인과추론 세 프레임워크의 통합적 고찰

초록

본 논문은 인과추론의 핵심 도구인 잠재결과(Potential Outcomes), 구조방정식모델(NPSEM), 그리고 방향성 비순환그래프(DAG)를 비교·연계한다. 각 프레임워크의 기본 가정, 표현력, 식별능력을 정리하고, SWIG(단일세계 개입 그래프)를 통해 그래프와 잠재결과를 연결한다. 최종적으로 연구자가 상황에 맞는 프레임워크를 선택하거나 혼합 활용할 수 있는 실용적 가이드를 제공한다.

상세 분석

논문은 세 가지 인과추론 체계가 어떻게 서로 변환될 수 있는지를 체계적으로 보여준다. 첫째, 잠재결과 프레임워크는 “일관성(Consistency)”과 “무조건부 무시 가능성(Ignorability)”이라는 두 핵심 가정을 통해 관찰 데이터를 개입 효과와 연결한다. 이때 무시 가능성은 공변량 L을 충분히 포함하면 성립한다는 전제가 필요하며, 이는 DAG에서 ‘백도어 기준(Back‑door criterion)’과 동등한 의미를 갖는다. 둘째, 비모수 구조방정식모델(NPSEM)은 함수적 표현을 통해 각 변수의 구조적 메커니즘을 명시한다. 독립오차 가정이 추가된 NPSEM‑IE는 모든 변수에 대한 개입이 정의 가능함을 보장하며, 이는 잠재결과 체계가 제공하는 개별 효과와 동일한 식별 범위를 제공한다. 셋째, DAG는 변수 간 인과관계를 그래픽으로 나타내어 독립성 검증과 차단(set) 찾기를 직관적으로 수행한다. 특히 ‘모듈러리티(Modularity)’와 ‘인과 충분성(Causal Sufficiency)’ 가정은 개입 시 그래프에서 해당 노드의 들어오는 간선을 제거함으로써 개입 효과를 모델링한다는 점에서 NPSEM의 ‘자율성(Autonomy)’과 일치한다.

논문은 이러한 변환 관계를 ‘함수표현정리(Functional Representation Lemma)’와 ‘SWIG’ 개념을 통해 구체화한다. SWIG는 DAG의 노드를 잠재결과 변수로 교체함으로써, 그래프 구조와 잠재결과 사이의 일대일 대응을 제공한다. 이를 통해 연구자는 DAG에서 도출된 차단 조건을 직접 잠재결과 식별에 적용할 수 있다. 또한, 저자는 NPSEM‑IE가 제공하는 강력한 식별 결과가 실제 데이터에서 과도한 가정(예: 오차 독립성)으로 이어질 위험을 경고하고, 필요에 따라 더 약한 가정의 DAG 기반 접근법을 선택하도록 권고한다.

마지막으로, 프레임워크 간 차이를 철학적 관점(실재론 vs. 구성주의), 표현력(단일 개입 vs. 다단계 정책), 그리고 식별 가능성(전역 식별 vs. 부분 식별)으로 정리한다. 특히, 다단계 개입이나 강화학습과 같은 현대 AI 응용에서는 잠재결과와 g‑방법론이 필수적이며, DAG는 이러한 복잡한 구조를 시각화하고 검증하는 도구로서 보완적인 역할을 한다는 점을 강조한다. 전체적으로 논문은 각 프레임워크의 장단점을 명확히 구분하고, 실제 연구에서 혼합 사용이 어떻게 가능한지를 실용적인 예시와 함께 제시한다.