causal-check

name	causal-check
description	TRIGGER when: a sigma analyst proposes a feedback change and causal validity needs verification before Tier 2 auto-application; distinguishing correlation from causation in team metric changes. SKIP: Tier 0/1 observation-only runs, data ingestion, non-sigma contexts.
version	0.2.0
license	MIT

causal_check

Elixir 모듈: Sigma.V2.Skill.CausalCheck MCP 이름: causal_check 버전: v2 (Phase 5)

---

Before You Start

• 상관관계만으로 인과관계를 주장하는 피드백을 적용 전에 반드시 통과시킬 것.
• correlation > 0.7이고 controls가 비어있으면 자동으로 high risk 판정.
• sample_size < 30이면 통계적 신뢰도 부족 flag 추가.
• 이 스킬은 피드백 적용 전 검증용. 피드백이 이미 적용된 후에는 의미 없음.
• claim을 빈 문자열로 보내면 모든 체크를 우회하지 않음 — 기타 파라미터로 독립 평가.

---

Input Schema

{
  "type": "object",
  "properties": {
    "claim": {
      "type": "string",
      "default": "",
      "description": "검증할 인과 주장 (예: '블로그 발행량 증가 → 매출 상승')"
    },
    "correlation": {
      "type": "number",
      "default": 0.0,
      "description": "관측된 Pearson 상관계수 (-1.0 ~ 1.0)"
    },
    "controls": {
      "type": "array",
      "items": { "type": "string" },
      "default": [],
      "description": "통제된 변수 목록 (적을수록 위험)"
    },
    "confounders": {
      "type": "array",
      "items": { "type": "string" },
      "default": [],
      "description": "알려진 혼재변수 (있으면 위험도 상승)"
    },
    "sample_size": {
      "type": "integer",
      "default": 0,
      "description": "분석에 사용된 샘플 수"
    }
  }
}

---

Process

1. 상관 강도 + 통제 체크: |correlation| > 0.7 AND controls 비어있으면 strong_correlation_no_controls flag.
2. 소표본 체크: sample_size > 0 AND sample_size < 30 이면 insufficient_sample_size flag.
3. 혼재변수 체크: confounders 비어있지 않으면 known_confounders_present flag.
4. 위험도 점수 산출: flag 수 × 2. 6 이상 → high, 35 → medium, 02 → low.
5. 권고사항 생성: 각 flag에 대응하는 구체적 개선 권고 목록 반환.
6. 결과 반환: causal_risk, flags, recommendations, risk_score.

---

Defaults

파라미터	기본값	조정 기준
correlation	0.0	실제 통계값 사용. 추정치도 가능
controls	[]	분석 시 통제한 변수 모두 나열
sample_size	0	0이면 소표본 체크 스킵

---

Integration

시그마 내 호출 지점:

• Sigma.V2.Commander — Directive 생성 전 인과성 검증 단계에서 호출
• Sigma.V2.Skill.ExperimentDesign — 실험 설계 전 선행 인과 가정 검증 시 연계
• MCP 엔드포인트: POST /mcp/sigma/tools/causal_check/call

---

Examples

Good — 잘 통제된 분석:

{
  "claim": "블로그 SEO 개선 → 오가닉 트래픽 증가",
  "correlation": 0.82,
  "controls": ["계절성", "광고비", "경쟁사 액티비티"],
  "confounders": [],
  "sample_size": 180
}
// 결과: { causal_risk: "low", flags: [], risk_score: 0 }

Bad — 통제 없는 강한 상관:

{
  "claim": "투자 수익률 → 팀원 사기 향상",
  "correlation": 0.91,
  "controls": [],
  "confounders": ["시장 상황", "팀 이벤트"],
  "sample_size": 12
}
// 결과: { causal_risk: "high", flags: ["strong_correlation_no_controls", "insufficient_sample_size", "known_confounders_present"], risk_score: 6 }

Edge — 파라미터 최소화:

{ "correlation": 0.5 }
// 결과: { causal_risk: "low", flags: [], risk_score: 0 }
// (상관 0.5 < 0.7 임계값, controls 체크 미발동)

---

Failure Modes

패턴	원인	대처
항상 low risk 반환	correlation 0.7 미만 + controls 없음	상관계수 재확인. 실제 correlation 값 전달
high risk인데 적용 강행	Commander의 Principle.Loader 우선 체크 건너뜀	self_critique → causal_check 순서 보장 확인
flag 없는데 실제 문제	confounders 목록 누락	도메인 전문가 리뷰 후 confounders 명시