계층적 인과 모델 (Hierarchical Causal Models)

핵심 요약

인과 추론에서 데이터가 계층적 구조를 갖는 경우는 흔하지만 이를 체계적으로 다루는 모델은 부족했다. 본 연구는 구조적 인과 모델(SCM)과 그래픽 모델을 확장하여 중첩된 데이터 구조를 표현하는 내부 플레이트를 도입한 계층적 인과 모델(HCM)을 구축했다. 이를 통해 기존의 do-calculus를 일반화한 그래픽 식별 기술을 완성했으며, 비계층적 데이터로는 불가능했던 인과 관계 식별이 계층적 구조를 통해 가능함을 증명했다. 계층적 베이지안 모델을 활용한 추정 전략을 바탕으로 시뮬레이션 및 실제 사례 분석에서 유효성을 확인했다.

배경

Structural Causal Models (SCM), Do-calculus, Hierarchical Bayesian Modeling, Graphical Models

대상 독자

인과 추론 연구자 및 계층적 데이터를 다루는 데이터 과학자

의미 / 영향

이 연구는 사회과학이나 의학 등 계층적 데이터가 빈번한 분야에서 인과 관계를 더 정확하게 규명할 수 있는 이론적 토대를 제공한다. 특히 데이터가 요약된 형태로만 존재할 때의 한계를 극복할 수 있는 길을 열어주었다.

섹션별 상세

계층적 데이터 구조를 반영하기 위해 기존의 구조적 인과 모델(SCM)에 내부 플레이트 개념을 도입한 계층적 인과 모델(HCM)을 정의했다. 학교 예산이 학생 성적에 미치는 영향이나 하위 단위의 특성이 상위 단위의 결과에 미치는 영향 등 복잡한 상호작용을 모델링할 수 있는 구조이다. 이는 단위 내에 하위 단위가 중첩된 현실의 데이터 생성 과정을 수학적으로 엄밀하게 표현한다.

기존의 인과 식별 도구인 do-calculus를 계층적 구조에 맞게 일반화한 새로운 그래픽 식별 기술을 개발했다. 이 기술은 단위 수준의 요약 정보만 가용한 상황처럼 일반적인 비계층적 데이터 분석으로는 인과 관계를 밝힐 수 없는 조건에서도 식별이 가능함을 이론적으로 뒷받침했다. 계층 구조 자체가 인과적 정보를 제공하는 새로운 메커니즘을 규명했다.

제안된 모델의 실질적인 적용을 위해 계층적 베이지안 모델을 기반으로 한 추정 전략을 수립했다. 이를 고전적인 8개 학교 연구 데이터에 재적용하여 기존 분석보다 정교한 인과적 통찰을 도출할 수 있음을 확인했다. 시뮬레이션을 통해 다양한 데이터 환경에서 모델의 정확성과 안정성을 검증했다.

실무 Takeaway

데이터가 계층적 구조를 가질 때 계층적 인과 모델(HCM)을 사용하면 식별 불가능했던 인과 관계를 규명할 수 있다.
구조적 인과 모델에 플레이트 표기법을 결합하여 복잡한 중첩 구조에서의 변수 간 영향력을 수학적으로 정의한다.
계층적 베이지안 추정 방식을 통해 단위 간 변동성과 하위 단위의 특성을 동시에 고려한 인과 효과 추정이 가능하다.