연속 변수와 인과 계산을 위한 포레의 전이 조건부 독립

1. 서론 및 배경 논문은 포레(2021)의 전이 조건부 독립(TCI) 개념을 재조명한다. 기존의 조건부 독립은 확률 변수 사이에서만 정의되었으며, 비확률(결정론적) 변수와 결합할 경우 적용이 어려웠다. 이를 해결하기 위해 전이 확률 공간 (W×T, K(W∥T)) 를 도입하고, 입력 변수 T와 관측 변수 W 를 동시에 다루는 마코프 커널을 기본 구조로 삼는다. 2. 기본 정의와 연산 - 마코프 커널의 주변화, 곱, 분해, 합성 등을 정의하고, 문자열 다이어그램을 통해 직관적인 시각화를 제공한다. - Doob‑Radon‑Nikodym 파생함수와 절대 연속성 개념을 도입해 커널 간의 밀도 관계를 명시한다. - 인과 베이지안 네트워크(L‑iCBN)와 입력·잠재·관측 노드가 포함된 iADMG를 정의하고, 하드·소프트 조작(do‑연산)과 그래프 변환 규칙을 제시한다. 3. 전이 조건부 독립 정의 TCI는 “X ⟂⊥_K Y | Z” 라는 기호로 표현되며, 이는 존재하는 마코프 커널 Q(X∥Z) 가 K(X,Y,Z∥T)=Q(X∥Z)⊗K(Y,Z∥T) 를 만족함을 의미한다. 이 정의는 비확률 변수 Z 가 존재해도 의미가 유지되며, 전통적인 조건부 독립을 특수 경우로 포함한다. 4. 그래프와 전역 마르코프 성질 iDMG에 대한 d‑분리(또는 σ‑분리) 규칙을 정의하고, 전이 확률 공간 위의 변수 집합이 해당 그래프 분리와 일치함을 증명한다. 즉, A⊥_G B | C ⇒ X_A ⟂⊥_K X_B | X_C 가 성립한다. 이때 입력 노드 I 가 정책 변수로 작용하며, 절대 연속성 가정이 필요하다. 5. 인과 계산 규칙의 일반화 전통적인 인과 규칙(교환 법칙, back‑door, front‑door 등)을 측도론적 수준에서 재정의한다. 연속 변수와 비확률 변수 혼합 상황에서는 식이 “점별”이 아니라 “거의 전역적으로” 성립한다는 점을 강조한다. 예시 2.2와 2.3은 점별 동등성이 깨지는 경우와 양의 연속성(positivity) 가정이 없을 때 back‑door 조정이 실패하는 경우를 구체적으로 보여준다. 6. 통계학적 개념과 TCI 통계량 S 에 대한 보조성, 충분성, 적합성을 TCI 프레임워크 안에서 다음과 같이 정의한다. - 보조성: S ⟂⊥_K θ - 충분성: X ⟂⊥_K θ | S - 적합성: X ⟂⊥_K (θ, Y) | S 이러한 정의는 비확률 파라미터(예: 정책 변수)까지 포괄한다. 7. 기존 접근법과의 비교 고전적인 확률적 조건부 독립을 그대로 사용하거나, Dawid의 통계 연산 기반 독립성을 적용하는 방법은 입력 변수와 비확률 변수의 혼합을 제대로 다루지 못한다. 특히 하드·소프트 조작을 그래프 수준에서 일관되게 정의하지 못해 인과 식별에 한계가 있다. 8. 비대칭성 및 Dawid와의 관계 TCI는 비대칭적이며, 이는 Dawid의 “조건부 독립 for statistical operations”와 유사하지만, 전이 커널을 통한 측도론적 일반화가 추가된 형태이다. 9. 양의 연속성 조건과 식별 가능성 섹션 4에서는 절대 연속성 및 양의 도함수 존재가 인과 효과 식별에 필수적임을 보인다. 특히 “p‑pointwise” 동등성을 보장하려면 K(Y∥T) ≪ μ 와 같은 조건이 필요하다. 10. ID 알고리즘의 한 줄 표현 Richardson 등(2023)의 ID 알고리즘을 고정점 연산(fixing operation)으로 요약한다. 고정점 연산은 마코프 커널을 입력 변수에 대해 “고정”시키는 과정이며, 이를 반복 적용하면 식별 가능한 인과 효과를 구할 수 있다. 이 접근법은 연속 변수와 비확률 변수 모두에 적용 가능하도록 일반화되었다. 11. 결론 및 향후 연구 논문은 TCI가 연속 변수와 비확률 변수를 동시에 다루는 인과 모델에 필수적인 이론적 기반을 제공함을 강조한다. 향후 연구 방향으로는 계산 효율성을 높이는 알고리즘 개발, 비표준 측도 공간(예: 비가산 공간)에서의 확장, 그리고 실증적 사례 연구가 제시된다.