부분비선형 및 순환 모델의 계수 제한 확장

** 1. **연구 배경 및 필요성** - 잠재 변수 모델에서 측정 지표(indicator)들을 이용해 잠재 구조를 추정하는 것이 흔하지만, 실제 현상은 비선형 의존성, 피드백 루프, 그리고 잠재 변수 간의 복잡한 상호작용을 포함한다. - 기존의 인과 탐색 방법은 주로 d‑분리 기반의 조건부 독립성 검정에 의존하지만, 다중 지표 모델에서는 이러한 독립성 조건이 거의 없고 대신 공분산 행렬의 순위 제약(예: 사변(tetrad), 육변(sextad) 제약)이 핵심이 된다. - Trek Separation 정리는 이러한 순위 제약을 그래프 구조와 연결시켜, 특정 트레크 차단 집합이 존재하면 해당 순위 제약이 모든 선형 파라미터에 대해 보장된다고 선언한다. 그러나 이 정리는 (1) 완전 선형, (2) 사이클이 없는 DAG라는 두 가정을 전제로 한다. 2. **핵심 정의와 기존 정리** - **Trek**: 두 정점 사이를 연결하는 두 개의 방향 경로가 공통 조상을 공유하는 구조. - **t‑separation**: 두 정점 집합 A, B 사이의 모든 trek가 C_A 혹은 C_B에 의해 차단되는 경우. - **Trek Separation Theorem (Sullivant et al., 2010)**: DAG G에서 cov(A,B)의 계수가 ≤ r 이려면 |C_A|+|C_B| ≤ r 인 t‑separation 집합이 존재해야 한다. 3. **선형‑비순환성(LA) 개념** - 기존 정리의 가정을 완화하기 위해 저자는 “C_A와 C_B 아래에서 선형‑비순환성(LA)”을 정의한다. - 구체적으로, C_A와 C_B를 제외한 경로 상의 모든 변수 X는 (i) 경로 상 부모들에 대해 선형 결합 형태를 유지하고, (ii) 경로 외부 부모들에 대해서는 임의의 측정 가능 함수 f_X 혹은 g_X 로 표현될 수 있다. - 또한, 해당 변수들이 포함된 경로는 사이클을 형성하지 않아야 하며, 오류 변수 ε_X를 포함한 확장 그래프 G_ext를 사용해 정의한다. 4. **확장 Trek Separation 정리 (Theorem 2)** - 가정: G가 C_A와 C_B에 의해 t‑separate되고, 해당 SEM이 LA 조건을 만족한다. - 결론: 모든 고정 파라미터 SEM에 대해 cov(A,B)의 계수가 |C_A|+|C_B| 이하가 된다. - 이는 비선형 함수와 피드백 루프가 존재하더라도, 트레크 차단 구조가 유지되면 순위 제약이 보존된다는 강력한 일반화이다. 5. **반대 방향 정리 (Theorem 3)** - 만약 어떤 C_A, C_B도 t‑separate를 이루지 못하고 |C_A|+|C_B| ≤ r 를 만족하지 않으면, LA 조건을 만족하는 SEM을 구성하여 cov(A,B)의 계수가 r보다 크게 만들 수 있다. - 이는 기존 정리의 “only‑if” 부분을 보완하며, LA 조건이 충분히 일반적임을 보여준다. 6. **통계적 검정 및 실용적 적용** - Drton & Olkin(2008)의 Wishart 기반 순위 검정은 정규 가정 하에 효율적이며, 비정규 상황에서도 경험적으로 강건함을 확인했다. - Bollen‑Ting의 비모수 검정은 계산 비용이 크지만, 표본이 충분히 크면 asymptotic하게 정확한 p‑값을 제공한다. - 이러한 검정 방법을 이용해 BuildPureClusters와 같은 알고리즘은 “vanishing tetrad” 혹은 “sextad” 제약을 검정하고, 검정 결과에 따라 가능한 인과 구조의 등가 클래스를 반환한다. 7. **연구 의의와 향후 과제** - 본 논문은 Trek Separation 정리의 적용 범위를 크게 확대함으로써, 비선형·순환 잠재 변수 모델에서도 기존의 순위 제약 기반 인과 탐색이 이론적으로 정당함을 증명했다. - 향후 연구는 (i) 보다 일반적인 비선형 함수 형태(예: 다항, 신경망)와 (ii) 복합 피드백 구조에 대한 강건한 검정 방법 개발, (iii) 실험적 데이터에서의 적용 사례 확대 등을 제시한다. **