계층적 인과 모델: 중첩된 데이터 구조를 위한 인과 추론 확장

섹션별 상세

데이터가 하위 단위(subunit)가 상위 단위(unit)에 중첩된 계층적 구조를 가질 때, 상위 단위 변수가 하위 결과에 영향을 미치거나 하위 특성이 상위 결과에 영향을 미치는 복합적인 인과 관계가 발생한다.

중첩된 데이터 구조를 표현하기 위해 내부 플레이트(inner plates)를 통합한 계층적 인과 모델을 제안하여 기존의 구조적 인과 모델(SCM)과 그래픽 모델의 한계를 극복했다.

기존의 do-calculus를 일반화한 그래픽 식별 기법을 개발하여, 계층적 구조 내에서 개입(intervention)의 효과를 수학적으로 도출할 수 있는 체계를 마련했다.

단순한 유닛 수준의 요약 정보만 있는 경우와 같이 비계층적 데이터 환경에서는 인과 식별이 불가능한 상황에서도 계층적 구조를 활용하면 인과 관계를 식별할 수 있음을 이론적으로 증명했다.

계층적 베이지안 모델을 포함한 구체적인 추정 전략을 개발하고, 이를 고전적인 '8개 학교(eight schools)' 사례 연구와 시뮬레이션 데이터에 적용하여 실질적인 분석 성능을 확인했다.

계층적 데이터(Hierarchical Data): — 데이터의 하위 단위가 상위 단위에 중첩되어 있는 구조로, 학교 내 학생이나 환자 내 세포와 같이 그룹화된 특성을 가진 데이터를 의미한다. 이러한 구조는 상위 단위의 변수가 하위 단위의 결과에 영향을 미치는 복합적인 관계를 내포한다.
구조적 인과 모델(Structural Causal Model): — 변수 간의 인과 관계를 수학적 방정식과 인과 그래프로 표현하는 프레임워크이다. 개입(Intervention)이 시스템에 미치는 영향을 예측하고 반사실적 추론을 수행하는 데 핵심적인 역할을 한다.
do-계산법(do-calculus): — 유다 펄(Judea Pearl)이 제안한 인과 추론 규칙으로, 관측된 데이터로부터 특정 변수에 개입했을 때의 효과를 수학적으로 도출하기 위한 도구이다. 인과 그래프의 구조를 변형하여 관측 가능한 확률 분포로 변환하는 과정을 포함한다.
계층적 베이지안 모델(Hierarchical Bayesian Model): — 여러 수준의 파라미터를 가진 확률 모델로, 데이터의 계층 구조를 반영하여 상위 그룹과 하위 그룹의 정보를 동시에 학습한다. 개별 단위의 부족한 데이터를 상위 그룹의 정보를 통해 보완하는 부분적 풀링(Partial Pooling) 효과를 제공한다.