There is a deep structural parallel between two seemingly unrelated problems. In quantum mechanics, the act of observation fundamentally alters the system being observed—the measurement changes the state. In statistics, missing-not-at-random (MNAR) data arises when the probability of a value being observed depends on the value itself—the missingness mechanism is entangled with the data.

Both phenomena share the same mathematical structure: the observation process is not independent of the quantity being observed. Kang's framework exploits this parallel to develop robust causal directionality inference—determining whether A causes B or B causes A—in settings where both quantum measurement effects and MNAR missingness corrupt the available data.

The Observation Problem

In classical causal inference, we observe variables X and Y and attempt to determine the causal direction: does X cause Y, or does Y cause X? Standard methods (independence-based, score-based, asymmetry-based) assume that we observe X and Y faithfully—that the measurement process does not distort the quantities being measured.

This assumption fails in two important settings:

Quantum systems: When we measure a quantum observable, the measurement projects the system's state onto an eigenstate of the measurement operator. The post-measurement state differs from the pre-measurement state. If we then measure a second observable, the result reflects the post-measurement state, not the original. Naively applying classical causal inference to sequential quantum measurements produces incorrect causal conclusions because the measurement process has introduced a spurious directional asymmetry.

MNAR clinical data: In medical records, diagnostic tests are performed when symptoms suggest they might be informative. A patient's blood glucose is measured because the physician suspects diabetes—creating a missing data pattern where the probability of measurement depends on the (potentially unmeasured) underlying condition. Standard causal methods that ignore this informative missingness produce biased causal estimates.

The Unified Framework

Kang's contribution is recognizing that both problems—quantum measurement distortion and MNAR missingness—can be formalized within a single mathematical framework. The framework models the observation process as a channel that transforms the true data-generating distribution into the observed distribution, and develops inference methods that are robust to the distortions introduced by this channel.

The key technical elements:

• Channel characterization: The observation channel is parameterized by the degree of measurement distortion (in the quantum case) or the missingness mechanism (in the statistical case)
• Robustness bounds: Causal directionality conclusions are derived that hold for all observation channels within a specified class—providing guarantees that are robust to unknown details of the measurement process
• High-dimensional noise: The framework handles settings where the true causal signal is embedded in high-dimensional noise—a common scenario in both quantum engineering and clinical data analysis

Claims and Evidence

Open Questions

What This Means for Your Research

For statisticians working with MNAR data, the quantum perspective provides a fresh mathematical framework for reasoning about informative missingness—potentially importing tools from quantum information theory that have no classical analogue.

For quantum physicists, the causal inference perspective offers a principled way to reason about cause and effect in quantum systems—a topic of growing importance as quantum technologies require reliable causal reasoning for error diagnosis and system optimization.

For the interdisciplinary community, this paper exemplifies the value of cross-domain mathematical frameworks: a structural insight that connects quantum mechanics and missing data theory creates tools that neither field would have developed in isolation.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 학술 연구에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 검증해야 한다.

양자 인과 추론: 관측 결측 비무작위(Missing-Not-At-Random) 환경에서의 강건한 방향성

겉보기에 서로 무관한 두 문제 사이에는 깊은 구조적 유사성이 존재한다. 양자역학에서 관측 행위는 관측 대상 시스템을 근본적으로 변화시킨다—측정이 상태를 바꾼다. 통계학에서 관측 결측 비무작위(MNAR) 데이터는 특정 값이 관측될 확률이 그 값 자체에 의존할 때 발생한다—결측 메커니즘이 데이터와 얽혀 있다.

두 현상은 동일한 수학적 구조를 공유한다: 관측 과정이 관측 대상량으로부터 독립적이지 않다. Kang의 프레임워크는 이 유사성을 활용하여 강건한 인과 방향성 추론—A가 B를 야기하는지 B가 A를 야기하는지 판별—을 개발하며, 이는 양자 측정 효과와 MNAR 결측이 모두 가용 데이터를 오염시키는 환경에 적용된다.

관측 문제

고전적 인과 추론에서는 변수 X와 Y를 관측하고 인과 방향을 결정하려 한다: X가 Y를 야기하는가, 아니면 Y가 X를 야기하는가? 표준적인 방법들(독립성 기반, 점수 기반, 비대칭성 기반)은 X와 Y를 충실하게 관측한다고 가정한다—즉, 측정 과정이 측정 대상량을 왜곡하지 않는다고 가정한다.

이 가정은 두 가지 중요한 환경에서 성립하지 않는다:

양자 시스템: 양자 관측량을 측정할 때, 측정은 시스템의 상태를 측정 연산자의 고유 상태(eigenstate)로 투영한다. 측정 후 상태는 측정 전 상태와 다르다. 이후 두 번째 관측량을 측정하면, 그 결과는 원래 상태가 아닌 측정 후 상태를 반영한다. 순차적 양자 측정에 고전적 인과 추론을 단순 적용하면 측정 과정이 허위 방향적 비대칭성을 도입했기 때문에 잘못된 인과 결론을 산출한다.

MNAR 임상 데이터: 의료 기록에서 진단 검사는 증상이 유의미한 정보를 줄 수 있다고 판단될 때 시행된다. 환자의 혈당은 의사가 당뇨를 의심하기 때문에 측정된다—이는 측정 확률이 (잠재적으로 미측정된) 기저 상태에 의존하는 결측 데이터 패턴을 생성한다. 이러한 정보적 결측을 무시하는 표준적 인과 방법은 편향된 인과 추정치를 산출한다.

통합 프레임워크

Kang의 기여는 양자 측정 왜곡과 MNAR 결측이라는 두 문제를 단일 수학적 프레임워크 내에서 형식화할 수 있음을 인식한 것이다. 이 프레임워크는 관측 과정을 참 데이터 생성 분포를 관측 분포로 변환하는 채널(channel)로 모델링하며, 이 채널이 도입하는 왜곡에 강건한 추론 방법을 개발한다.

핵심 기술적 요소들:

• 채널 특성화: 관측 채널은 측정 왜곡의 정도(양자의 경우) 또는 결측 메커니즘(통계적 경우)에 의해 매개변수화된다
• 강건성 경계: 지정된 클래스 내의 모든 관측 채널에 대해 성립하는 인과 방향성 결론을 도출함으로써—측정 과정의 알려지지 않은 세부 사항에 강건한 보장을 제공한다
• 고차원 노이즈: 이 프레임워크는 참 인과 신호가 고차원 노이즈에 내재된 환경을 처리한다—양자 공학과 임상 데이터 분석 모두에서 흔히 나타나는 시나리오이다

주장과 근거

미해결 질문

연구에 주는 시사점

MNAR 데이터를 다루는 통계학자들에게, 양자적 관점은 정보적 결측(informative missingness)에 대한 추론을 위한 새로운 수학적 프레임워크를 제공한다. 이는 고전적 유사체가 없는 양자 정보 이론의 도구들을 잠재적으로 도입할 수 있다.

양자 물리학자들에게, 인과 추론 관점은 양자 시스템에서의 원인과 결과에 대해 원칙적으로 추론하는 방법을 제공한다. 이는 양자 기술이 오류 진단과 시스템 최적화를 위한 신뢰할 수 있는 인과 추론을 필요로 함에 따라 그 중요성이 점점 커지고 있는 주제이다.

학제 간 커뮤니티에게, 이 논문은 영역 간 수학적 프레임워크의 가치를 잘 보여준다. 양자역학과 결측 데이터 이론을 연결하는 구조적 통찰은 어느 한 분야만으로는 독자적으로 개발하지 못했을 도구를 창출한다.