본문 바로가기

LinkedIn
깃허브 바로가기

1️⃣ AI•DS/🥎 Casual inference47

인과추론의 데이터 과학 - 통제함수와 선택모형 참고영상 : Bootcamp 4-4. 통제함수와 선택모형 ▸ Control function: selection bias correction method , LATE, 2SLS 와 비슷하게 Instrumental variable 을 활용한다. ▸ Heckman selection model : control function 의 special case 1. Causal inference = How to address Endogeneity ◯ Causal inference • Selection model 과 Causal Graph 는 인과추론의 Researcg design 과 다른 관점을 취하고 있다. • 그러나 LATE 와 selection model 은 모두 IV 를 활용한다. ◯ Second approac.. 2023. 4. 26.

인과추론의 데이터 과학 - 회귀불연속 참고영상 : Bootcamp 4-3. 회귀 불연속 1. RD ◯ Regression Discontinuity • Discontinuous 가 발생하면 그것을 기점으로 인과추론을 진행하는 방법 • Running variable = assignment variable = Forcing variable : Discontinuity 가 발생하는 변수 • RD 에서의 counterfactual : running variable 이 없었을 때를 가정한 추이 (점선) • counterfactual (점선)과 treatment 를 받아서 나온 (실선) 차이가 causal effect 이다. ◯ Example of discontinuity • 음주와 건강/사망 사이의 인과효과 • 미국에서는 법적으로 21세를 기준으로 음.. 2023. 4. 26.

인과추론의 데이터 과학 - 인과추론 관점에서의 도구변수 참고영상 : Bootcamp 4-2. Local Average treatment effect (LATE) 1. IV from perspective of potential outcome ◯ LATE • IV 가 casual effect 에서 어떤 부분을 측정하는 것인지 (인과관계에서 어떤 해석을 갖는 것인지) 직관적인 이해가 조금 어렵다. • 도구변수 분석을 potential outcome framework 에 통합하도록 하는 것이 LATE • LATE 를 가지고, 도구변수 분석을 통해서 우리가 추정하는 causal effect 가 어떤 것인지 분명하게 해석할 수 있게 되었다. 2. IV as a treatment assignment mechanism • Research design : 어떻게 treatm.. 2023. 4. 25.

인과추론의 데이터 과학 - 도구변수 참고영상 : Bootcamp 4-1. Instrumental variable and regression discontinuity 1. 도구변수 ◯ Causal Hierarchy • quasi-experiment design 이 불가능하지만 treatment를 할 수 있는 외생변수가 존재하는 경우 ⇨ instrumental variable 를 사용 • quasi-experiment design 이 가능하고, 처치집단과 통제집단을 관찰할 수 있지만, longitudinal data (=panel data)를 관측할 수 없어 (즉, panel data 가 아님) treatment 가 arbitrary 한 threshold로 적용되는 경우 ⇨ Regression discontinuity을 사용 ◯ Endogen.. 2023. 4. 25.

인과추론의 데이터 과학 - 가상의 통제집단 참고영상 : Bootcamp 3-4. 가상의 통제집단 1. synthetic control vs DID ◯ Synthetic control • synthetic control 은 DID 의 확장버전이나 좀 더 유연한 방법이다. • 매칭이 성립되지 않고, parallel trend 가정이 성립하지 않더라도 적용할 수 있다. • 최근 가장 주목받는 방법론이기도 하다. • control group 을 조합함으로서 가상의 비교가능한 통제집단을 구성할 수 있는 방법이다. 2. Example ◯ 캘리포니아의 담배 규제의 담배 판매량에 미친 효과 • 캘리포니아에서만 1988년에 도입됨, 규제가 도입되지 않은 49개의 다른 주와 비교하고자 하지만, 위의 그림과 같이 parallel trend 를 따르지 않음 ⇨ syn.. 2023. 4. 25.

인과추론의 데이터 과학 - 이중차분법 참고영상 : Bootcamp 3-3. 이중차분법 DID(Difference-in-Differences)는 quasi-experimental design 중 하나입니다. Quasi-experimental design은 randomized controlled trial(RCT)과 같은 엄격한 실험적 설계가 적용되지 않은 경우를 말합니다. DID는 일반적으로 실제 실험적 조작을 가하지 않는 자연적인 사건, 예를 들어 정책 변화, 자연 재해 등이 발생한 경우를 이용하여 효과를 측정하는 것입니다. DID는 두 개 이상의 그룹을 비교하여 효과를 측정합니다. DID는 시간적으로 서로 다른 두 그룹이 있는 경우에 주로 사용됩니다. 실험 그룹과 대조 그룹의 특성이 서로 다르지 않은 것이 전제되어야 하며, 이를 위해 DI.. 2023. 4. 24.

인과추론의 데이터 과학 - 준실험 분석 방법론 참고영상 : Bootcamp 3-2. 준실험 분석 방법론 1. Counterfactual and methods ◯ Counterfactual revisited • 우리에게 필요한건, treatment group 에서 treat 를 받지 않았더라면 어떤 결과를 보였는지에 대한 counterfactual ⇨ 현실에서 관찰 불가능하기 때문에 가장 비슷한 control group 을 찾는 것이 관건이다. • Causal experiment method: control group 을 활용해 어떻게 counterfactual 을 유추할 수 있을지에 대한 방법 ⇨ Research design and apply method • 우리가 실제 데이터를 통해 추정하는 것은, treatment group 에 대한 ATE 인 .. 2023. 4. 24.

인과추론의 데이터 과학 - 디자인 기반의 인과추론 참고영상 : Bootcamp 3-1. 디자인 기반의 인과추론 1. Quasi-experimental designs ◯ Quasi-experiment designs • Research designs without random assignment : 무작위 실험을 할 수 없을 때, 이와 유사하게 실행될 수 있도록 하는 실험 • Quasi-experiment 나 Instrumental variable의 경우, 관찰되지 않은 값들까지 (selection bias) 고려하기 위해 research design을 도입한다. ◯ Random assignment is not always feasible • Quasi experiment 는 RCT와 거의 동일하다고 볼 수 있다. 다만, selection bias를 없애기.. 2023. 4. 24.

인과추론의 데이터 과학 - 매칭과 역확률 가중치 참고영상 : Bootcamp 2-4. 매칭과 역확률 가중치 1. Matching • Regression 은 control variable과 selection bias에 대해 linear form으로 가정하고, control variable을 conditioning 함으로써 특성을 유사하게 만들었다면 matching 은 functional form 없이 단순히 control variable에서 특성이 유사한 것들을 직접적으로 매칭하는 방법이다. 훨씬 더 직관적인 방법이라 볼 수 있다. Flexible 한 형태이다. • 즉, 회귀분석과 Matching 은 functional form 을 가정하느냐 안 하느냐의 차이만 존재한다. • Matching 을 하는 방법은 여러 가지가 있는데, 강의에서는 2가지만 소개.. 2023. 4. 21.

인과추론의 데이터 과학 - 인과추론 관점에서의 회귀분석 참고영상 : Bootcamp 2-3. 인과추론 관점에서의 회귀분석 1. Casual Hierarchy • 어떤 종류의 selection bias를 다룰 수 있는지에 대한 기준 • Selection on Observables strategies : 관찰 가능한 변수들에 의해서만 treatment와 control 이 선택된다는 가정을 가지고 관찰 가능한 변수들만을 가지고 selection bias를 설명하려는 경향 • Selection on Unobservables strategies : 관찰 가능하지 않은 교란 요인들도 적절한 실험디자인을 통해 해결하고자 하는 전략 ⇨ 좀 더 powerful 한 전략 2. How to balance between treatment and control groups ◯ Re.. 2023. 4. 21.

이전 1 2 3 4 5 다음

728x90

티스토리툴바