인과 방향성 비순환 그래프 (Causal Directed Acyclic Graph)

한 줄 정의: 변수들 사이의 인과적 방향을 화살표로 표현하고 순환(자기 자신으로 되돌아오는 경로)이 없도록 구성하여, 변수 간의 인과 구조를 시각적·수학적으로 나타내는 그래프.

쉽게 풀면

여러 변수가 서로 얽혀 있을 때, 어떤 변수가 어떤 변수에 영향을 주는지를 화살표로 그려서 인과관계를 지도처럼 표현한 것이 인과 방향성 비순환 그래프(DAG)다. 이 그래프를 이용하면 어떤 변수를 통제해야 진짜 인과효과를 왜곡 없이 추정할 수 있는지(교란변수 통제), 반대로 어떤 변수를 통제하면 오히려 편향이 생기는지(충돌변수 편향)를 명확한 규칙에 따라 판단할 수 있다. 인과추론 연구에서 분석에 앞서 연구자의 가정을 명시적으로 드러내는 도구로 널리 사용된다.

왜 중요한가

관찰연구에서는 실험처럼 처치를 무작위로 배정할 수 없기 때문에, 어떤 변수를 통제해야 인과효과를 편향 없이 추정할 수 있는지가 분석 결과의 신뢰성을 좌우한다. 인과 방향성 비순환 그래프는 연구자가 암묵적으로 갖고 있던 인과 구조에 대한 가정을 명시적인 그림으로 드러내어, 통제 여부를 직관이 아니라 검증 가능한 규칙으로 판단할 수 있게 해준다. 이 때문에 역학, 경제학, 사회과학 등 인과추론을 다루는 여러 분야의 논문에서 분석 설계를 정당화하는 표준적인 도구로 자리 잡았다. 최근에는 머신러닝 기반 인과추론 연구에서도 모델이 가정하는 인과 구조를 명시하는 용도로 자주 등장한다.

논문에서는 이렇게 쓰입니다

"인과 방향성 비순환 그래프를 이용해 교란변수를 식별하고 이를 통제한 회귀모형을 구성하였다."

관찰연구에서 어떤 변수를 통제해야 하고 어떤 변수는 통제하지 말아야 하는지를 그래프 이론적으로 결정할 때 사용된다.

"역학 연구에서는 인과 방향성 비순환 그래프를 통해 노출과 결과 사이의 경로를 시각화하고, 매개변수와 교란변수를 구분하여 조정 변수 집합을 선정하였다."

역학·의학 분야에서는 노출-결과 관계를 다룰 때 매개변수까지 통제하면 오히려 편향이 발생할 수 있어, DAG로 경로를 구분하는 절차가 흔히 사용된다.

"제안한 인과추론 프레임워크는 관측 데이터로부터 인과 방향성 비순환 그래프의 구조를 학습하고, 이를 바탕으로 처치 효과를 추정한다."

인과 구조 자체를 데이터로부터 학습하려는 머신러닝·통계학 논문에서는 DAG를 사전에 주어진 가정이 아니라 추정의 대상으로 다루기도 한다.

조금 더 깊게 보면

DAG를 실제로 활용할 때 핵심이 되는 것은 어떤 변수 집합을 통제하면 인과효과가 왜곡 없이 추정되는지를 판단하는 기준인 '뒷문 기준(backdoor criterion)'이다. 이 기준을 만족하는 변수 집합을 통제하면, 그래프상에서 처치와 결과 사이에 남아 있는 경로가 순수하게 인과적인 경로만 남게 된다. 반대로 충돌변수 편향처럼 두 변수의 공통 결과에 해당하는 변수를 잘못 통제하면 원래 없던 연관성이 인위적으로 생겨나는 편향이 발생할 수 있다. 이러한 조정 규칙을 그래프 구조로부터 형식적으로 유도하는 체계가 두-연산 미적분이며, DAG는 이 체계가 작동하는 기반이 되는 표현 방식이라고 볼 수 있다.

주의할 점

인과 그래프는 연구자가 세운 가정을 표현한 것일 뿐이므로, 그래프 자체가 틀리면(잘못된 인과 구조를 가정하면) 이를 이용한 모든 분석 결과도 왜곡된다.