인과추론의 데이터 과학_2023 - week2. RCT

 

📔  강의자료 필기본 

 

Week 2. Lecture Note.pdf

3.15MB

 

 

 

 

 

 

①  Potential Outcome Framework

---

 

 

▢  Potential Outcome Framework

 

•  counterfactual : 해당 treatment 가 없었다면 어떠했을까

•  Causal effect = (Actual outcome for treated if treated) – (Potential outcome for treated if not treated)

 

 

 

 

 

▢  Fundamental Problem of Causal Inference : Selection Bias

 

•  현실에서는 잠재적 결과를 관측할 수 없다. 하나의 대상에 대해서는 오직 하나의 상태만 관찰할 수 있다

•  현실에선 Control group (treatment 를 받지 않은 그룹) 만 관찰 가능하다. 

•  we can only observe = (Actual outcome for treated if treated) – (Actual outcome for untreated if not treated)

 

 

 

•  Potential outcome framework : ATT, ATU, ATE

 

 

 

 

•  Selection bias : 단순히 control group 의 결과를 treatment group의 Counterfactual 로 쓰기엔 선택편향에서 발생하는 여러 차이점들이 있어 위험하다.

 

 

 

 

 

▢  Ceteris Paribus

 

•   선택편향을 없애야 제대로된 인과추론이 가능하다

•  선택편향을 없애려면 control group 과 counterfactual 을 유사하게 만들어야 한다 ⇨ control group 은 treatment 를 받았다는 사실을 제외한 모든 조건이 treatment group과 유사해야 한다.

 

 

 

 

 

▢  Stable Unit Treatment Value Assumption 2가지

 

⑴  Counterfactual consistency : treatment 가 있을 때의 잠재적 결과와 실제결과는 같아야 한다는 가정. manipulability 와 potential outcome 을 명확히 정의할 수 있는 treatment 를 design 하는 것이 매우 중요

 

 

 

⑵  No interference : 각각의 potential outcome 들이 간섭이 없어야 한다는 가정 (treatment 를 받은 사람의 outcome 은 받지 않은 사람과 아무런 영향 관계가 없어야 한다) - 간접적인 간섭의 영향이 없어야 한다

 

 

 

 

▢  ATT, ATU, and ATE

 

•   개념

 

 

 

•   데이터를 통해 관측 가능한 효과 = Causal effect + Selection bias 

↪  여기서의 인과효과는 treated group 에 대한 이야기라 ATT 임

 

 

 

 

 

•  ATT를 구하더라도 이를 control 집단에 treatment 를 가했을 때 동일한 효과를 얻을 것이라 기대하기가 어렵다. 그치만 회사 입장에서는 가령 쿠폰을 쓸 가능성이 높은 사람에게 쿠폰을 주는게 효과적이기 때문에 ATT 자체만으로 흥미있는 결과일 수 있다.

 

 

 

 

 

 

 

 

②  Gold Standard of Causal inference : RCT

---

 

 

▢  Causal Hierarchy from the Potential Outcome Perspective

 

 

 

 

 

▢  Random Assignment

 

•  특성에 상관없이 모든 사람들이 반반의 확률로 처치/통제 집단에 배정됨 : treatment 를 제외하고는 나머지 특성들이 균일하게 배분됨. ceteris paribus 를 만족하는 control group을 만들 수 있음 - 합리적인 추론이 가능

 

 

•  Random Assignment is the most effective way to achieve Ceteris Paribus →  Counterfactual 을 만들 수 있는 가장 좋은 방법 : selection bias 를 가장 효과적으로 제거할 수 있는 방법

 

 

 

•   Example: The causal effect of work from home on productivity

 

 

 

 

 

▢  Checklist for Random assignment 

 

⑴  Quality of Randomization : 무작위 배정이 잘 되었는지 여부가 중요!

↪  랜덤배정이 잘 되는지 보여주는 대표적인 방법은 Group 별 summary statistics 를 제시하는 것

 

 

 

 

⑵  Stable Unit Treatment Value Assumption (SUTVA) 가정 만족 

 

 

 

 

⑶  Imperfect Compliance :  실험 참가자들이 연구 지침을 잘 따르는 부분,  treatment 배정 여부에 따라서만 결과를 비교하면 실제 treatment 를 받았을 때의 효과와는 다를 수 있음  →  도구변수를 활용하여 이러한 부분에 대해 고려할 수 있음 -  Local average treatment effect (LATE) : treatment 를 잘 따르는 집단인 compliers 에 대해서만 인과효과를 보는 것

 

 

 

 

▢  Limitations of RCT

 

⑴  Specifically Defined Treatment  :  특정 유형의 처치에 대한 효과만 추정할 수 있다. 

↪  ex. 재택근무의 효과가 하이브리드 출근 (재택병행) 의 효과와 동일할지는 알 수가 없음

 

⑵  External Validity :  RCT 로 구한 인과적 효과를 다른 상황에 일반화 하는 것은 쉽지 않을 수 있다.

↪  transportability theory :  한집단에서의 causal effect 를 다른 집단으로 이식할 때 어떻게 보정해야 할지에 대한 이론이 연구되고있음