Refactor SCM overview for clarity and structure

Author: Funbucket

book/scm/overview.md

@@ -3,53 +3,35 @@
 SCM(Structural Causal Model)은 변수 간의 causal mechanism을 구조방정식과 DAG로 표현하는 접근입니다.  
 이 섹션에서는 주요 식별 전략을 중심으로, 실제 데이터를 활용한 인과효과 분석을 다룹니다.
 
----
 
-## 1. Backdoor Criterion
+- **Backdoor Criterion**:
 
-- **식별 전략:**  
-  원인과 결과 모두에 영향을 미치는 교란변수(confounder) 를 통제하여,  
-  인과효과를 다음과 같이 식별합니다.
+  원인과 결과 모두에 영향을 미치는 교란변수(confounder) 를 통제하여, 인과효과를 다음과 같이 식별합니다.
 
-  $$
-  P(Y \mid do(X)) = \sum_Z P(Y \mid X, Z) P(Z)
-  $$
+$$
+P(Y \mid do(X)) = \sum_Z P(Y \mid X, Z) P(Z)
+$$
 
-- **데이터:** *National Health and Nutrition Examination Survey (NHEFS)*
 
----
+- **Frontdoor Criterion**:
 
-## 2. Frontdoor Criterion
+  원인($X$)이 결과($Y$)에 미치는 효과가 매개변수($M$)을 통해서만 전달될 때, 다음 식을 통해 인과효과를 간접적으로 식별합니다.
 
-- **식별 전략:**  
-  원인($X$)이 결과($Y$)에 미치는 효과가 매개변수($M$)을 통해서만 전달될 때,  
-  다음 식을 통해 인과효과를 간접적으로 식별합니다.
+$$
+P(Y \mid do(X)) = \sum_M P(M \mid X) \sum_{X'} P(Y \mid M, X') P(X')
+$$
 
-  $$
-  P(Y \mid do(X)) = \sum_M P(M \mid X) \sum_{X'} P(Y \mid M, X') P(X')
-  $$
 
-- **데이터:** *NYC TLC 2023 High Volume FHV Trip Records*
-
----
-
-## 3. Instrument Variable (IV)
-
-- **식별 전략:**  
+- **Instrument Variable (IV)**:
+  
   ($X$)와 ($Y$) 간의 내생성(endogeneity) 문제를 해결하기 위해,
   ($X$)에는 영향을 주지만 ($Y$) 에는 직접 영향을 미치지 않는 도구변수($Z$)를 사용합니다.  
   인과효과는 다음과 같이 식별됩니다.
 
-  $$
-  \hat{\beta}_{IV} = \frac{\operatorname{Cov}(Z, Y)}{\operatorname{Cov}(Z, X)}
-  $$
-- **데이터:** 추후 확정 예정
+$$
+\hat{\beta}_{IV} = \frac{Cov(Z, Y)}{Cov(Z, X)}
+$$
 
----
-
-## 4. Causal Discovery
-
-- **목표:**  
+- **Causal Discovery**:
+  
   score-based, constraint-based, function-based 등 탐색 알고리즘과 도메인 지식을 활용해 데이터로부터 인과 구조(DAG)를 도출합니다.
-
-- **데이터:** *UCI Auto MPG*