평형 시스템의 혼동을 고려한 해석 가능한 인과 그래프 모델

본 논문은 평형 상태에 있는 복잡한 시스템에서 인과 효과를 추정하는 문제를 다룬다. 전통적인 인과 그래프 모델은 주로 DAG를 기반으로 하여 방향성 관계만을 표현하지만, 평형 시스템에서는 변수들 간에 대칭적인 상호작용이 존재하고, 동시에 외부 요인에 의한 혼동(confounding)도 발생한다. 이러한 두 가지 특성을 동시에 포착하기 위해 저자는 Lauritzen과 Sadeghi가 제안한 anterial graph(AG)를 채택한다. AG는 directed(→), undirected(—), bidirected(↔) 세 종류의 에지를 허용하며, 각각 인과 흐름, 평형 관계, 잠재적 혼동을 나타낸다. 정의에 따라 AG는 반-직접 경로와 반-직접 사이클을 금지함으로써 DAG의 비순환성, ancestral graph의 마진·조건화 폐쇄성, chain graph의 체인 구성 요소 개념을 모두 포괄한다. 논문은 먼저 AG의 기본 개념과 그래프 이론적 배경을 정리한다. 노드 집합 V와 에지 유형을 정의하고, semi‑directed path와 semi‑directed cycle의 금지 조건을 통해 그래프가 유효함을 보인다. 이어서 maximal graph 개념을 소개하고, 주어진 AG를 maximal 형태로 변환하는 max(·) 연산을 설명한다. 마코프 속성 및 충실성(faithfulness) 정의를 통해 확률분포와 그래프 간의 조건부 독립성 대응 관계를 명시한다. 특히, AG는 marginalisation(α_m)과 conditioning(α_c) 연산에 대해 폐쇄적이며, 이는 후속 조정 집합 선택 알고리즘에서 핵심적으로 활용된다. 다음으로 저자는 구조적 평형 모델(structural equilibrium model, SEM)을 정의한다. V를 순서가 정해진 파티션 {τ₁,…,τₙ} 으로 나누고, 각 파티션 τ_i는 선행 파티션 pa(τ_i)와 오류 ϵ_τ_i 를 인자로 하는 함수 f_τ_i 로 표현된다. 이때 오류들 사이의 독립성은 강제되지 않아, 서로 다른 파티션 간에 양방향 에지를 통해 혼동을 모델링한다. Algorithm 1은 이러한 SEM으로부터 대응 그래프 G 를 구성하는 절차를 제시한다. 구체적으로, (1) 동일 파티션 내 변수 간의 조건부 독립성을 검사해 무방향 에지를 추가하고, (2) 선행 변수와 현재 변수 사이의 조건부 의존성을 확인해 방향성 에지를 삽입하며, (3) 독립적인 오류를 가진 파티션 간에 양방향 에지를 부여한다. 이 과정을 통해 평형 관계와 혼동을 동시에 시각화할 수 있는 그래프가 완성된다. 그 후 저자는 관측 변수와 반사실 변수(do‑intervention)를 하나의 그래프에 통합하는 방법을 제시한다. 기존 연구에서 사용된 counterfactual graph와 single‑world intervention graph(SWIG)를 확장해, AG 상에서 d‑separation(또는 m‑separation) 규칙을 그대로 적용한다. 이를 통해 조건부 교환가능성(conditional exchangeability)인 X_do(C) ⟂ X_C | X_S 를 그래프 상에서 검증할 수 있다. 즉, 조정 집합 S 가 존재하면 관측 데이터만으로 인과 효과를 식별할 수 있다는 전통적인 백도어(back‑door) 논리를 평형·혼동 상황에 그대로 적용한다. 조정 집합 선택에 있어 저자는 실무에서 자주 발생하는 포함·제외 제약을 직접 알고리즘에 반영한다. 기존 방법은 모든 가능한 조정 집합을 열거한 뒤 사후에 제약을 적용하는 반면, 제안된 element‑wise 알고리즘은 marginalisation(α_m)과 conditioning(α_c) 연산을 단계별로 수행하면서, 포함해야 할 변수와 제외해야 할 변수를 동시에 고려한다. 정리 5와 정리 6은 알고리즘이 올바른 조정 집합을 반환함을 증명한다. 특히, 반사실 그래프가 유효한 경우에만 조정 집합이 존재한다는 충분조건을 제공한다. 마지막으로 논문은 제안된 프레임워크와 알고리즘을 몇 가지 사례에 적용한다. 예시 그림(4‑6)에서는 전통적인 DAG, chain graph, ancestral graph가 각각 AG 로 확장되는 과정을 보여주며, 혼동을 나타내는 양방향 에지와 평형을 나타내는 무방향 에지가 어떻게 동시에 존재할 수 있는지를 시각화한다. 또한, 임상시험에서 비용·규제 때문에 특정 공변량을 반드시 포함하거나 제외해야 하는 상황을 시뮬레이션으로 검증해, 제안된 알고리즘이 기존 방법보다 제약을 만족하면서도 최소한의 조정 집합을 찾아내는 것을 확인한다. 결론적으로, 이 연구는 (1) 평형 시스템과 혼동을 동시에 모델링할 수 있는 통합 그래프 이론을 제공하고, (2) 반사실·관측 변수 간의 조건부 독립성을 그래프 상에서 직관적으로 표현함으로써 인과 추론을 해석 가능하게 만든다. 또한, 실무에서 흔히 마주치는 변수 포함·제외 요구를 만족하는 조정 집합 선택 알고리즘을 제시함으로써, 정책 평가, 의료 연구, 알고리즘 공정성 등 다양한 분야에 바로 적용 가능한 도구를 제공한다.