모델을 만들고 해당 모델의 대상 모집단을 확대하거나 변경하더라도 전이할 수 있도록 하는 것이 transportability (사회과학 분야에서는 external validity로 더 많이 사용, deep learning의 transfer learning과도 비슷한 맥락)

일반적으로 인과추정 모델은 정확하게 활용하려는 맥락과는 다른 맥락에서 데이터를 구하기 (구할 수 밖에 없기) 때문에 인과추론에서 transportability는 중요함

맥락에 해당하는 선택노드(Selection Node)를 추가해서 해결

선택편향 문제에서는 S가 화살을 받기만 하는 형태였다면, 맥락 문제에서는 S가 화살을 주는 형태

모델 구조 G를 공유하면서 다른 맥락 $<\Pi, \Pi^>$으로 만든 모델을 $<M, M^>$라 할 때, 다음 조건을 만족해야 선택 구조라 할 수 있음

(i) G의 연결선이 그대로 유지

(ii) $S_i \rightarrow V_i$인 별도의 연결선 반드시 있어야 함 (맥락의 추가로 분포가 달라지거나 하는 건 상관 없음)

이제 조건부에 S=? 부분만 바꾸면 맥락을 고려한 그래프 모델이 됨

중요사항

• Transportability 작업은 $P(y|do(x))$를 활용해 $P^*(y|do(x))$를 추론하는 작업
• 중요한 것은 $<\Pi, \Pi^>$ 모두 같은 모델 구조 G를 공유하기 때문에 단순히 $\Pi$ 맥락에서 인과구조를 관측데이터로만 측정했다면 $\Pi^$도 관측데이터만 있으면 그 자체로 인과효과를 구할 수 있다는 점
• 따라서 Transportability는 한 맥락에서는 실험을 통해 인과구조를 만들었으나 다른 맥락에서는 관측데이터만 있을 때 유용함