arXiv:2609.27299v1 stat.ME

검정력의 환상 너머: 관찰 정보시스템 연구에서 준실험의 보정

Beyond the Illusion of Power: Calibrating Quasi-Experiments in Observational IS

Spandan Ghose Chowdhury

제출 2026-09-24

한국어 초록

정보시스템(IS) 연구자들은 관찰 패널 데이터에서 인과 효과를 추정하기 위해 차분의 차분(DiD) 및 도구 변수(IV) 같은 준실험(quasi-experimental) 방법을 점점 더 많이 사용한다. 이러한 설계를 정당화하는 검정력(power) 계산은 i.i.d. 오류를 가정하지만, 더 근본적인 문제는 클러스터-강건(robust) 계산기조차 포착하지 못하는 것이다. 우리는 9837개 매개변수 조건(약 980만 개 데이터셋)에 걸친 Monte Carlo 연구를 보고하고, 계획 대비 달성 검정력 격차를 분해한다. 시계열 상관(serial-correlation) 성분은 rho가 알려져 있을 때 AR(1)을 고려한 계산기로 복원 가능하며, rho를 짧은 사전 기간에서 추정해야 할 때는 부분적으로 가능하지만, 패널 이탈(attrition), 시차 도입(staggered-adoption) 바이어스, 평행 추세(parallel-trends) 사전검정은 어떤 폐형식 공식으로도 포착되지 않는다; 외생적 이탈만으로도 IS 연구에서 흔히 쓰는 수백~수천 규모 표본에서 약 8~11 퍼센트포인트를 잃는다. 처치와 상관되고 결과에 의존하는 이탈은 검정력 손실뿐 아니라 바이어스를 유발한다. IV의 경우 1단계 F를 고정하면 더 큰 N은 검정력을 높이지도 배제 제약(exclusion restriction) 바이어스를 줄이지도 않지만, 고정된 도구 변수에 더 많은 데이터는 1단계를 더 날카롭게 하므로, 식별은 표본 크기가 아니라 도구 변수 강도에 달려 있다.

원문 초록

Information systems (IS) researchers increasingly use quasi-experimental methods such as difference-in-differences (DiD) and instrumental variables (IV) to recover causal effects from observational panel data. Power calculations that justify these designs assume i.i.d. errors, but the deeper problem is what even a cluster-robust calculator cannot see. We report a Monte Carlo study over 9837 parameter conditions (approx 9.8 million datasets) and decompose the planned-versus-achieved power gap. The serial-correlation component is recoverable by an AR(1)-aware calculator when rho is known, and partially when rho must be estimated from short pre-periods, but panel attrition, staggered-adoption bias, and parallel-trends pretesting are captured by no closed-form formula; exogenous attrition alone costs approx 8 to 11 percentage points at the few-hundred-to-thousand sample sizes IS studies use. Treatment-correlated, outcome-dependent attrition instead induces bias, not just power loss. For IV, holding first-stage F fixed, larger N neither raises power nor curbs exclusion bias, though with a fixed instrument more data does sharpen the first stage, so identification rests on instrument strength, not sample size.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.27299v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.21914v1stat.ME공통 태그 Causal Inference, instrumental variables

인과 추론을 위한 개입 점수 기하학

Interventional Score Geometry for Causal Inference

$X$의 결합 밀도 $p(x)$를 두고, $ψ(x)=\nabla_x\log p(x)$를 그 점수 필드(score field)라 하자. $p$와 $ψ$만으로 구성된 기하학은 인과 방향을 식별할 수 없다. 동일한 관측 분포를 갖는 구조 모델은 동일한 점수 기하학을 갖기 때문이다. 본 연구에서는 이에 대한 개입적 대응 개념을 제안한다. 하드 개입 $\operatorname{do}(X_k=ξ)$는 결합 법칙(joint law)을 단순히 재가중하는 것이 아니라, 분포를 부분 다양체 ${x_k=ξ}$로 제한한다. 따라서 그 점수는 남은 $d-1$개의 자유 좌표 위에서 정의되어야 한다. 인과 영향 $X_k\rightsquigarrow X_j$를 $ξ$에 따른 $X_j$의 개입 주변 분포(interventional marginal distribution)의 변화로 정의하고, 주변 개입 점수(marginal interventional score)의 해당 도함수가 영향에 대한 국소적 충분 조건을 제공함을 보인다. 관측 점수(observational score)를 허용 가능한 개입 방향으로 투영하는 것만으로는 일반적으로 인과 반응(causal response)을 복원할 수 없다. 두 모델이 동일한 관측 점수와 허용 집합을 공유하면서도 다르게 반응할 수 있기 때문이다. 따라서 구조적 정보에 의해 제공되는 개입 반응 필드(interventional response field)를 도입한다. 인과 측도(causal metric)는 공통 목표를 갖는 개입군(family of interventions) 위의 Fisher 정보 측도(Fisher information metric)로 정의하여, 목표 간의 부적정(ill-posed) 비교를 피한다. 이 프레임워크는 무작위 시험(randomized trials), 도구 변수(instrumental variables), 조건부 독립 설계(conditional-independence designs)에 대한 기하학적 사전(geometric dictionary)을 제공하며, 각 설계가 무엇을 식별하고 무엇을 식별하지 못하는지를 명확히 한다. 이변량 Gaussian 예시에서는 동일한 관측 점수를 갖지만 서로 다른 개입 점수 도함수를 갖는 두 모델을 제시한다. 이 프레임워크는 설계, 개입, 점수 필드 간의 관계를 체계화하지만, 기저 가정을 넘어서는 식별(identification)을 추가하지는 않는다. Pearl의 인과의 사다리(Ladder of Causation)에서 관측 점수 기하학은 연관(association)에 속하고, 개입으로 색인된 점수 필드는 개입(intervention)에 속하며, 단위 수준 반사실(counterfactual) 기하학은 향후 연구로 남겨둔다.

arXiv:2606.28228v3cs.LG공통 태그 Causal Inference

연속 시간 잠재 동역학의 얽힘 풀기: 확산 변화를 통한 잠재 SDE의 식별가능성

Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts

시계열을 위한 인과 표상 학습(causal representation learning)은 이산 시간 잠재 인과 모델에서 강력한 식별가능성(identifiability) 결과를 발전시켜 왔으나, 연속 시간 잠재 확률미분방정식(SDE) 모델에서의 식별가능성은 여전히 대부분 미해결 상태로 남아 있습니다. 본 연구에서는 환경에 의해 유도된 확산 공분산(diffusion covariance)의 변화를 활용하여 이 간극을 해결합니다. 저자들은 공유된 드리프트(drift)를 가지지만 환경별로 서로 다른 확산 공분산을 갖는, 미지의 비선형 미분동형사상(diffeomorphism)을 통해 관측되는 가산 노이즈 잠재 SDE를 연구합니다. 드리프트에 대한 어떠한 희소성(sparsity) 가정 없이도, 좌표별 분산 비율이 서로 다른 두 개의 대각 확산 영역(regime)이 주어지면 치환(permutation), 좌표별 스케일링, 그리고 가능한 상수 이동(constant shift) 수준까지 잠재 좌표를 식별할 수 있음을 보입니다. 먼저 선형 오룬슈타인-울렌벡(Ornstein-Uhlenbeck) 시스템에 대해 이 결과를 증명한 후, 이를 일반적인 가산 노이즈 잠재 SDE로 확장합니다. 완만한 매끄러움(smoothness) 조건 하에서, 순간적인 드리프트-야코비안(drift-Jacobian) 인과 그래프 또한 동일한 치환 수준까지 식별 가능합니다. 저자들은 잠재 표현 얽힘 풀기(disentanglement) 및 선택적 그래프 복원을 위한 2단계 추정기를 제안합니다. 합성 시스템에 대한 실험을 통해 예측된 식별가능성 경계를 확인하였으며, 하르당에르교(Hardanger Bridge) 모니터링 데이터에 적용하여 실제 센서 궤적에 대한 접근법의 효용성을 입증합니다.

arXiv:2609.27593v2cs.LG공통 태그 Causal Inference

삭제가 아닌 은닉: 네트워크가 얽힌 특징을 억제하는 방식

Hidden not Deleted: How Networks Suppress Entangled Features

신경망이 어떤 특징을 더 이상 보고하지 않을 때, 그 특징을 잊은 것인가 아니면 단지 숨긴 것인가? 공유 표현은 이 질문에 대한 답을 복잡하게 만든다. 한 특징의 방향을 제거하면 다른 특징도 손상될 수 있기 때문이다. 우리는 입력을 압축하고 복원하는 소규모 오토인코더에서 이 문제를 연구하며, 이를 통해 개별 특징의 기여를 직접 추적할 수 있다. 표현을 고정한 상태에서 단일 편향을 복원하면 출력의 활성화 임계값 뒤에 숨겨진 신호가 드러나면서 대상 검출이 부분적으로 회복된다. 대상이 없는 입력에 대한 테스트는 이러한 회복을 단순히 출력을 증가시키는 개입과 구별한다. 표현이 변할 수 있도록 허용하면 동일한 편향 개입은 효과가 떨어진다. 우리는 대상 자체의 출력에 대한 손실이 없더라도 다른 출력만 학습시키면 대상의 기여가 약해질 수 있음을 발견하였다. 조건부 이론적 분석은 유지되는 예측과의 간섭이 어떻게 이러한 압력을 만드는지를 설명한다. 그러나 더 유연한 예측기는 여전히 잔여 대상 정보를 검출한다. 이러한 결과는 회복이 특징 기하와 어떤 파라미터가 학습되는지에 따라 달라짐을 보여주며, 침묵하는 출력만으로는 망각의 충분한 증거가 되지 못하는 이유를 설명한다.

arXiv:2606.24548v4cs.CV공통 태그 Causal Inference

텍스트-이미지 모델은 귀납주의적 칠면조인가? 인과 추론을 위한 반사실적 벤치마크

Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning

텍스트-이미지(T2I) 생성 모델은 자연어 프롬프트로부터 시각적으로 사실적인 이미지를 생성하는 데 괄목할 만한 진전을 이루었다. 그러나 이러한 성공이 진정한 인과적 이해를 반영하는지, 아니면 시각-텍스트 상관관계에 대한 정교한 패턴 매칭인지는 여전히 불분명하다. 러셀의 귀납주의 칠면조에서 착안하여, 본 논문은 텍스트-이미지 모델이 현실 세계의 사전 지식과 체계적으로 모순되는 규칙 아래에서 이미지를 생성할 수 있는지 조사하기 위해 설계된 반사실 벤치마크인 Counterfactual-World(CF-World)를 소개한다. CF-World는 각 시나리오를 세 가지 점진적 수준으로 구성한다. 일반적인 세계 지식에 따른 사실 생성, 직접적인 시각 지시를 포함한 명시적 반사실 생성, 그리고 변경된 규칙으로부터의 인과적 연역이 필요한 암묵적 반사실 생성이다. 시각-언어 모델 기반 점수 산정 파이프라인인 CF-Eval을 사용하여 오픈소스 및 클로즈드소스 텍스트-이미지 모델을 평가한다. 각 프롬프트 수준의 점수를 주요 결과로 보고하고, 사전 저항률(Prior Resistance Rate, PRR)과 추론 유지율(Reasoning Retention Rate, RRR)을 보조적 기술 지표로 사용한다. 평가한 모든 모델은 반사실 프롬프트에서 사실 프롬프트보다 낮은 점수를 받았다. 진단 실험은 변경된 규칙을 따르는 것과 드물게 함께 나타나는 시각적 속성을 재조합하는 것에 어려움이 있음을 보여준다. 객체와 속성 이름을 바꿔 표현했을 때의 향상은 반사실 생성에서 학습된 시각적 사전 지식이 역할을 한다는 해석과 부합한다. 본 벤치마크와 평가 코드는 https://jylei16.github.io/CF-World.github.io/ 에서 공개되어 있다.

arXiv:2607.09645v2stat.ML공통 태그 Causal Inference

방향 비순환 그래프 위의 심층 가우시안 과정

Deep Gaussian Processes on Directed Acyclic Graphs

많은 실제 과정은 방향 비순환 그래프(DAG)를 따르는 함수들의 합성으로 표현할 수 있다. 인과 모델링에서 이는 기저 메커니즘에, 공학에서는 다중 충실도 수준에, 유전자 조절 네트워크에서는 전사 인자에 해당한다. 이러한 함수들은 DAG 전반에서 잡음이 있고 이질적으로 샘플링된 측정값으로 부분적으로만 관측되므로, 재구성, 불확실성 전파, 추론에 상당한 어려움을 야기한다. 이러한 어려움을 해결하기 위해 함수에 대한 사전분포를 두어 자연스럽게 DAG 위의 심층 가우시안 과정에 도달한다. 우리는 이들의 사전분포 붕괴 거동과, 그래프 위상 및 중간 관측이 정보 보존에 미치는 영향을 이론적으로 연구한다. 입력 간 구별이 보존되는 깊이의 점근적 빈도에 대한 거의 확실한 하한을 얻고, 이것이 성립하는 폭넓은 커널 클래스를 규명하며, 입력 연결의 역할에 관한 \citep{dunlop2018}의 관찰을 증명한다. 또한 그래프 의존성을 유지하고 합성적 불확실성을 보존하며 충돌자(collider)의 설명 소거(explaining-away) 거동을 포착하는 구조적 변분 근사를 제시한다. 마지막으로 대규모 및 DAG 오지정 상황에서 이론과 방법론을 경험적으로 검증한다. 이어서 잠재 충돌자 DAG, 단백질 신호 전달 네트워크, 다중 충실도 \mbox{heavy-ion} 충돌 에뮬레이션 과제를 모델링하여, 최고 수준의 성능을 달성하는 동시에 저충실도 기여를 복원하고 시뮬레이터 계층에 대한 해석 가능성을 제공한다.

arXiv:2610.01002v2cs.AI공통 태그 Causal Inference

유추는 인공의식에 대해 무엇을 말해줄 수 있는가?

What Can Analogy Tell Us About Artificial Consciousness?

누가 또는 무엇이 의식을 가지고 있는가? 주관적 경험은 1인칭 관점에서만 직접 접근할 수 있기 때문에, 다른 개체의 의식에 대한 판단은 부분적으로 유추(analogy)에 의존한다. 역사적으로 이러한 추론은 인간이 아닌 동물에 집중되어 왔으나, 인공지능(AI)의 발전으로 의식을 가진 AI의 가능성이 제기되었다. 본 논문에서는 이러한 증거적 유추를 평가하기 위한 인과적 프레임워크를 개발한다. 핵심적인 구분은 의식 생성에 관여할 가능성이 높은 요인들의 유사성과 하류(downstream) 행동 또는 인지적 효과에서의 유사성 사이의 차이다. 제안하는 프레임워크는 알려지지 않은 원인, 무력화 요인(disabling differences), 의식에 이르는 대안적 경로를 고려하면서 인과적 관련성에 따라 원천-목표(source-target) 유사성에 가중치를 부여한다. 생물학적 시스템에 적용했을 때, 이는 인간과의 인과적 거리가 멀어질수록 유추적 지지가 전반적으로 약화되는 이유를 설명한다. 현대 AI에 적용했을 때, 이는 관련 인과적 대응 관계가 여전히 명확히 확립되지 않았기 때문에 행동적 유사성만으로는 의식에 대한 제한적인 증거만을 제공함을 시사한다. 또한 이 프레임워크는 어떤 증거가 인공의식에 대한 주장을 강화할 수 있는지를 명확히 밝힌다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.