시계열 그래프 모델의 인과 추론

초록

본 논문은 다변량 시계열에서 한 변수에 대한 개입이 다른 변수에 미치는 영향을 인과관계로 정의하고, 이를 그래프 구조를 이용해 식별 가능한 조건을 제시한다. 백도어와 프런트도어 기준을 시계열 그래프에 확장하고, 선형 모델에서 인과 효과를 계산하는 방법을 제시한다.

상세 분석

이 연구는 전통적인 인과 그래프 이론을 시계열 데이터에 적용하기 위해 두 가지 핵심 개념을 도입한다. 첫째, “시간 지연 인과”(temporal causal effect)라는 정의를 통해, 특정 시점 t에서 변수 Xᵢ에 개입(intervention)했을 때, 미래 시점 t+τ에 변수 Xⱼ에 미치는 영향을 정량화한다. 이는 Pearl의 do-연산을 시간축에 맞게 확장한 것으로, 개입 후 시스템이 자연스럽게 진행되는 동적 과정을 그대로 보존한다는 점이 특징이다.

둘째, 인과 효과를 식별하기 위한 그래프 기반 조건을 제시한다. 기존 정적 인과 모델에서 사용되는 백도어(back‑door)와 프런트도어(front‑door) 기준을 시계열 그래프에 맞게 변형하였다. 백도어 기준은 개입 변수와 결과 변수 사이에 존재하는 모든 “시간‑지연된” 공통 원인(즉, 과거 변수들)을 차단하도록 요구한다. 이를 위해 그래프에서 과거 시점의 부모 집합을 찾아 차단 변수 집합 Z를 구성하고, 조건부 독립성 P(Y_{t+τ} ⟂ Xᵢ_t | Z) 를 확인한다. 프런트도어 기준은 직접적인 경로가 차단된 경우, 중간 매개 변수(M)를 통해 인과 효과를 전달하는 경로를 이용한다. 여기서는 M가 미래 시점에 존재하더라도, M와 결과 변수 사이에 역방향 피드백이 없도록 하는 추가 제약이 필요하다.

논문은 이러한 식별 조건을 그래프 이론적 알고리즘으로 검증할 수 있음을 보인다. 구체적으로, 시간‑지연된 다이렉트 어크리시(Directed Acyclic Graph, DAG)와 순환 구조를 허용하는 동적 베이즈 네트워크를 이용해, 각 변수의 마코프 속성을 시간 축에 따라 확장한다. 이때, “시계열 마코프 블랭킷”(temporal Markov blanket) 개념을 도입해, 특정 시점의 변수와 그 미래 결과 사이에 필요한 최소 차단 집합을 효율적으로 찾는다.

선형 시계열 모델(예: VAR, 구조적 VAR)에서는 인과 효과를 닫힌 형태로 계산할 수 있다. 논문은 구조적 파라미터 행렬 A와 오차 공분산 Σ를 이용해, 개입 후 평균 경로를 구하고, 이를 통해 E