인과추론의 데이터 과학_2023 - week1. 빅데이터, AI 시대에서의 인과추론

 

 

📔  강의자료 필기본 

 

Week 1. Lecture Note.pdf

6.23MB

 

 

 

 

 

 

 

 

①  Credibility Revolution

---

 

 

▢  Causal inference 

 

•   observational data 로부터 특정한 현상의 인과관계를 밝혀내는 것 

•   Econometrics : 데이터 분석을 통해 경제 현상을 분석하고 이론을 테스트 하는 분야 

•  인과추론은 모형을 어떻게 정의하느냐 보다, 잘 설계된 Research design 이 더 중요하다. 

•   Experimental approaches Example

    ∘  RCT

    ∘  Quasi-experiments - DiD, Instrumental variables, Fixed effects, RD, Matching, Synthetic control) 

 

 

 

 

 

② Challenges in Causal inference 

---

 

▢  Correlation and Causation 

 

•   Correlation : 데이터가 함께 변화하는 패턴 (Co-movement in a direction) 

•   Causation : Cause and effect

•   상관성과 인과성을 구분하는 것은 매우 어려운 일이다

    ∘  ex1. Minimum Wage and Employment

    ∘  ex2. Recommendation System

    ∘  ex3. Companion Animals and Depression

    ∘  ex4. Treatment Effectiveness

    ∘  ex5. Effectiveness of Paid Search Ads

    ∘  ex6. Diversification and Firm Value

 

 

 

 

 

 

 

③  빅데이터와 AI 가 인과추론을 위한 해결책이 될까

---

 

▢  ML/AI and Causal Inference

 

 

 

 

 

▢  Statistics and Causal Inference

 

•  통계는 데이터를 통해 통계 모형을 추정하는 것이 주된 관심사였다면, 인과추론은 관심있는 인과적인 효과를 명확히 정의하고, 그러한 효과가 추정 가능한지, 가능하다면 어떠한 조건과 어떠한 가정이 필요한지 명확화 하는 것  👉  인과추론은 Design-based approach 

 

 

 

 

 

 

 

④ 언제 인과추론이 필요한가 

---

 

 

▢  No causation without manipulation

 

•  인과성은 디자인되고 조작될 수 있는 treatment 에 대해서만 정의될 수 있다. 

 

 

 

 

 

▢  Goal-Oriented Framework of Data Science

 

•  input 에 대한 intervention 과 manipulation 을 함으로써 output 을 향상시키고자 한다면 👉 인과추론 

•  output 을 정확히 예측하는 건 👉 머신러닝 

 

 

 

 

•  Example. 소셜 미디어 상에서의 입소문 효과 

 

 

 

↪  특정 이용자에 대한 intervention (ex. 인플루언서 마케팅) 을 가하여 소셜네트워크 상에서의 유저들에게 제품 구매를 유도하는 것이 목적이면 인과추론이 필요한 문제 - input 에 대한 intervention

 

↪  인과효과가 없다고 하더라도, 서로 팔로잉 하고 있다는 사실 자체만으로도 좋은 예측을 할 수 있음 (원인이 아닐 수 있지만, 사실 만으로도 가정이 어느 정도 예상되기 때문에 예측을 진행할 수 있음)

 

 

 

 

▢  Intervention 에 의한 Manipulation 전략 제시가 필요하다면 인과추론!