공간 간섭과 공간 혼동 편향을 구분하는 인과 추정 방법

초록

본 논문은 인과 추론에서 발생하는 공간 간섭과 공간 혼동을 DAG 관점에서 명확히 정의하고, 직접·간접 혼동 및 간섭이 초래하는 편향을 일반적인 분포(특히 포아송) 하에서 분석한다. 가중치 행렬과 처리 변수의 분포가 편향 크기에 미치는 영향을 규명하고, 시뮬레이션과 실제 데이터 사례를 통해 이론적 결과를 검증한다.

상세 분석

이 연구는 관측 공간 데이터에서 인과 효과를 추정할 때 두 가지 주요 위협인 공간 간섭과 공간 혼동을 체계적으로 구분한다. 먼저 저자는 DAG(Directed Acyclic Graph)를 이용해 전통적인 정의의 모호성을 해소하고, 공간 혼동을 ‘직접 혼동’과 ‘간접 혼동’으로 세분한다. 직접 혼동은 동일 위치에서 미측정 공간 변수가 처리와 결과 모두에 영향을 미치는 경우이며, 간접 혼동은 한 위치의 미측정 변수가 다른 위치의 처리 혹은 결과에 파급 효과를 미치는 상황을 말한다. 이러한 구분은 기존 문헌에서 혼합되어 다루어지던 문제를 명확히 하여 편향 원인을 정확히 파악하게 한다.

수학적 분석에서는 기존 연구가 정규성을 전제로 한 점을 넘어, 처리와 혼동 변수가 포아송 분포를 따르는 경우에도 편향식을 도출한다. 핵심 결과는 편향이 가중치 행렬(W)의 구조, 처리 변수의 분산·평균, 그리고 간섭 효과의 강도에 따라 선형적으로 변한다는 점이다. 특히, 가중치 행렬이 멀리 떨어진 이웃까지 영향을 미치도록 설계되면 간접 혼동에 의한 편향이 크게 증가하고, 반대로 근접 이웃만을 연결하면 간섭 편향이 제한된다. 또한, 포아송 분포 하에서는 평균이 작을수록 편향이 확대되는 비선형 효과가 발견된다.

시뮬레이션에서는 다양한 가중치 스키마(거리 기반, 토폴로지 기반)와 처리 분포(이항, 포아송)를 조합해 편향 크기를 정량화한다. 결과는 이론적 편향식과 일치하며, 특히 간섭이 존재하면서 간접 혼동을 무시할 경우 추정된 평균 처리 효과가 실제보다 크게 혹은 작게 왜곡됨을 보여준다. 실제 데이터 적용에서는 환경 오염과 건강 결과를 연결하는 사례를 들어, 기존 방법이 과대평가하거나 과소평가하는 경향을 확인하고, 제안된 편향 보정 방법이 추정치를 보다 현실에 가깝게 만든다.

마지막으로 저자는 간섭만을 고려한 간단한 편향 보정 절차를 제시한다. 이는 가중치 행렬의 역행렬을 이용해 간섭 효과를 추정하고, 이를 원 추정치에서 차감하는 방식이다. 제한점으로는 비선형 효과와 다중 처리 상황에서의 확장성이 부족하다는 점을 인정한다. 향후 연구에서는 직접·간접 혼동과 간섭을 동시에 조정하는 통합 파라메트릭 프레임워크와, 비정규 분포(예: 음이항, 제로인플레이션) 하에서의 일반화가 필요하다고 제언한다.