Causal Inference - Part 7

Causal Inference - Part 7

Contents

1. Causal Discovery란
2. Causal Discovery vs. Causal Inference
3. Causal Discovery의 대표적인 알고리즘

1. Causal Discovery란

Causal Discovery (인과 구조 발견)

• 인과 추론(causal inference)의 전단계
• 한 줄 요약: 관측된 데이터를 바탕으로 변수들 간의 인과 구조 를 추론

Causal Inference를 위해선…

• 인과 효과를 추정하려면 먼저 인과 그래프(DAG) 가 필요!
• → 이걸 자동으로 찾는 게 Causal Discovery

Causal Discovery의 input & output

	내용
Input	관측 데이터
Output	인과 그래프 (DAG 또는 PAG) = 변수 간 방향성 있는 네트워크 구조

Causal Discovery의 필요성

• 현실 데이터에는 변수 간 상관은 많지만, 인과관계는 드러나지 않음

2. Causal Discovery vs. Causal Inference

항목	Causal Discovery	Causal Inference
목적	“인과 구조” 찾기	(주어진 인과 구조 하에서) “인과 효과” 추정
입력	데이터	데이터 + 구조
질문 예시	“누가 원인이고 누가 결과인가?”	“X가 Y에 얼마나 영향을 주는가?”
사용 알고리즘 예시	PC, FCI, GES, NOTEARS, LiNGAM	Backdoor, Propensity Score, IV 등

3. Causal Discovery의 대표적인 알고리즘

(1) Constraint-based 계열

• 변수 간 “조건부 독립성” 관계를 기반으로 인과 구조 유도
• 예: PC, FCI, RFCI

(2) Score-based 계열

• 가능한 DAG 구조들 중에서 BIC, AIC 등 점수가 가장 좋은 그래프 선택
• 예: GES, GIES

(3) Functional model 계열

• 변수 간 함수 형태(선형/비선형)를 가정해 방향성 추론
• 예: NOTEARS, LINGAM, ANM