 정확도와 인과 효과 예측 능력을 보임을 입증한다. 특히, 다중 잠재 변수를 동시에 측정하는 관측 변수들이 존재할 때, 제안 알고리즘은 잠재 변수 간의 직접적 인과 경로와 간접적 경로를 모두 정확히 구분한다는 점이 강조된다. 이론적 증명과 실증적 결과를 통해, 복합적인 잠재‑관측 관계를 가진 데이터에서도 신뢰할 수 있는 인과 구조 추정이 가능함을 보여준다.