Confounding Bias(교란 편향)은 인과 추론과 실험에서 가장 많이 발생하는 문제이고 Section4에서는 이를 다룬다

이전까지의 Section에서 DAG에 대해 배웠다면 이를 본격적으로 사용해 문제를 해결할 것이다

• 인과 효과를 측정하기 위해 우리는 $P(Y|do(X))$를 구해야 한다
  • 그러나 현실에서 $do(X)$를 구하기는 어렵다
    • 관측 데이터를 통해 $do(X)$를 알지 못하면 분포를 추정할 수 없다
  • 따라서, do-free 수식을 만들어내야 한다
  • 위 작업을 identification task(식별화 작업?)라 부른다

<aside> 💡 흔히 상관관계와 인과관계를 착각하면 안 된다고 하면서 드는 예시가 아이스크림 판매량(X)과 상어 습격으로 인한 피해량(Y)을 드는데, 이것은 confounding bias 사례로 볼 수 있다. 계절(Z)이라는 교란 요인이 X와 Y에 동시에 영향을 주어 X가 Y에 인과적 영향이 있는 것처럼 잘못된 추정이 되는 것이다. Forks : X ← Z → Y일 때 X $\not \perp \!\!\! \perp$ Y, X $\perp \!\!\! \perp$ Y | Z였던 것을 기억하자

</aside>

Confounding Bias를 해결하고 주변 효과를 없애기 위해 앞서 배운 D-separation을 통해 경로를 차단(block the path)하는 방법을 사용한다

이 때, collider 구조를 조심해야 하는데 조건부 확률을 사용하면 오히려 경로를 열어주는 구조기 떄문

경로를 차단한다는 말이 방향성 화살표가 없어야 한다는 게 아니고 독립이 되게 한다는 의미