식별가능성 (Identifiability)
쉽게 풀면
아무리 많은 자료를 모아도, 애초에 모형 구조상 서로 다른 두 개 이상의 모수 값이 완전히 똑같은 관측 자료의 분포를 만들어낼 수 있다면, 그 모수는 '식별 불가능'하다고 말한다. 이런 경우 표본을 아무리 늘려도 참값에 도달할 수 없으며, 이는 표본 크기 부족과는 전혀 다른, 모형 설계 자체의 근본적인 문제다. 인과추론에서도 인과효과가 관측자료로부터 원리적으로 계산 가능한지를 따지는 것을 식별가능성 문제라 부르며, 이는 실제 추정을 시도하기 이전에 먼저 확인해야 하는 이론적 전제조건이다.
왜 중요한가
식별가능성은 추정치의 통계적 성질(불편성, 일치성 등)을 논하기 이전에 확인해야 하는 선결 조건이기 때문에, 복잡한 모형을 다루는 통계학·계량경제학·인과추론 연구에서 방법론의 타당성을 담보하는 근본적인 개념으로 다뤄집니다. 특히 잠재변수 모형이나 구조방정식 모형처럼 관측되지 않는 변수를 포함하는 모형에서는 식별가능성 여부를 잘못 판단하면 아무리 정교한 추정 절차를 적용해도 무의미한 결과를 얻게 됩니다. 이 때문에 새로운 모형이나 추정 기법을 제안하는 논문에서는 식별 조건을 명시적으로 증명하는 절차가 필수적으로 포함됩니다.
논문에서는 이렇게 쓰입니다
복잡한 잠재변수 모형이나 인과추론 모형에서 모수나 효과가 원리적으로 추정 가능한지를 사전에 점검할 때 사용된다.
계량경제학의 도구변수 분석에서 특정 가정이 충족되어야 인과효과 추정이 이론적으로 가능함을 증명하는 문맥에서 쓰인다.
시뮬레이션 연구를 통해 특정 모형 설계 하에서 모수 추정이 원천적으로 불가능함을 보이는 사례이다.
조금 더 깊게 보면
식별가능성은 흔히 국소적 식별가능성(모수 공간의 근처에서만 유일함)과 전역적 식별가능성(전체 모수 공간에서 유일함)으로 구분되며, 실제 연구에서는 대체로 국소적 식별을 확인하는 데 그치는 경우가 많습니다. 인과추론에서는 do-연산이나 배제 제약, 조건부 독립 가정 등을 통해 식별 조건을 형식적으로 증명하는 절차를 거치며, 이런 가정이 성립하지 않으면 관측자료만으로는 인과효과를 복원할 수 없습니다. 식별가능성이 확보되더라도 실제 표본에서 추정치의 분산이 매우 커지는 약한 식별(weak identification) 문제가 남을 수 있어, 이론적 식별과 실용적 추정 가능성은 별도로 검토되어야 합니다.
주의할 점
식별 불가능한 모수는 표본 크기를 아무리 늘려도 문제가 해결되지 않으므로, 자료 수집에 앞서 모형 설계 단계에서 반드시 점검해야 한다.