Partial Cross Mapping Eliminates Indirect Causal Influences

한눈에 보기

시계열에서 X가 먼저 움직이고 Y가 따라 움직인다고 해서 X가 Y를 직접 바꿨다고 바로 말할 수는 없다. 예를 들어 X→Z→Y라면 X와 Y 사이에 강한 의존 신호가 있어도, 실제 연결은 Z를 거친다. Leng 등은 이 문제를 Partial Cross Mapping(PCM)으로 다룬다. 먼저 비선형 동역학의 cross mapping으로 X와 Y의 연결 신호를 얻고 그 신호에서 Z를 통해 전달된 부분을 partial correlation으로 조건화해 남은 직접 신호를 본다.

이 글에서는 용어의 범위를 먼저 정해야 한다. PCM은 **관측된 비선형 동역학계에서의 직접 결합(direct causal influence)**을 겨냥한다. 논문도 이를 방정식의 coupling term에 가까운 동역학적 인과로 설명한다. 무작위 개입의 평균 효과, 숨은 교란이 있는 일반 인과 그래프의 식별, 혹은 모든 관찰연구의 do-효과를 증명하는 방법으로 넓혀 읽으면 안 된다.

구분	MCM/CCM 계열의 신호	PCM의 추가 질문
X→Y 직접 연결	신호가 높을 수 있다	조건화 뒤에도 남는가
X→Z→Y 간접 경로	신호가 높아 오검출될 수 있다	Z 경로를 빼면 약해지는가
X와 Y 무연결	신호가 낮아야 한다	임계값·표본·임베딩에 민감할 수 있다

먼저, cross mapping이 보는 것

**지연 임베딩(delay embedding)**은 한 변수의 현재값만 보지 않고 과거값을 묶어 상태 공간의 좌표처럼 쓰는 방법이다. cross mapping은 Y의 이웃 상태를 이용해 X의 상태를 재구성해 본다. 재구성이 잘 맞으면 두 시계열의 동역학적 정보가 얽혀 있다는 신호가 된다. 문제는 X→Z→Y처럼 간접 경로여도 Y 안에 X 정보가 남으므로, 평범한 cross mapping만으로는 직접과 간접을 나누기 어렵다는 점이다.

그림 1. Leng et al. (2020), Figure 1, p. 2의 원도판. X→Y 직접 결합과 X→Z→Y 간접 결합에서 단순 cross mapping이 비슷하게 X→Y를 보고할 수 있음을 문제로 제시한다. 볼 점은 세 변수의 알려진 생성 구조가 비교 기준이라는 점이다. 실제 데이터에서 이 그림처럼 Z를 모두 관측했다고 보장하지는 않는다. CC BY 4.0 원도판 인용.

PCM의 한 단계 더하기

PCM은 Y의 이웃을 따라 X를 추정한 값과 X의 상관을 먼저 구한다. 다음으로 Y에서 Z를 거쳐 X로 돌아온 이웃 정보를 따로 구성한다. 마지막으로 첫 상관을 후자의 정보에 조건화한 partial correlation으로 바꾼다. 직관적으로는 “Y가 X를 닮아 보이는 이유 중 Z를 통해 설명되는 몫을 제외하고도 닮음이 남는가?”를 묻는다.

그림 2. Leng et al. (2020), Figure 2, p. 3의 원도판. (a)는 Y에서 X를 재구성하는 교차사상이 간접 정보까지 품는 모습을, (b)는 Z를 거친 교차사상 정보를 조건으로 넣는 partial correlation을 보인다. 수식보다 먼저 볼 것은 PCM이 Z를 ‘통제 변수’로 원자료에 회귀하는 것이 아니라, 임베딩된 교차사상 정보로 조건화한다는 점이다. 조건 집합에 실제 간접 매개 정보가 충분히 들어가지 않으면 분리는 약해질 수 있다.

저자들은 임계값 T 위의 원래 신호와 조건화 뒤 신호의 조합으로 직접·간접·무연결을 구분한다. 또 둘의 비율을 사용해 T 근처의 애매한 경우를 보조적으로 읽는다. 하지만 이 임계값은 데이터에서 자동으로 발견된 보편 상수가 아니다. 논문은 실제 전이 신호가 약할 때 판정이 T에 민감하다고 직접 적는다.

벤치마크가 보여 주는 것

합성 예제에서 MCM은 X→Z→Y 및 더 복잡한 간접 구조의 X→Y를 직접 링크처럼 잡는다. Figure 3의 PCM 패널은 이 가짜 직접 링크를 임계값 아래로 내리는 예를 보여 준다. 논문은 길이 5,000 시계열에서 무작위로 고른 100개 길이 1,000 구간의 평균을 보고하며, 임베딩 차원 4와 시간 지연 1을 사용한다. 즉 그림은 “PCM이 이 생성계와 이 설정에서 간접 링크를 제거했다”는 근거다.

그림 3. Leng et al. (2020), Figure 3, 물리 PDF p. 5의 원도판. 왼쪽은 세 생성 구조, 가운데는 MCM이 두 간접 구조를 오검출하는 모습, 오른쪽은 PCM의 조건화 후 지수다. 판넬의 수치는 특정 시뮬레이션·임계값에서의 예시이며, 다른 잡음 수준·표본 길이·조건 변수 선택에도 같은 정확도를 보장하지 않는다.

어디까지 써도 되는가

PCM은 관측 변수 중 어떤 것이 간접 경로를 전달하는지 후보를 둘 수 있을 때 가장 자연스럽다. 네트워크가 커져 조건 집합이 커지면 partial correlation 계산이 어려워질 수 있어, 논문도 간접 경로일 가능성이 큰 몇 노드를 고르거나 희소성 사전지식을 쓰는 휴리스틱을 언급한다. 따라서 Z가 전혀 관측되지 않는 숨은 교란 문제를 PCM만으로 해결했다고 말할 수 없다. 또한 시계열의 비정상성, 부족한 표본, 임베딩 차원·지연 선택, 약한 결합은 신호와 문턱 판단을 바꿀 수 있다.

실무에서는 PCM 점수를 ‘직접 경로 후보를 좁히는 동역학적 증거’로 두고, 가능한 경우 실제 개입·도메인 지식·독립 자료로 확인하는 편이 안전하다. 논문은 cross mapping이 가진 전이성 오검출을 드러내고 조건화로 줄이는 절차를 제시한다. 직접 인과라는 단어의 뜻을 넓힌 것은 아니다.

References

Leng, S., Ma, H., Kurths, J., Lai, Y.-C., Lin, W., Aihara, K., & Chen, L. (2020). Partial cross mapping eliminates indirect causal influences. Nature Communications, 11, 2632. https://doi.org/10.1038/s41467-020-16238-0

상세 검토: /blog/pcm-partial-cross-mapping-eliminates-indirect-causal-influences?view=deep