네트워크 인과추론의 노출 매핑 오류에 대한 부분식별 프레임워크

초록

본 논문은 네트워크 상에서 치료 효과를 추정할 때 흔히 사용되는 노출 매핑이 잘못 지정될 경우 발생하는 편향을 해결하고자, 노출 매핑의 오차를 고려한 부분식별(Partial Identification) 접근법을 제안한다. 가중 평균, 임계값 기반, 고차 차폐(Higher‑order spillover) 등 세 가지 전형적인 노출 매핑에 대해 상·하한을 도출하고, 이들 경계값을 추정하기 위한 정교한 정규화(orthogonal) 추정기를 설계한다. 실험 결과, 제안된 경계는 노출 매핑이 오차가 있더라도 유의미한 정보를 제공함을 보여준다.

상세 분석

이 연구는 네트워크 간섭(interference) 상황에서 기존의 “노출 매핑(exposure mapping)” 가정이 잘못될 경우 발생하는 근본적인 식별 불가능성 문제를 부분식별(parital identification) 관점에서 체계적으로 다룬다. 먼저, 노출 매핑 g와 실제 매핑 g* 사이의 차이를 “노출‑propensity 비율” b⁻(z,x) ≤ p(g*(T_N)=z|X=x)/p(g(T_N)=z|X=x) ≤ b⁺(z,x) 형태의 구간으로 모델링한다. 이 구간은 매핑이 얼마나 크게 왜곡될 수 있는지를 ε와 같은 허용 오차 파라미터로 정량화한다.

세 가지 전형적인 매핑—(i) 이웃 치료의 가중 평균, (ii) 임계값 기반 이진 매핑, (iii) 고차 차폐(2‑step 이웃까지 포함)—에 대해 각각의 b⁻, b⁺를 구체적으로 유도한다. 예를 들어 가중 평균 경우, 각 이웃의 가중치가 1/n ± ε/n 범위 내에 있다고 가정하면, 실제 치료된 이웃 수 N_T가 특정 구간에 속할 확률을 통해 비율의 상·하한을 계산한다. 임계값 매핑에서는 실제 임계값이 다소 이동할 수 있음을 가정하고, 그에 따른 노출 상태 전이 확률을 보수적으로 감싸는 구간을 만든다. 고차 차폐에서는 2‑step 이웃까지의 치료가 영향을 미칠 가능성을 허용함으로써, 1‑step 매핑만을 고려했을 때 발생하는 편향을 상·하한으로 포괄한다.

이러한 비율 구간을 이용해 잠재 결과 Y_i(t,z)와 평균 잠재 결과 ψ(t,z) 에 대한 상·하한 μ⁻(t,z,x) ≤ μ(t,z,x) ≤ μ⁺(t,z,x) 를 도출한다. 여기서 μ는 조건부 평균 잠재 결과이며, 직접 효과(ADE/IDE)와 차폐 효과(ASE/ISE) 모두에 적용 가능한 일반적인 형태이다.

추정 단계에서는 두 단계 정규화(orthogonal) 접근법을 채택한다. 첫 단계에서 노출‑propensity 비율과 결과 모델을 비파라메트릭 혹은 머신러닝 기반으로 추정하고, 두 번째 단계에서는 “교차‑피팅(cross‑fitting)”과 “데이터 스플리팅”을 통해 편향을 제거한 pseudo‑outcome을 구성한다. 이 과정은 Neyman‑orthogonal 스코어를 활용함으로써, 1차 단계의 추정 오류가 최종 경계 추정에 2차 효과만을 미치게 하여, 준‑오라클(quasi‑oracle) 수렴 속도인 n⁻¹/²를 달성한다.

이론적 결과로는 (1) 경계의 유효성(validity): 실제 효과가 제시된 구간 안에 포함됨을 보장, (2) 경계의 날카로움(sharpness): 동일한 오차 모델 하에서 가능한 가장 좁은 구간임을 증명, (3) 효율성(efficiency): 정규화 추정기의 2차 오차 항이 사라져 최적에 가까운 수렴률을 얻음, (4) 견고성(robustness): nuisance 모델(예: propensity score, outcome regression)의 오차에 대해 민감도가 낮음.

실험에서는 합성 네트워크와 실제 소셜 네트워크 데이터를 사용해, 노출 매핑을 고의로 오차(ε) 범위 내에서 변형시킨 뒤, 기존 포인트 추정법과 비교하였다. 결과는 기존 방법이 오차가 클수록 크게 편향되는 반면, 제안된 경계는 오차 크기에 따라 넓어지지만 여전히 의미 있는 정보를 제공하고, 정책 결정(예: 백신 캠페인)의 위험 회피에 활용 가능함을 보여준다.

전체적으로 이 논문은 “노출 매핑이 불완전할 때도 인과 효과를 추정할 수 있다”는 중요한 메시지를 제시하며, 네트워크 인과추론 분야에서 민감도 분석(sensitivity analysis)과 부분식별 기법을 결합한 최초의 포괄적 프레임워크로 평가할 수 있다.