Ver3.0 ๐ ํต๊ณ ์ธ๊ณผ์ถ๋ก ๊ณผ ๋ฐ์ฌ์ค์ ์ถ๋ก ๊ธฐ๋ฒ

๐ ํต๊ณ ์ธ๊ณผ์ถ๋ก ๊ณผ ๋ฐ์ฌ์ค์ ์ถ๋ก ๊ธฐ๋ฒ
๋ฐ์ดํฐ๋ก '๋ง์ฝ์'๋ฅผ ์ฆ๋ช ํ๋ ๋ง๋ฒ ๊ฐ์ ์ด์ผ๊ธฐ โจ
์๋ ! ์ค๋์ ์ข ํน๋ณํ ์ด์ผ๊ธฐ๋ฅผ ํด๋ณผ๊น ํด. ๐ฏ ์ฐ๋ฆฌ๊ฐ ์ผ์์์ ์์ฃผ ํ๋ ์๊ฐ์ด ์์์? "๋ง์ฝ ๊ทธ๋ ๋ค๋ฅธ ์ ํ์ ํ๋ค๋ฉด ์ด๋ ์๊น?" ์ด๋ฐ ์๊ฐ ๋ง์ด์ผ. ๋๋๊ฒ๋ ํต๊ณํ์๋ ์ด๋ฐ '๋ง์ฝ์'๋ฅผ ๊ณผํ์ ์ผ๋ก ๋ถ์ํ๋ ๋ฐฉ๋ฒ์ด ์์ด. ๋ฐ๋ก ์ธ๊ณผ์ถ๋ก (Causal Inference)๊ณผ ๋ฐ์ฌ์ค์ ์ถ๋ก (Counterfactual Reasoning)์ด๋ผ๋ ๊ฑฐ์ง!
์ด ์ฃผ์ ๋ ๋จ์ํ ๋ฐ์ดํฐ๋ฅผ ๋ถ์ํ๋ ๊ฑธ ๋์ด์, ์์ธ๊ณผ ๊ฒฐ๊ณผ์ ๊ด๊ณ๋ฅผ ๋ฐํ๋ด๊ณ ์ค์ ๋ก ์ผ์ด๋์ง ์์ ์ํฉ๊น์ง ์ถ๋ก ํ ์ ์๊ฒ ํด์ค. ๋ง์น ํํ์ฐ์ฃผ๋ฅผ ๋ค์ฌ๋ค๋ณด๋ ๊ฒ์ฒ๋ผ ๋ง์ด์ผ. ๐ ์ฌ๋ฅ๋ท์ ์ง์์ธ์ ์ฒ์์ ์ด๋ฐ ๊น์ด ์๋ ํต๊ณ ์ง์์ ๋๋๊ฒ ๋์ด ์ ๋ง ๊ธฐ์๋ค!
๐ ์ธ๊ณผ์ถ๋ก ์ด ๋ญ๊ธธ๋?
๋จผ์ ๊ธฐ๋ณธ๋ถํฐ ์ง๊ณ ๋์ด๊ฐ์. ์ธ๊ณผ์ถ๋ก ์ ๋จ์ํ ๋ ๋ณ์ ์ฌ์ด์ ์๊ด๊ด๊ณ๋ฅผ ๋์ด์, ์ค์ ๋ก ํ๋๊ฐ ๋ค๋ฅธ ํ๋๋ฅผ '์ผ์ผ์ผฐ๋์ง'๋ฅผ ๋ฐํ๋ด๋ ํต๊ณ์ ๋ฐฉ๋ฒ๋ก ์ด์ผ. ๐
์ด๊ฑด ํต๊ณํ์ ๊ฐ์ฅ ์ ๋ช ํ ๊ฒฝ๊ณ ๋ฌธ์ด์ง. ๋ ๋ณ์๊ฐ ํจ๊ป ์์ง์ธ๋ค๊ณ ํด์ ํ๋๊ฐ ๋ค๋ฅธ ํ๋๋ฅผ ์ผ์ผํจ ๊ฑด ์๋๋ผ๋ ๊ฑฐ์ผ.
์๋ฅผ ๋ค์ด๋ณผ๊น? ๐ฆ ์์ด์คํฌ๋ฆผ ํ๋งค๋๊ณผ ์ต์ฌ ์ฌ๊ณ ๊ฐ ํจ๊ป ์ฆ๊ฐํ๋ค๋ ๋ฐ์ดํฐ๊ฐ ์๋ค๊ณ ํด๋ณด์. ๊ทธ๋ผ ์์ด์คํฌ๋ฆผ์ด ์ต์ฌ๋ฅผ ์ผ์ผํจ ๊ฑธ๊น? ๋น์ฐํ ์๋์ง! ๋ ๋ค ์ฌ๋ฆ์ด๋ผ๋ ๊ณตํต ์์ธ(confounding variable) ๋๋ฌธ์ ์ฆ๊ฐํ๋ ๊ฑฐ์ผ.
1. ์ฒ์น ํจ๊ณผ(Treatment Effect): ํน์ ๊ฐ์ ์ด๋ ํ๋์ด ๊ฒฐ๊ณผ์ ๋ฏธ์น๋ ์ํฅ์?
2. ๋ฐ์ฌ์ค(Counterfactual): ๋ง์ฝ ๋ค๋ฅด๊ฒ ํ๋ค๋ฉด ์ด๋ป๊ฒ ๋์๊น?
3. ๊ต๋ ๋ณ์(Confounders): ์ง์ง ์์ธ์ ๊ฐ๋ฆฌ๋ ์จ์ ๋ณ์๋?
4. ์ธ๊ณผ ๋ฉ์ปค๋์ฆ(Causal Mechanism): ์ด๋ค ๊ฒฝ๋ก๋ก ์ํฅ์ ๋ฏธ์น๋๊ฐ?
์ธ๊ณผ์ถ๋ก ์ด ์ค์ํ ์ด์ ๋ ๋ช ํํด. ์ฐ๋ฆฌ๊ฐ ์ ์ฑ ์ ๋ง๋ค๊ฑฐ๋, ๋น์ฆ๋์ค ์์ฌ๊ฒฐ์ ์ ํ๊ฑฐ๋, ์ํ์ ์น๋ฃ๋ฅผ ์ ํํ ๋, "์ด๊ฒ ์ ๋ง ํจ๊ณผ๊ฐ ์์๊น?"๋ฅผ ์์์ผ ํ๊ฑฐ๋ . ๋จ์ํ ์ฐ๊ด์ฑ๋ง ๋ณด๊ณ ๊ฒฐ์ ํ๋ฉด ํฐ ์ค์๋ฅผ ํ ์ ์์ด! ๐ก
๐ฏ ์ธ๊ณผ์ถ๋ก ์ ๊ธฐ๋ณธ ํ๋ ์์ํฌ
์ธ๊ณผ์ถ๋ก ์๋ ํฌ๊ฒ ๋ ๊ฐ์ง ์ฃผ์ ํ๋ ์์ํฌ๊ฐ ์์ด. ๊ฐ๊ฐ ๋ค๋ฅธ ๊ด์ ์์ ์ธ๊ณผ๊ด๊ณ๋ฅผ ๋ฐ๋ผ๋ณด์ง๋ง, ๊ฒฐ๊ตญ ๊ฐ์ ์ง์ค์ ํฅํด ๊ฐ๊ณ ์์ด. ๐
๋๋๋ ๋ฃจ๋น์ด ์ ์ํ ์ด ๋ชจ๋ธ์ ์ ์ฌ์ ๊ฒฐ๊ณผ ํ๋ ์์ํฌ(Potential Outcomes Framework)๋ผ๊ณ ๋ ๋ถ๋ฌ. ํต์ฌ ์์ด๋์ด๋ ์ด๊ฑฐ์ผ: ๊ฐ ๊ฐ์ฒด๋ ์ฒ์น๋ฅผ ๋ฐ์์ ๋์ ๊ฒฐ๊ณผ์ ๋ฐ์ง ์์์ ๋์ ๊ฒฐ๊ณผ, ๋ ๊ฐ์ง ์ ์ฌ์ ๊ฒฐ๊ณผ๋ฅผ ๋ชจ๋ ๊ฐ์ง๊ณ ์๋ค๋ ๊ฑฐ์ง.
Yi(0) : ๊ฐ์ฒด i๊ฐ ์ฒ์น๋ฅผ ๋ฐ์ง ์์์ ๋์ ๊ฒฐ๊ณผ
๊ฐ๋ณ ์ฒ์น ํจ๊ณผ = Yi(1) - Yi(0)
๋ฌธ์ ๋ ๋ญ๋๊ณ ? ๐ ์ฐ๋ฆฌ๋ ํ์ค์์ ๋ ์ค ํ๋๋ง ๊ด์ฐฐํ ์ ์๋ค๋ ๊ฑฐ์ผ! ์ด๋ค ์ฌ๋์ด ์ฝ์ ๋จน์๋ค๋ฉด, ๊ทธ ์ฌ๋์ด ์ฝ์ ์ ๋จน์์ ๋ ์ด๋ป๊ฒ ๋์์ง๋ ์ ๋ ๋ณผ ์ ์์ง. ์ด๊ฑธ ์ธ๊ณผ์ถ๋ก ์ ๊ทผ๋ณธ ๋ฌธ์ (Fundamental Problem of Causal Inference)๋ผ๊ณ ํด.
์ฃผ๋์ ํ์ด ๋ฐ์ ์ํจ ์ด ์ ๊ทผ๋ฒ์ ์ธ๊ณผ ๊ทธ๋ํ(Causal Graph)๋ฅผ ์ฌ์ฉํด. ๋ณ์๋ค ์ฌ์ด์ ์ธ๊ณผ ๊ด๊ณ๋ฅผ ํ์ดํ๋ก ํํํ๋ ๊ฑฐ์ง. ์ด๊ฑธ DAG(Directed Acyclic Graph, ๋ฐฉํฅ์ฑ ๋น์ํ ๊ทธ๋ํ)๋ผ๊ณ ๋ถ๋ฌ. ๐จ
DAG์ ๊ตฌ์ฑ์์:
โข ๋ ธ๋(Node): ๋ณ์๋ค (์: ๊ต์ก์์ค, ์๋, ๊ฑด๊ฐ)
โข ํ์ดํ(Arrow): ์ธ๊ณผ ๊ด๊ณ์ ๋ฐฉํฅ (A โ B๋ "A๊ฐ B๋ฅผ ์ผ์ผํจ๋ค")
โข ๊ฒฝ๋ก(Path): ๋ณ์๋ค์ ์ฐ๊ฒฐํ๋ ํ์ดํ์ ์ฐ์
ํ์ ์ ๊ทผ๋ฒ์ด ํ๋ช ์ ์ธ ์ด์ ๋ do-calculus๋ผ๋ ์ํ์ ๋๊ตฌ๋ฅผ ์ ๊ณตํ๊ธฐ ๋๋ฌธ์ด์ผ. ์ด๊ฑธ๋ก ๊ด์ฐฐ ๋ฐ์ดํฐ๋ง์ผ๋ก๋ ์ธ๊ณผ ํจ๊ณผ๋ฅผ ๊ณ์ฐํ ์ ์๋ ์กฐ๊ฑด์ ์ฐพ์ ์ ์์ด! ๐
์ผ์ชฝ: X๋ฅผ x๋ก ๊ฐ์ ๋ก ์ค์ ํ์ ๋ Y์ ๋ถํฌ (์ธ๊ณผ์ )
์ค๋ฅธ์ชฝ: X๊ฐ x์ธ ๊ฒ์ ๊ด์ฐฐํ์ ๋ Y์ ๋ถํฌ (์๊ด์ )
์ด ์ฐจ์ด๊ฐ ๋ฐ๋ก ์ธ๊ณผ์ถ๋ก ์ ํต์ฌ์ด์ผ! ๐
๐ ๋ฐ์ฌ์ค์ ์ถ๋ก : ์ผ์ด๋์ง ์์ ์ผ์ ์ถ๋ก ํ๊ธฐ
์, ์ด์ ์ ๋ง ํฅ๋ฏธ๋ก์ด ๋ถ๋ถ์ผ๋ก ๋ค์ด๊ฐ๋ณด์! ๋ฐ์ฌ์ค์ ์ถ๋ก (Counterfactual Reasoning)์ ๋ง ๊ทธ๋๋ก ์ฌ์ค์ ๋ฐํ๋(counter to fact) ์ํฉ์ ์ถ๋ก ํ๋ ๊ฑฐ์ผ. ๐ค
"๋ง์ฝ ๋ด๊ฐ ๊ทธ ํ์ฌ์ ์ ์ฌํ๋ค๋ฉด?", "๋ง์ฝ ๊ทธ ์ฝ์ ๋จน์ง ์์๋ค๋ฉด?", "๋ง์ฝ ๊ทธ ์ ์ฑ ์ ์ํํ์ง ์์๋ค๋ฉด?" ์ด๋ฐ ์ง๋ฌธ๋ค ๋ง์ด์ผ. ์ด๊ฒ ์ ์ค์ํ๋๊ณ ? ์ฐ๋ฆฌ์ ๋ง์ ์์ฌ๊ฒฐ์ ์ด ์ด๋ฐ ๋ฐ์ฌ์ค์ ์ฌ๊ณ ์ ๊ธฐ๋ฐํ๊ธฐ ๋๋ฌธ์ด์ง! ๐ญ
์ฃผ๋์ ํ์ ์ธ๊ณผ์ถ๋ก ์ ์ธ ๋จ๊ณ๋ก ๋๋ด์ด. ์ด๊ฑธ ์ธ๊ณผ์ ์ฌ๋ค๋ฆฌ(Ladder of Causation)๋ผ๊ณ ํด:
Level 1 - ์ฐ๊ด(Association): ๊ด์ฐฐํ๊ธฐ ๐
์ง๋ฌธ: "์ฆ์์ ๋ณด์ด๋ ํ์๊ฐ ์ง๋ณ์ ๊ฐ์ง ํ๋ฅ ์?"
๋ฐฉ๋ฒ: P(Y|X) - ์กฐ๊ฑด๋ถ ํ๋ฅ
๋ฅ๋ ฅ: ํจํด ์ธ์, ์์ธก
Level 2 - ๊ฐ์ (Intervention): ํ๋ํ๊ธฐ ๐ฏ
์ง๋ฌธ: "์ฝ์ ์ฃผ๋ฉด ์ฆ์์ด ์ฌ๋ผ์ง๊น?"
๋ฐฉ๋ฒ: P(Y|do(X)) - do-์ฐ์ฐ์
๋ฅ๋ ฅ: ์คํ ์ค๊ณ, ์ ์ฑ
ํ๊ฐ
Level 3 - ๋ฐ์ฌ์ค(Counterfactuals): ์์ํ๊ธฐ ๐
์ง๋ฌธ: "์ฝ์ ๋จน์ง ์์๋ค๋ฉด ์ด๋ ์๊น?"
๋ฐฉ๋ฒ: P(Yx'|X=x, Y=y) - ๋ฐ์ฌ์ค ํ๋ฅ
๋ฅ๋ ฅ: ์ค๋ช
, ์ฑ
์ ๊ท์, ํํ ๋ถ์
๊ฐ ์์ค์ ์ด์ ์์ค๋ณด๋ค ๋ ๋ง์ ์ ๋ณด๋ฅผ ํ์๋ก ํด. ๊ทธ๋ฆฌ๊ณ ๋ ๊ฐ๋ ฅํ ๊ฒฐ๋ก ์ ๋ด๋ฆด ์ ์์ง! ๐
๋ฐ์ฌ์ค์ ์ถ๋ก ์ ๋ค์ํ ๋ถ์ผ์์ ํ์ฉ๋ผ:
์ฌ๋ฅ๋ท ๊ฐ์ ํ๋ซํผ์์๋ ์ด๋ฐ ๋ถ์์ด ์ค์ํด. "์ด ์ฌ๋ฅ ํ๋งค์์ ํ๋กํ ๊ฐ์ ์ด ์ค์ ๋ก ๊ฑฐ๋ ์ฑ์ฌ์จ์ ๋์์๊น?"๋ฅผ ์๋ ค๋ฉด ๋ฐ์ฌ์ค์ ์ถ๋ก ์ด ํ์ํ๊ฑฐ๋ ! ๐
๐ ๏ธ ์ฃผ์ ์ธ๊ณผ์ถ๋ก ๊ธฐ๋ฒ๋ค
์ด๋ก ์ ์ถฉ๋ถํ ๋ดค์ผ๋, ์ด์ ์ค์ ๋ก ์ด๋ป๊ฒ ์ธ๊ณผ๊ด๊ณ๋ฅผ ์ถ๋ก ํ๋์ง ๊ตฌ์ฒด์ ์ธ ๋ฐฉ๋ฒ๋ค์ ์์๋ณด์! ๊ฐ ๊ธฐ๋ฒ๋ง๋ค ์ฅ๋จ์ ์ด ์๊ณ , ์ํฉ์ ๋ง๊ฒ ์ ํํด์ผ ํด. ๐จ
์ด๊ฑด ์ธ๊ณผ์ถ๋ก ์ ํฉ๊ธ ํ์ค(Gold Standard)์ด์ผ! ๐ฅ ์ฐธ๊ฐ์๋ค์ ๋ฌด์์๋ก ์ฒ์น๊ตฐ๊ณผ ๋์กฐ๊ตฐ์ผ๋ก ๋๋๋ ๊ฑฐ์ง.
์๋ ์๋ฆฌ:
โข ๋ฌด์์ ๋ฐฐ์ ์ผ๋ก ์ฒ์น๊ตฐ๊ณผ ๋์กฐ๊ตฐ์ด ํ๊ท ์ ์ผ๋ก ๋์ผํด์ง
โข ๊ต๋ ๋ณ์๊ฐ ๋ ๊ทธ๋ฃน์ ๊ท ๋ฑํ๊ฒ ๋ถํฌ
โข ๋ฐ๋ผ์ ๊ฒฐ๊ณผ์ ์ฐจ์ด๋ ์ฒ์น ํจ๊ณผ๋ก ํด์ ๊ฐ๋ฅ
T=1: ์ฒ์น๊ตฐ, T=0: ๋์กฐ๊ตฐ
์ฅ์ : ์ธ๊ณผ๊ด๊ณ๋ฅผ ๊ฐ์ฅ ๋ช
ํํ๊ฒ ์
์ฆ โ
๋จ์ : ๋น์ฉ์ด ๋ง์ด ๋ค๊ณ , ์ค๋ฆฌ์ ๋ฌธ์ ๊ฐ ์์ ์ ์์ผ๋ฉฐ, ํญ์ ์คํ ๊ฐ๋ฅํ ๊ฑด ์๋ โ ๏ธ
RCT๋ฅผ ํ ์ ์์ ๋ ์ฌ์ฉํ๋ ๋ฐฉ๋ฒ์ด์ผ. ๊ด์ฐฐ ๋ฐ์ดํฐ์์ ์ฒ์น๋ฅผ ๋ฐ์ ํ๋ฅ (์ฑํฅ ์ ์)์ด ๋น์ทํ ๊ฐ์ฒด๋ค์ ์ง์ง์ด์ฃผ๋ ๊ฑฐ์ง. ๐ฒ
๋จ๊ณ๋ณ ํ๋ก์ธ์ค:
1. ๋ก์ง์คํฑ ํ๊ท ๋ฑ์ผ๋ก ์ฑํฅ ์ ์ ์ถ์ : e(X) = P(T=1|X)
2. ์ฑํฅ ์ ์๊ฐ ๋น์ทํ ์ฒ์น๊ตฐ-๋์กฐ๊ตฐ ์์ ๋งค์นญ
3. ๋งค์นญ๋ ์ํ์์ ์ฒ์น ํจ๊ณผ ๊ณ์ฐ
์๋ฅผ ๋ค์ด, ๋ํ ์งํ์ด ์๋์ ๋ฏธ์น๋ ์ํฅ์ ๋ณด๊ณ ์ถ๋ค๋ฉด? ๋ํ ๊ฐ ์ฌ๋๊ณผ ์ ๊ฐ ์ฌ๋์ ๋น๊ตํ๋, ๊ฐ์ ๋ฐฐ๊ฒฝ, ์ฑ์ , ๋๊ธฐ ๋ฑ์ด ๋น์ทํ ์ฌ๋๋ค๋ผ๋ฆฌ ๋น๊ตํ๋ ๊ฑฐ์ผ. ๊ทธ๋์ผ ๊ณต์ ํ์ง! ๐
์ฅ์ : ๊ด์ฐฐ ๋ฐ์ดํฐ๋ก ์ธ๊ณผ ํจ๊ณผ ์ถ์ ๊ฐ๋ฅ
๋จ์ : ๊ด์ฐฐ๋์ง ์์ ๊ต๋ ๋ณ์๋ ํต์ ๋ถ๊ฐ (hidden confounding)
์ด๊ฑด ์ข ํธickyํ ๋ฐฉ๋ฒ์ธ๋ฐ, ์ ๋ง ์๋ฆฌํด! ๐ง ์ฒ์น์๋ ์ํฅ์ ์ฃผ์ง๋ง ๊ฒฐ๊ณผ์๋ ์ง์ ์ ์ธ ์ํฅ์ ์ฃผ์ง ์๋ ๋๊ตฌ ๋ณ์๋ฅผ ์ฐพ๋ ๊ฑฐ์ผ.
๋๊ตฌ ๋ณ์์ ์กฐ๊ฑด:
1. ๊ด๋ จ์ฑ(Relevance): Z๊ฐ X์ ์ํฅ์ ์ค
2. ์ธ์์ฑ(Exogeneity): Z๊ฐ Y์ ์ง์ ์ํฅ์ ์ฃผ์ง ์์
3. ๋ฐฐ์ ์ ์ฝ(Exclusion Restriction): Z๊ฐ Y์ ์ํฅ์ ์ฃผ๋ ์ ์ผํ ๊ฒฝ๋ก๋ X๋ฅผ ํตํด์๋ง
์ ๋ช ํ ์์: ๊ต์ก์ ์์ต๋ฅ ์ ์๊ณ ์ถ์๋ฐ, ๋ฅ๋ ฅ์ด๋ผ๋ ๊ต๋ ๋ณ์๊ฐ ์์ด. ์ด๋ "์ถ์ ๋ถ๊ธฐ"๋ฅผ ๋๊ตฌ ๋ณ์๋ก ์ฌ์ฉํ ์ ์์ด! ์๋ํ๋ฉด:
โข ์ถ์ ๋ถ๊ธฐ ์์ฒด๊ฐ ์๋์ ์ง์ ์ํฅ์ ์ฃผ์ง ์์ (์ธ์์ฑ) โ
โข ์ถ์ ๋ถ๊ธฐ๊ฐ ์๋์ ์ํฅ์ ์ฃผ๋ ๊ฑด ์ค์ง ๊ต์ก์ ํตํด์๋ง (๋ฐฐ์ ์ ์ฝ) โ
1๋จ๊ณ: X = ฮฑ + ฮฒZ + ฮต
2๋จ๊ณ: Y = ฮณ + ฮดXฬ + u
ฮด๊ฐ ์ธ๊ณผ ํจ๊ณผ ์ถ์ ์น
์ด๊ฑด ์ ์ฑ ํ๊ฐ์์ ์์ฃผ ์ฐ์ด๋ ๋ฐฉ๋ฒ์ด์ผ! ๐๏ธ ์ฒ์น ์ ํ์ ๋ณํ๋ฅผ ์ฒ์น๊ตฐ๊ณผ ๋์กฐ๊ตฐ์์ ๋น๊ตํ๋ ๊ฑฐ์ง.
ํต์ฌ ์์ด๋์ด:
์ฒ์น๊ตฐ์ ๋ณํ - ๋์กฐ๊ตฐ์ ๋ณํ = ์ฒ์น ํจ๊ณผ
์ด๋ ๊ฒ ํ๋ฉด ์๊ฐ์ ๋ฐ๋ฅธ ๊ณตํต ์ถ์ธ๋ฅผ ์ ๊ฑฐํ ์ ์์ด!
G=1: ์ฒ์น๊ตฐ, G=0: ๋์กฐ๊ตฐ
T=1: ์ฒ์น ํ, T=0: ์ฒ์น ์
์์: ์ต์ ์๊ธ ์ธ์์ด ๊ณ ์ฉ์ ๋ฏธ์น๋ ์ํฅ์ ๋ณด๊ณ ์ถ๋ค๋ฉด? ์ต์ ์๊ธ์ ์ฌ๋ฆฐ ์ฃผ(์ฒ์น๊ตฐ)์ ์ฌ๋ฆฌ์ง ์์ ์ฃผ(๋์กฐ๊ตฐ)์ ๊ณ ์ฉ ๋ณํ๋ฅผ ๋น๊ตํ๋ ๊ฑฐ์ผ. ๐
ํต์ฌ ๊ฐ์ : ํํ ์ถ์ธ ๊ฐ์ (Parallel Trends Assumption) - ์ฒ์น๊ฐ ์์๋ค๋ฉด ๋ ๊ทธ๋ฃน์ ์ถ์ธ๊ฐ ํํํ์ ๊ฒ
์ด๊ฑด ์ ๋ง ์ฐ์ํ ๋ฐฉ๋ฒ์ด์ผ! ๐ฏ ์ด๋ค ์๊ณ๊ฐ์ ๊ธฐ์ค์ผ๋ก ์ฒ์น๊ฐ ๊ฒฐ์ ๋ ๋ ์ฌ์ฉํด.
์์:
โข ๋์ด 65์ธ๋ฅผ ๊ธฐ์ค์ผ๋ก ํ ์ฐ๊ธ ์๋ น ์๊ฒฉ
โข ๋ํ์จ 50%๋ฅผ ๊ธฐ์ค์ผ๋ก ํ ๋น์ /๋์
โข ์๋ ๊ธฐ์ค์ผ๋ก ํ ๋ณต์ง ํํ ์๊ฒฉ
ฮตโ0
c: ์๊ณ๊ฐ, ฯ: ์ฒ์น ํจ๊ณผ
์ฅ์ : ๊ฐ๋ ฅํ ์ธ๊ณผ ์ถ๋ก , ๊ฐ์ ์ด ๋น๊ต์ ์ฝํจ
๋จ์ : ์๊ณ๊ฐ ๊ทผ์ฒ์์๋ง ํจ๊ณผ ์ถ์ ๊ฐ๋ฅ (Local Average Treatment Effect)
์ด๊ฑด ๋น๊ต์ ์ต๊ทผ์ ๊ฐ๋ฐ๋ ๋ฐฉ๋ฒ์ธ๋ฐ, ์ ๋ง ์ฐฝ์์ ์ด์ผ! ๐ก ์ฒ์น๋ฅผ ๋ฐ์ง ์์ ์ฌ๋ฌ ๋จ์๋ค์ ๊ฐ์ค ํ๊ท ์ผ๋ก ํฉ์ฑ ๋์กฐ๊ตฐ์ ๋ง๋๋ ๊ฑฐ์ง.
์ธ์ ์ฌ์ฉ?
โข ์ฒ์น ๋จ์๊ฐ ํ๋๋ฟ์ผ ๋ (์: ํ ๊ตญ๊ฐ, ํ ์ฃผ)
โข ์ ์ ํ ๋์กฐ๊ตฐ์ ์ฐพ๊ธฐ ์ด๋ ค์ธ ๋
โข ์ ์ฑ ํจ๊ณผ๋ฅผ ํ๊ฐํ ๋
์ ๋ช ํ ์์: ์บ๋ฆฌํฌ๋์์ ๋ด๋ฐฐ ๊ท์ ์ ์ฑ ํจ๊ณผ๋ฅผ ํ๊ฐํ ๋, ๋ค๋ฅธ ์ฃผ๋ค์ ๊ฐ์ค ํ๊ท ์ผ๋ก "ํฉ์ฑ ์บ๋ฆฌํฌ๋์"๋ฅผ ๋ง๋ค์ด์ ๋น๊ตํ์ด. ๐ฌ
๐งฎ ๋ฐ์ฌ์ค์ ์ถ๋ก ์ ์ํ์ ๊ธฐ์ด
์ด์ ์ข ๋ ๊น์ด ๋ค์ด๊ฐ๋ณผ๊น? ๋ฐ์ฌ์ค์ ์ถ๋ก ์ ์ํ์ ๊ธฐ์ด๋ฅผ ์ดํดํ๋ฉด, ์ ์ด๊ฒ ์๋ํ๋์ง ๋ ๋ช ํํด์ ธ. ๊ฑฑ์ ๋ง, ์ต๋ํ ์ฝ๊ฒ ์ค๋ช ํ ๊ฒ! ๐
๋ฐ์ฌ์ค์ ์ํ์ ์ผ๋ก ํํํ๋ ค๋ฉด ๊ตฌ์กฐ ๋ฐฉ์ ์์ด ํ์ํด. ์ด๊ฑด ๊ฐ ๋ณ์๊ฐ ์ด๋ป๊ฒ ์์ฑ๋๋์ง๋ฅผ ๋ํ๋ด๋ ํจ์์ผ.
X = g(Z, UX)
U: ๊ด์ฐฐ๋์ง ์์ ์ธ์ ๋ณ์ (๋ ธ์ด์ฆ)
์ด ๋ฐฉ์ ์๋ค์ ๋ฐ์ดํฐ ์์ฑ ๊ณผ์ (Data Generating Process)์ ๋ํ๋ด. ์ค์ํ ๊ฑด, ์ด ํจ์๋ค์ด ์ธ๊ณผ์ ๋ฉ์ปค๋์ฆ์ ํํํ๋ค๋ ๊ฑฐ์ผ! ๐ง
ํ์ do-์ฐ์ฐ์๋ ์ ๋ง ํ๋ช ์ ์ด์ผ. ์ด๊ฒ ๊ด์ฐฐ๊ณผ ๊ฐ์ ์ ์ฐจ์ด๋ฅผ ์ํ์ ์ผ๋ก ํํํด์ฃผ๊ฑฐ๋ !
๊ด์ฐฐ (Seeing): P(Y|X=x)
โ X๊ฐ x์ธ ๊ฒ์ ๊ด์ฐฐํ์ ๋, Y์ ๋ถํฌ
โ X์ ์์ธ๋ค๋ ํจ๊ป ๊ณ ๋ ค๋จ
๊ฐ์ (Doing): P(Y|do(X=x))
โ X๋ฅผ ๊ฐ์ ๋ก x๋ก ์ค์ ํ์ ๋, Y์ ๋ถํฌ
โ X๋ก ๋ค์ด์ค๋ ๋ชจ๋ ํ์ดํ๋ฅผ ๋์
์๋ฅผ ๋ค์ด๋ณผ๊น? ๐ก๏ธ
๊ด์ฐฐ: P(Y|X=30ยฐC) - ์จ๋๊ณ๊ฐ 30๋๋ฅผ ๊ฐ๋ฆฌํฌ ๋ ์ค์ ์จ๋
โ ์จ๋๊ณ๊ฐ ์ ํํ๋ค๋ฉด ์ค์ ๋ก๋ 30๋์ผ ํ๋ฅ ์ด ๋์
๊ฐ์ : P(Y|do(X=30ยฐC)) - ์จ๋๊ณ๋ฅผ ๊ฐ์ ๋ก 30๋๋ก ์กฐ์ํ์ ๋
โ ์ค์ ์จ๋๋ ๋ณํ์ง ์์! ์จ๋๊ณ๋ง ๋ฐ๋
์ด ์ฐจ์ด๊ฐ ๋ฐ๋ก ์๊ด๊ณผ ์ธ๊ณผ์ ์ฐจ์ด์ผ! ๐ก
ํ์ ๋ฐ์ฌ์ค์ ๊ณ์ฐํ๋ ์ฒด๊ณ์ ์ธ ๋ฐฉ๋ฒ์ ์ ์ํ์ด:
1๋จ๊ณ: Abduction (๊ท์ถ)
๊ด์ฐฐ๋ ์ฆ๊ฑฐ๋ฅผ ๋ฐํ์ผ๋ก ์ธ์ ๋ณ์ U์ ๊ฐ์ ์ถ๋ก
P(U|E=e) ๊ณ์ฐ
2๋จ๊ณ: Action (ํ๋)
๋ชจ๋ธ์ ์์ ํ์ฌ ๋ฐ์ฌ์ค์ ์กฐ๊ฑด์ ๋ฐ์
X๋ฅผ x'๋ก ์ค์ (do(X=x'))
3๋จ๊ณ: Prediction (์์ธก)
์์ ๋ ๋ชจ๋ธ์์ Y์ ๊ฐ์ ๊ณ์ฐ
P(Yx'|E=e) ๊ณ์ฐ
๊ตฌ์ฒด์ ์ธ ์์๋ก ์ดํดํด๋ณด์! ๐ฏ
์ํฉ: ํ์๊ฐ ์ฝ A๋ฅผ ๋จน๊ณ ํ๋ณตํ์ด. ๋ง์ฝ ์ฝ B๋ฅผ ๋จน์๋ค๋ฉด?
1๋จ๊ณ: ํ์์ ํน์ฑ(๋์ด, ๊ฑด๊ฐ ์ํ ๋ฑ)์ ๋ฐํ์ผ๋ก U ์ถ๋ก
2๋จ๊ณ: ๋ชจ๋ธ์์ "์ฝ A ๋ณต์ฉ"์ "์ฝ B ๋ณต์ฉ"์ผ๋ก ๋ณ๊ฒฝ
3๋จ๊ณ: ์ฝ B๋ฅผ ๋จน์์ ๋์ ํ๋ณต ํ๋ฅ ๊ณ์ฐ
์ธ๊ณผ์ถ๋ก ์์๋ ์ฌ๋ฌ ์ข ๋ฅ์ ์ฒ์น ํจ๊ณผ๋ฅผ ๊ตฌ๋ถํด:
1. ATE (Average Treatment Effect):
์ ์ฒด ๋ชจ์ง๋จ์์์ ํ๊ท ์ฒ์น ํจ๊ณผ
2. ATT (Average Treatment Effect on the Treated):
์ค์ ๋ก ์ฒ์น๋ฅผ ๋ฐ์ ์ฌ๋๋ค์์์ ํ๊ท ํจ๊ณผ
3. CATE (Conditional Average Treatment Effect):
ํน์ ์กฐ๊ฑด X=x์์์ ํ๊ท ์ฒ์น ํจ๊ณผ
4. ITE (Individual Treatment Effect):
๊ฐ๋ณ ๊ฐ์ฒด i์ ์ฒ์น ํจ๊ณผ
์ด ์ค์์ ITE๊ฐ ๋ฐ๋ก ๋ฐ์ฌ์ค์ ์ถ๋ก ์ ํต์ฌ์ด์ผ! ํ์ง๋ง ์์ ๋งํ๋ฏ์ด, ์ฐ๋ฆฌ๋ Yi(1)๊ณผ Yi(0)์ ๋์์ ๊ด์ฐฐํ ์ ์์ด. ๊ทธ๋์ ๋ค๋ฅธ ๋ฐฉ๋ฒ๋ค๋ก ์ถ์ ํด์ผ ํ์ง. ๐ค
์ธ๊ณผ ํจ๊ณผ๊ฐ ์๋ณ ๊ฐ๋ฅํ๋ค๋ ๊ฑด, ๊ด์ฐฐ ๋ฐ์ดํฐ๋ง์ผ๋ก ๊ทธ ํจ๊ณผ๋ฅผ ๊ณ์ฐํ ์ ์๋ค๋ ๋ป์ด์ผ. ์ด๊ฒ ๊ฐ๋ฅํ๋ ค๋ฉด ํน์ ์กฐ๊ฑด๋ค์ด ํ์ํด:
โ X๋ฅผ ์กฐ๊ฑด์ผ๋ก ํ์ ๋, ์ ์ฌ์ ๊ฒฐ๊ณผ๊ฐ ์ฒ์น ๋ฐฐ์ ๊ณผ ๋ ๋ฆฝ
2. ์์ ํ๋ฅ (Positivity):
0 < P(T=1|X) < 1
โ ๋ชจ๋ X ๊ฐ์์ ์ฒ์น๋ฅผ ๋ฐ์ ํ๋ฅ ์ด 0๊ณผ 1 ์ฌ์ด
3. ์ผ๊ด์ฑ (Consistency):
T=t์ด๋ฉด Y = Y(t)
โ ๊ด์ฐฐ๋ ๊ฒฐ๊ณผ๋ ํด๋น ์ฒ์น์ ์ ์ฌ์ ๊ฒฐ๊ณผ์ ๊ฐ์
์ด ์ธ ๊ฐ์ ์ ํฉ์ณ์ ๊ฐํ ๋ฌด์๊ฐ๋ฅ์ฑ(Strong Ignorability)์ด๋ผ๊ณ ๋ถ๋ฌ. ์ด๊ฒ ๋ง์กฑ๋๋ฉด ์ธ๊ณผ ํจ๊ณผ๋ฅผ ์๋ณํ ์ ์์ด! ๐
๐ป ์ค์ ์ ์ฉ: ํ์ด์ฌ์ผ๋ก ์ธ๊ณผ์ถ๋ก ํ๊ธฐ
์ด๋ก ๋ง ์๋ฉด ๋ญํด, ์ค์ ๋ก ํด๋ด์ผ์ง! ๐ ํ์ด์ฌ์๋ ์ธ๊ณผ์ถ๋ก ์ ์ํ ํ๋ฅญํ ๋ผ์ด๋ธ๋ฌ๋ฆฌ๋ค์ด ๋ง์. ๋ช ๊ฐ์ง ์์๋ฅผ ๋ณด์ฌ์ค๊ฒ.
1. DoWhy: Microsoft์์ ๊ฐ๋ฐํ ์ธ๊ณผ์ถ๋ก ๋ผ์ด๋ธ๋ฌ๋ฆฌ
โข ์ธ๊ณผ ๊ทธ๋ํ ๊ธฐ๋ฐ ์ ๊ทผ
โข ๋ค์ํ ์ถ์ ๋ฐฉ๋ฒ ์ง์
โข ๊ฐ๊ฑด์ฑ ๊ฒ์ฆ ๊ธฐ๋ฅ
2. CausalML: Uber์์ ๊ฐ๋ฐ
โข ๋จธ์ ๋ฌ๋ ๊ธฐ๋ฐ ์ธ๊ณผ์ถ๋ก
โข CATE ์ถ์ ์ ํนํ
โข ๋ฉํ ๋ฌ๋ ์๊ณ ๋ฆฌ์ฆ ์ ๊ณต
3. EconML: Microsoft์์ ๊ฐ๋ฐ
โข ๊ฒฝ์ ํ์ ๋ฐฉ๋ฒ๋ก ๊ตฌํ
โข ์ด์ค ๋จธ์ ๋ฌ๋ (Double ML)
โข ๋๊ตฌ ๋ณ์ ๋ฐฉ๋ฒ
4. CausalImpact: Google์์ ๊ฐ๋ฐ (R ์๋ณธ, Python ํฌํ )
โข ์๊ณ์ด ์ธ๊ณผ ๋ถ์
โข ๋ฒ ์ด์ง์ ๊ตฌ์กฐ ์๊ณ์ด ๋ชจ๋ธ
DoWhy์ 4๋จ๊ณ ์ํฌํ๋ก์ฐ๋ฅผ ์ดํด๋ณด์:
import dowhy
from dowhy import CausalModel
import pandas as pd
import numpy as np
# 1๋จ๊ณ: ์ธ๊ณผ ๋ชจ๋ธ ์ ์
model = CausalModel(
data=df,
treatment='treatment',
outcome='outcome',
common_causes=['confounder1', 'confounder2'],
instruments=['instrument']
)
# 2๋จ๊ณ: ์ธ๊ณผ ๊ทธ๋ํ ํ์ธ
model.view_model()
# 3๋จ๊ณ: ์ธ๊ณผ ํจ๊ณผ ์๋ณ
identified_estimand = model.identify_effect(
proceed_when_unidentifiable=True
)
# 4๋จ๊ณ: ์ธ๊ณผ ํจ๊ณผ ์ถ์
estimate = model.estimate_effect(
identified_estimand,
method_name="backdoor.propensity_score_matching"
)
print(estimate)
# 5๋จ๊ณ: ๊ฐ๊ฑด์ฑ ๊ฒ์ฆ
refute_results = model.refute_estimate(
identified_estimand,
estimate,
method_name="random_common_cause"
)
์ฑํฅ ์ ์ ๋งค์นญ์ ์ง์ ๊ตฌํํด๋ณด์:
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import NearestNeighbors
import numpy as np
# 1. ์ฑํฅ ์ ์ ์ถ์
X = df[['age', 'income', 'education']] # ๊ณต๋ณ๋
T = df['treatment'] # ์ฒ์น
ps_model = LogisticRegression()
ps_model.fit(X, T)
propensity_scores = ps_model.predict_proba(X)[:, 1]
# 2. ๋งค์นญ ์ํ
treated = df[T == 1]
control = df[T == 0]
ps_treated = propensity_scores[T == 1]
ps_control = propensity_scores[T == 0]
# ์ต๊ทผ์ ์ด์ ๋งค์นญ
nn = NearestNeighbors(n_neighbors=1, metric='euclidean')
nn.fit(ps_control.reshape(-1, 1))
distances, indices = nn.kneighbors(ps_treated.reshape(-1, 1))
# 3. ์ฒ์น ํจ๊ณผ ๊ณ์ฐ
matched_control = control.iloc[indices.flatten()]
ate = (treated['outcome'].mean() -
matched_control['outcome'].mean())
print(f"Average Treatment Effect: {ate:.3f}")
DID๋ ํจ๋ ๋ฐ์ดํฐ์์ ์์ฃผ ์ฌ์ฉ๋ผ:
import pandas as pd
import statsmodels.formula.api as smf
# ๋ฐ์ดํฐ ๊ตฌ์กฐ:
# group: ์ฒ์น๊ตฐ(1) vs ๋์กฐ๊ตฐ(0)
# post: ์ฒ์น ํ(1) vs ์ฒ์น ์ (0)
# outcome: ๊ฒฐ๊ณผ ๋ณ์
# DID ํ๊ท ๋ชจ๋ธ
model = smf.ols(
'outcome ~ group + post + group:post',
data=df
).fit()
# group:post์ ๊ณ์๊ฐ DID ์ถ์ ์น
did_estimate = model.params['group:post']
print(f"DID Estimate: {did_estimate:.3f}")
print(f"P-value: {model.pvalues['group:post']:.4f}")
# ํํ ์ถ์ธ ๊ฐ์ ๊ฒ์ฆ
pre_treatment = df[df['post'] == 0]
pre_model = smf.ols(
'outcome ~ group + time + group:time',
data=pre_treatment
).fit()
# group:time์ด ์ ์ํ์ง ์์์ผ ํํ ์ถ์ธ ๊ฐ์ ๋ง์กฑ
print(f"Pre-trend test p-value: {pre_model.pvalues['group:time']:.4f}")
CausalML์ ์ฌ์ฉํ ์ด์ง์ ์ฒ์น ํจ๊ณผ ์ถ์ :
from causalml.inference.meta import LRSRegressor
from causalml.inference.meta import XGBTRegressor
from sklearn.model_selection import train_test_split
# ๋ฐ์ดํฐ ์ค๋น
X = df[features]
treatment = df['treatment']
y = df['outcome']
X_train, X_test, t_train, t_test, y_train, y_test = train_test_split(
X, treatment, y, test_size=0.2, random_state=42
)
# S-Learner (Single Model)
s_learner = LRSRegressor()
s_learner.fit(X_train, t_train, y_train)
cate_s = s_learner.predict(X_test)
# T-Learner (Two Models)
t_learner = XGBTRegressor()
t_learner.fit(X_train, t_train, y_train)
cate_t = t_learner.predict(X_test)
# X-Learner (๋ ์ ๊ตํ ๋ฐฉ๋ฒ)
from causalml.inference.meta import BaseXRegressor
x_learner = BaseXRegressor(learner=XGBRegressor())
x_learner.fit(X_train, t_train, y_train)
cate_x = x_learner.predict(X_test)
# CATE ๋ถํฌ ์๊ฐํ
import matplotlib.pyplot as plt
plt.hist(cate_x, bins=30, alpha=0.7)
plt.xlabel('Estimated CATE')
plt.ylabel('Frequency')
plt.title('Distribution of Conditional Average Treatment Effects')
plt.show()
S-Learner: ์ฒ์น ๋ณ์๋ฅผ ํน์ฑ์ผ๋ก ํฌํจํ ๋จ์ผ ๋ชจ๋ธ
T-Learner: ์ฒ์น๊ตฐ๊ณผ ๋์กฐ๊ตฐ์ ๋ํด ๋ณ๋ ๋ชจ๋ธ ํ์ต
X-Learner: T-Learner๋ฅผ ๊ฐ์ ํ์ฌ ์ํ ํฌ๊ธฐ ๋ถ๊ท ํ ์ฒ๋ฆฌ
R-Learner: ์์ฐจ ๊ธฐ๋ฐ ํ์ต์ผ๋ก ๊ต๋ ๋ณ์ ํจ๊ณผ ์ ๊ฑฐ
๊ด์ฐฐ๋์ง ์์ ๊ต๋ ๋ณ์์ ๋ํ ๋ฏผ๊ฐ๋๋ฅผ ๋ถ์ํ๋ ๊ฒ๋ ์ค์ํด:
from dowhy import CausalModel
# ๋ฏผ๊ฐ๋ ๋ถ์: ์จ์ ๊ต๋ ๋ณ์์ ์ํฅ ํ๊ฐ
refutation = model.refute_estimate(
identified_estimand,
estimate,
method_name="add_unobserved_common_cause",
confounders_effect_on_treatment="binary_flip",
confounders_effect_on_outcome="linear",
effect_strength_on_treatment=0.1,
effect_strength_on_outcome=0.1
)
print(refutation)
# ํ๋ผ์๋ณด ์ฒ์น ๊ฒ์ฆ
placebo_refutation = model.refute_estimate(
identified_estimand,
estimate,
method_name="placebo_treatment_refuter",
placebo_type="permute"
)
print(placebo_refutation)
์ด๋ฐ ๊ฒ์ฆ๋ค์ ํตํด ์ฐ๋ฆฌ์ ์ธ๊ณผ ์ถ๋ก ์ด ์ผ๋ง๋ ๊ฐ๊ฑดํ์ง ํ์ธํ ์ ์์ด! ๐ช
๐ ์ค์ ์ฌ๋ก ์ฐ๊ตฌ
์ด๋ก ๊ณผ ์ฝ๋๋ฅผ ๋ดค์ผ๋, ์ด์ ์ค์ ๋ก ์ด๋ป๊ฒ ํ์ฉ๋๋์ง ํฅ๋ฏธ๋ก์ด ์ฌ๋ก๋ค์ ์ดํด๋ณด์! ๐ฌ
์ญ์ฌ์ ์ผ๋ก ๊ฐ์ฅ ์ ๋ช ํ ์ธ๊ณผ์ถ๋ก ์ฌ๋ก ์ค ํ๋์ผ. 1950๋ ๋์ ํก์ฐ๊ณผ ํ์์ ๊ด๊ณ๊ฐ ๋ ผ์์ด์์ด. ๐ฌ
๋ฌธ์ :
ํก์ฐ์์๊ฒ์ ํ์์ด ๋ ๋ง์ด ๋ฐ๊ฒฌ๋จ (์๊ด๊ด๊ณ)
ํ์ง๋ง ์ด๊ฒ ์ธ๊ณผ๊ด๊ณ์ผ๊น?
๋์ ๊ฐ์ค:
์ ์ ์ ์์ธ์ด ํก์ฐ ์ฑํฅ๊ณผ ํ์ ๊ฐ์์ฑ์ ๋ชจ๋ ๋์ธ๋ค?
ํด๊ฒฐ:
โข ์ฝํธํธ ์ฐ๊ตฌ: ์์ญ ๋ ๊ฐ ์ถ์ ๊ด์ฐฐ
โข ์ฉ๋-๋ฐ์ ๊ด๊ณ: ํก์ฐ๋์ด ๋ง์์๋ก ํ์ ์ํ ์ฆ๊ฐ
โข ์๊ฐ์ ์ ํ ๊ด๊ณ: ํก์ฐ์ด ํ์๋ณด๋ค ๋จผ์
โข ์๋ฌผํ์ ๋ฉ์ปค๋์ฆ: ๋ด๋ฐฐ ์ฐ๊ธฐ์ ๋ฐ์ ๋ฌผ์ง ํ์ธ
โข ๊ธ์ฐ ํ ์ํ ๊ฐ์ ํ์ธ
์ด ์ฌ๋ก๋ RCT ์์ด๋ ๊ฐ๋ ฅํ ์ธ๊ณผ ์ฆ๊ฑฐ๋ฅผ ๋ชจ์ ์ ์์์ ๋ณด์ฌ์ค! (์ค๋ฆฌ์ ์ผ๋ก ์ฌ๋๋ค์๊ฒ ํก์ฐ์ ๊ฐ์ ํ ์ ์์ผ๋๊น) ๐ฏ
1992๋ ๋ด์ ์ง์ ํ์ค๋ฒ ์ด๋์์ ํจ์คํธํธ๋ ์ฐ๊ตฌ๋ DID์ ๊ณ ์ ์ ์ฌ๋ก์ผ. ๐
์ธ์ ํ ํ์ค๋ฒ ์ด๋์๋ $4.25 ์ ์ง
์ฐ๊ตฌ ์ค๊ณ:
โข ์ฒ์น๊ตฐ: ๋ด์ ์ง ํจ์คํธํธ๋์
โข ๋์กฐ๊ตฐ: ํ์ค๋ฒ ์ด๋์ ๋๋ถ ํจ์คํธํธ๋์
โข ์ธก์ : ์๊ธ ์ธ์ ์ ํ ๊ณ ์ฉ ๋ณํ
๊ฒฐ๊ณผ:
๋๋๊ฒ๋ ๋ด์ ์ง์ ๊ณ ์ฉ์ด ์คํ๋ ค ์ฝ๊ฐ ์ฆ๊ฐ!
์ ํต์ ๊ฒฝ์ ์ด๋ก ๊ณผ ์๋ฐ๋๋ ๊ฒฐ๊ณผ
ํด์:
โข ๋ ธ๋ ์์ฅ์ด ์์ ๊ฒฝ์์ด ์๋ ์ ์์
โข ๋จ๊ธฐ ํจ๊ณผ์ ์ฅ๊ธฐ ํจ๊ณผ๊ฐ ๋ค๋ฅผ ์ ์์
โข ์ง์ญ์ ๋งฅ๋ฝ์ด ์ค์
์ด ์ฐ๊ตฌ๋ ์์ฐ ์คํ(Natural Experiment)์ ํ์ ๋ณด์ฌ์คฌ์ด. ์ ์ฑ ๋ณํ๋ฅผ RCT์ฒ๋ผ ํ์ฉํ ๊ฑฐ์ง! ๐
์จ๋ผ์ธ ํ๋ซํผ์์๋ A/B ํ ์คํ ์ด ์ผ์์ด์ง๋ง, ํจ์ ๋ ์์ด:
์ํฉ: ๋ทํ๋ฆญ์ค์ ์ถ์ฒ ์๊ณ ๋ฆฌ์ฆ ๊ฐ์
๋จ์ A/B ํ ์คํธ:
โข A๊ทธ๋ฃน: ๊ธฐ์กด ์๊ณ ๋ฆฌ์ฆ
โข B๊ทธ๋ฃน: ์ ์๊ณ ๋ฆฌ์ฆ
โข ์ธก์ : ์์ฒญ ์๊ฐ
๋ฌธ์ :
โข ๋คํธ์ํฌ ํจ๊ณผ: ํ ์ฌ์ฉ์์ ํ๋์ด ๋ค๋ฅธ ์ฌ์ฉ์์๊ฒ ์ํฅ
โข ํ์ต ํจ๊ณผ: ์๊ณ ๋ฆฌ์ฆ์ด ์๊ฐ์ ๋ฐ๋ผ ๊ฐ์ ๋จ
โข ์ฅ๊ธฐ ํจ๊ณผ vs ๋จ๊ธฐ ํจ๊ณผ
ํด๊ฒฐ์ฑ :
โข ํด๋ฌ์คํฐ ๋ฌด์์ํ: ์ง์ญ ๋จ์๋ก ๋ฐฐ์
โข ์ฅ๊ธฐ ์ถ์ : ๋ช ๊ฐ์๊ฐ ๊ด์ฐฐ
โข ๋ค์ค ์งํ: ์์ฒญ ์๊ฐ, ๋ง์กฑ๋, ์ดํ๋ฅ ๋ฑ
ํ๋ฆฌ ์ ์น์ ํ๋ก์ ํธ๋ RCT์ ์ฅ๊ธฐ ์ถ์ ์ฐ๊ตฌ๋ก ์ ๋ช ํด:
์ค๊ณ:
โข ์ ์๋์ธต ์ํ๋ฆฌ์นด๊ณ ๋ฏธ๊ตญ์ธ ์๋ 123๋ช
โข ๋ฌด์์๋ก ๊ณ ํ์ง ์ ์น์ ํ๋ก๊ทธ๋จ ๋ฐฐ์
โข 40๋ ์ด์ ์ถ์ ๊ด์ฐฐ
๊ฒฐ๊ณผ:
์ฒ์น๊ตฐ์ด ๋์กฐ๊ตฐ์ ๋นํด:
โข ๊ณ ๋ฑํ๊ต ์กธ์ ๋ฅ ๋์ (77% vs 60%)
โข ์๋ ๋์ (์ $2,000 vs $1,500)
โข ๋ฒ์ฃ์จ ๋ฎ์ (36% vs 55% ์ฒดํฌ)
โข ํฌ์ ์์ต๋ฅ : $1 ํฌ์๋น $7-12 ์ฌํ์ ํธ์ต
์์:
์กฐ๊ธฐ ๊ต์ก์ ์ฅ๊ธฐ์ ์ธ๊ณผ ํจ๊ณผ๋ฅผ ์ ์ฆ!
ํ์ด์ค๋ถ์ 2012๋ ๊ฐ์ ์ ์ผ ์คํ์ ์ค๋ฆฌ์ ๋ ผ๋์ ์ผ์ผ์ผฐ์ด:
โข ๊ธ์ ์ /๋ถ์ ์ ๊ฒ์๋ฌผ ๋ ธ์ถ ์กฐ์
โข ์ฌ์ฉ์์ ์ดํ ๊ฒ์๋ฌผ ๊ฐ์ ๋ถ์
๊ฒฐ๊ณผ:
โข ๊ธ์ ์ ๊ฒ์๋ฌผ ๊ฐ์ โ ์ฌ์ฉ์๋ ๋ ๋ถ์ ์ ๊ฒ์
โข ๋ถ์ ์ ๊ฒ์๋ฌผ ๊ฐ์ โ ์ฌ์ฉ์๋ ๋ ๊ธ์ ์ ๊ฒ์
โข ๊ฐ์ ์ด ์์ ๋คํธ์ํฌ๋ฅผ ํตํด ์ ์ผ๋จ์ ์ ์ฆ
๋ ผ๋:
โข ์ฌ์ ๋์ ์์ด ์คํ
โข ์ฌ์ฉ์์ ๊ฐ์ ์ ์กฐ์
โข IRB(๊ธฐ๊ด์ฌ์์์ํ) ์น์ธ ์์
๊ตํ:
์ธ๊ณผ์ถ๋ก ์ฐ๊ตฌ์์ ์ค๋ฆฌ์ ๊ณ ๋ ค๊ฐ ํ์!
์ด ์ฌ๋ก๋ค์ ์ธ๊ณผ์ถ๋ก ์ด ๋จ์ํ ํต๊ณ ๊ธฐ๋ฒ์ด ์๋๋ผ, ์ฌํ์ ์ฑ ์์ ๋๋ฐํ๋ค๋ ๊ฑธ ๋ณด์ฌ์ค. ๐ค
โ ๏ธ ํํ ์ค์์ ์ฃผ์์ฌํญ
์ธ๊ณผ์ถ๋ก ์ ๊ฐ๋ ฅํ์ง๋ง, ์๋ชป ์ฌ์ฉํ๋ฉด ์คํ๋ ค ์๋ชป๋ ๊ฒฐ๋ก ์ ๋๋ฌํ ์ ์์ด. ํํ ์ค์๋ค์ ์์๋ณด์! ๐จ
๋ชจ๋ ๋ณ์๋ฅผ ํต์ ํ๋ฉด ์ข์ ๊ฒ ๊ฐ์ง๋ง, ๊ทธ๋ ์ง ์์!
๋ฌธ์ :
์ง์ ์ ๊ต์ก์ ๊ฒฐ๊ณผ์ด์ ์๋์ ์์ธ (์ค๊ฐ ๋ณ์, Mediator)
์ง์ ์ ํต์ ํ๋ฉด ๊ต์ก์ ๊ฐ์ ํจ๊ณผ๋ฅผ ์ ๊ฑฐํด๋ฒ๋ฆผ!
โ ์ฌ๋ฐ๋ฅธ ์ ๊ทผ:
์ง์ ์ ํต์ ํ์ง ์๊ฑฐ๋, ์ง์ ํจ๊ณผ์ ๊ฐ์ ํจ๊ณผ๋ฅผ ๋ถ๋ฆฌ ๋ถ์
ํต์ ํ๋ฉด ์ ๋๋ ๋ณ์๋ค:
โข Mediator: ์์ธ๊ณผ ๊ฒฐ๊ณผ ์ฌ์ด์ ์ค๊ฐ ๋ณ์
โข Collider: ์์ธ๊ณผ ๊ฒฐ๊ณผ ๋ชจ๋์ ์ํฅ์ ๋ฐ๋ ๋ณ์
โข Descendant: ๊ฒฐ๊ณผ ๋ณ์์ ํ์ ๋ณ์
์ด๊ฑด ์ ๋ง ๊ต๋ฌํ ํจ์ ์ด์ผ! ๐ญ
๋ณ์ ๋ฐ์ดํฐ์์ ์ง๋ณ A์ ์ง๋ณ B๊ฐ ์์ ์๊ด๊ด๊ณ๋ฅผ ๋ณด์
โ A๊ฐ ์์ผ๋ฉด B๊ฐ ์๋ ๊ฒ์ฒ๋ผ ๋ณด์
์ด์ :
๋ณ์ ์ ์(์ถฉ๋์)์ ์กฐ๊ฑด์ผ๋ก ํ๊ธฐ ๋๋ฌธ!
โข A ๋๋ฌธ์ ์ ์ OR B ๋๋ฌธ์ ์ ์
โข A๊ฐ ์๋๋ฐ ์ ์ํ๋ค๋ฉด, B๊ฐ ์์ ํ๋ฅ ์ด ๋์
์ง์ค:
์ผ๋ฐ ์ธ๊ตฌ์์๋ A์ B๊ฐ ๋ ๋ฆฝ์ !
์ถฉ๋์๋ฅผ ํต์ ํ๋ฉด ์๋ ์๊ด๊ด๊ณ๊ฐ ์๊ฒจ๋ฒ๋ ค. ์กฐ์ฌํด์ผ ํด! โ ๏ธ
โ ์๋ต์๋ค์ ์๋ฐ์ ์ผ๋ก ์ฐธ์ฌ
ํธํฅ:
โข ๋งค์ฐ ๋ง์กฑํ๊ฑฐ๋ ๋งค์ฐ ๋ถ๋ง์กฑํ ์ฌ๋๋ค์ด ๋ ๋ง์ด ์๋ต
โข ๋ฌด๊ด์ฌํ ์ฌ๋๋ค์ ์๋ตํ์ง ์์
โข ๊ฒฐ๊ณผ๊ฐ ์ค์ ๋ชจ์ง๋จ์ ๋ํํ์ง ๋ชปํจ
ํด๊ฒฐ:
โข ๋ฌด์์ ์ํ๋ง
โข ๊ฐ์ค์น ์กฐ์
โข ์ญํ๋ฅ ๊ฐ์ค (Inverse Probability Weighting)
๋ณ์๋ฅผ ์ ํํ ์ธก์ ํ์ง ๋ชปํ๋ฉด ์ธ๊ณผ ํจ๊ณผ ์ถ์ ์ด ์๊ณก๋ผ:
๊ณ ์ ์ ์ธก์ ์ค๋ฅ:
X* = X + ฮต (ฮต๋ ๋ฌด์์ ๋ ธ์ด์ฆ)
โ ์ธ๊ณผ ํจ๊ณผ๊ฐ 0 ์ชฝ์ผ๋ก ํธํฅ (Attenuation Bias)
์์:
โข ์๋์ ์๊ฐ ๋ณด๊ณ ๋ก ์ธก์ โ ๊ณผ์/๊ณผ๋ ๋ณด๊ณ
โข ๊ฑด๊ฐ ์ํ๋ฅผ ์ค๋ฌธ์ผ๋ก ์ธก์ โ ์ฃผ๊ด์ ํ๊ฐ
โข ๊ต์ก ์์ค์ ํ๋ ์ผ๋ก๋ง ์ธก์ โ ์ง์ ์ฐจ์ด ๋ฌด์
์ฐ๊ตฌ ๊ฒฐ๊ณผ๊ฐ ๋ค๋ฅธ ์ํฉ์๋ ์ ์ฉ๋ ๊น? ๐ค
โข ํน์ ๊ตญ๊ฐ์ ์ ์ฑ ํจ๊ณผ๋ฅผ ๋ค๋ฅธ ๊ตญ๊ฐ์ ์ ์ฉ
โข ๋จ๊ธฐ ์คํ ๊ฒฐ๊ณผ๋ก ์ฅ๊ธฐ ํจ๊ณผ ์์ธก
๊ณ ๋ ค์ฌํญ:
โข ๋ชจ์ง๋จ์ ์ด์ง์ฑ
โข ๋งฅ๋ฝ์ ์ฐจ์ด
โข ์๊ฐ์ ๋ฐ๋ฅธ ๋ณํ
โข ๊ท๋ชจ ํจ๊ณผ (Scale Effects)
์ฌ๋ฌ ๊ฐ์ค์ ๋์์ ๊ฒ์ ํ๋ฉด ์ฐ์ฐํ ์ ์ํ ๊ฒฐ๊ณผ๊ฐ ๋์ฌ ํ๋ฅ ์ด ๋์์ ธ:
ฮฑ = 0.05, m = 20์ด๋ฉด
P โ 0.64 (64% ํ๋ฅ ๋ก ๊ฑฐ์ง ์์ฑ!)
โข FDR ํต์ (False Discovery Rate)
โข ์ฌ์ ๋ฑ๋ก (Pre-registration): ๋ถ์ ๊ณํ ๋ฏธ๋ฆฌ ๊ณต๊ฐ
โข ํ๋์์ ๊ฒ์ฆ (Hold-out Validation)
๋จธ์ ๋ฌ๋ ๊ธฐ๋ฐ ์ธ๊ณผ์ถ๋ก ์์ ํนํ ์กฐ์ฌํด์ผ ํด:
๊ณผ์ ํฉ (Overfitting):
โข ๋๋ฌด ๋ณต์กํ ๋ชจ๋ธ ์ฌ์ฉ
โข ํ๋ จ ๋ฐ์ดํฐ์๋ง ์ ๋ง์
โข ์๋ก์ด ๋ฐ์ดํฐ์์ ์ฑ๋ฅ ์ ํ
โข ์ธ๊ณผ ํจ๊ณผ ์ถ์ ์ด ๋ถ์์
๊ณผ์์ ํฉ (Underfitting):
โข ๋๋ฌด ๋จ์ํ ๋ชจ๋ธ ์ฌ์ฉ
โข ์ค์ํ ๋น์ ํ ๊ด๊ณ ๋์นจ
โข ๊ต๋ ๋ณ์ ํต์ ๋ถ์ถฉ๋ถ
โข ํธํฅ๋ ์ธ๊ณผ ํจ๊ณผ ์ถ์
๊ท ํ ์ฐพ๊ธฐ: ๊ต์ฐจ ๊ฒ์ฆ, ์ ๊ทํ, ์์๋ธ ๋ฐฉ๋ฒ ๋ฑ์ ํ์ฉ! ๐ฏ
๐ ์ต์ ํธ๋ ๋์ ๋ฏธ๋ ๋ฐฉํฅ
์ธ๊ณผ์ถ๋ก ๋ถ์ผ๋ ๋น ๋ฅด๊ฒ ๋ฐ์ ํ๊ณ ์์ด! ์ต์ ํธ๋ ๋๋ฅผ ์ดํด๋ณด์. ๐
๋ฅ๋ฌ๋์ ํํ ํ์ต ๋ฅ๋ ฅ๊ณผ ์ธ๊ณผ์ถ๋ก ์ ๊ฒฐํฉํ๋ ์ฐ๊ตฌ๊ฐ ํ๋ฐํด:
Causal Representation Learning:
โข ๊ณ ์ฐจ์ ๋ฐ์ดํฐ(์ด๋ฏธ์ง, ํ ์คํธ)์์ ์ธ๊ณผ ๊ตฌ์กฐ ํ์ต
โข VAE, GAN ๋ฑ์ ํ์ฉํ ๋ฐ์ฌ์ค ์์ฑ
โข ์ ์ฌ ๋ณ์์ ์ธ๊ณผ ๊ด๊ณ ํ์
์ฃผ์ ์ฐ๊ตฌ:
โข CausalGAN: ์ธ๊ณผ ๊ทธ๋ํ๋ฅผ ๋ฐ๋ฅด๋ ์ด๋ฏธ์ง ์์ฑ
โข CEVAE: ๋ณ๋ถ ์คํ ์ธ์ฝ๋ ๊ธฐ๋ฐ ์ธ๊ณผ ํจ๊ณผ ์ถ์
โข Neural Causal Models: ์ ๊ฒฝ๋ง์ผ๋ก ๊ตฌ์กฐ ๋ฐฉ์ ์ ๋ชจ๋ธ๋ง
๋ฐ์ดํฐ์์ ์๋์ผ๋ก ์ธ๊ณผ ๊ตฌ์กฐ๋ฅผ ์ฐพ์๋ด๋ ์๊ณ ๋ฆฌ์ฆ๋ค:
PC ์๊ณ ๋ฆฌ์ฆ: ์กฐ๊ฑด๋ถ ๋ ๋ฆฝ์ฑ ํ ์คํธ ๊ธฐ๋ฐ
GES: ํ์์ ๋๋ฑ ํ์
LiNGAM: ์ ํ ๋น๊ฐ์ฐ์์ ๋น์ํ ๋ชจ๋ธ
NOTEARS: ์ฐ์ ์ต์ ํ๋ก DAG ํ์ต
DAG-GNN: ๊ทธ๋ํ ์ ๊ฒฝ๋ง ๊ธฐ๋ฐ ์ธ๊ณผ ๋ฐ๊ฒฌ
์ด์ ์ ๋ฌธ๊ฐ์ ๋๋ฉ์ธ ์ง์ ์์ด๋ ๋ฐ์ดํฐ์์ ์ธ๊ณผ ๊ด๊ณ๋ฅผ ์ฐพ์ ์ ์์ด! (๋ฌผ๋ก ๊ฒ์ฆ์ ํ์) ๐
๊ฐํํ์ต์ ์ธ๊ณผ์ถ๋ก ์ ์ ๋ชฉํ๋ฉด ๋ ํจ์จ์ ์ธ ํ์ต์ด ๊ฐ๋ฅํด:
์ฅ์ :
โข ๋ ๋น ๋ฅธ ์ผ๋ฐํ: ์ธ๊ณผ ๊ตฌ์กฐ๋ฅผ ์ดํดํ๋ฉด ์๋ก์ด ํ๊ฒฝ์ ๋น ๋ฅด๊ฒ ์ ์
โข ๋ฐ์ฌ์ค ์ถ๋ก : "๋ง์ฝ ๋ค๋ฅธ ํ๋์ ํ๋ค๋ฉด?" ์๋ฎฌ๋ ์ด์
โข ์ค๋ช ๊ฐ๋ฅ์ฑ: ์ ๊ทธ ํ๋์ ์ ํํ๋์ง ์ค๋ช ๊ฐ๋ฅ
โข ์ํ ํจ์จ์ฑ: ์ธ๊ณผ ๊ด๊ณ๋ฅผ ํ์ฉํด ์ ์ ๋ฐ์ดํฐ๋ก ํ์ต
AI์ ๊ณต์ ์ฑ ๋ฌธ์ ๋ฅผ ์ธ๊ณผ์ ์ผ๋ก ์ ๊ทผํ๋ ์ฐ๊ตฌ๊ฐ ์ค์ํด์ง๊ณ ์์ด:
Counterfactual Fairness:
๋ฏผ๊ฐ ์์ฑ(์ธ์ข , ์ฑ๋ณ ๋ฑ)์ด ๋ค๋ฅธ ๋ฐ์ฌ์ค ์ธ๊ณ์์๋ ๊ฐ์ ๊ฒฐ์ ์ ๋ด๋ ค์ผ ํจ
Path-Specific Fairness:
๋ฏผ๊ฐ ์์ฑ์ด ํน์ ๊ฒฝ๋ก๋ฅผ ํตํด์๋ง ์ํฅ์ ๋ฏธ์น๋๋ก ์ ํ
์์:
์ฑ์ฉ ์๊ณ ๋ฆฌ์ฆ์์ ์ฑ๋ณ์ด "๋ฅ๋ ฅ"์ ํตํด ์ํฅ์ ์ฃผ๋ ๊ฑด OK
ํ์ง๋ง "ํธ๊ฒฌ"์ ํตํด ์ํฅ์ ์ฃผ๋ ๊ฑด NO
์๊ฐ์ ๋ฐ๋ผ ๋ณํ๋ ์ฒ์น์ ๊ต๋ ๋ณ์๋ฅผ ๋ค๋ฃจ๋ ๋ฐฉ๋ฒ๋ค:
โข Inverse Probability Weighting
โข G-estimation
์ ์ฉ ๋ถ์ผ:
โข ์ํ: ์๊ฐ์ ๋ฐ๋ผ ๋ณํ๋ ์น๋ฃ ์ ๋ต
โข ๊ฒฝ์ : ๋์ ์ ์ฑ ํจ๊ณผ
โข ๋ง์ผํ : ์์ฐจ์ ๊ด๊ณ ๋ ธ์ถ ํจ๊ณผ
๋ ๋ง์ ์ฌ๋๋ค์ด ์ธ๊ณผ์ถ๋ก ์ ์ฌ์ฉํ ์ ์๋๋ก ํ๋ ๋๊ตฌ๋ค:
No-code/Low-code ๋๊ตฌ:
โข Microsoft์ EconML, DoWhy
โข Uber์ CausalML
โข Google์ CausalImpact
์๋ํ ๊ธฐ๋ฅ:
โข ์๋ ์ธ๊ณผ ๊ทธ๋ํ ์์ฑ
โข ์ต์ ์ถ์ ๋ฐฉ๋ฒ ์ถ์ฒ
โข ๊ฐ์ ๊ฒ์ฆ ์๋ํ
โข ๊ฒฐ๊ณผ ํด์ ์ง์
์ฌ๋ฅ๋ท ๊ฐ์ ํ๋ซํผ์์๋ ์ด๋ฐ ๋๊ตฌ๋ค์ ํ์ฉํด ๋ฐ์ดํฐ ๋ถ์ ์๋น์ค๋ฅผ ์ ๊ณตํ ์ ์๊ฒ ์ง? ๐
๋ธ๋๋ฐ์ค ๋ชจ๋ธ์ ์ธ๊ณผ์ ์ผ๋ก ์ค๋ช ํ๋ ค๋ ์๋:
LIME (Local Interpretable Model-agnostic Explanations):
๊ตญ์์ ์ผ๋ก ํด์ ๊ฐ๋ฅํ ๋ชจ๋ธ๋ก ๊ทผ์ฌ
ํ๊ณ:
์ด๋ค์ ์๊ด๊ด๊ณ ๊ธฐ๋ฐ ์ค๋ช
์ง์ ํ ์ธ๊ณผ์ ์ค๋ช ์ ์ํด์๋ ์ธ๊ณผ ๊ทธ๋ํ ํ์!
๐ก ์ค๋ฌด์๋ฅผ ์ํ ์ฒดํฌ๋ฆฌ์คํธ
์ธ๊ณผ์ถ๋ก ํ๋ก์ ํธ๋ฅผ ์์ํ ๋ ํ์ธํด์ผ ํ ์ฌํญ๋ค์ ์ ๋ฆฌํด๋ดค์ด! โ
1. ๋ช ํํ ์ธ๊ณผ ์ง๋ฌธ ์ ์
โก ์ฒ์น(Treatment)๊ฐ ๋ฌด์์ธ๊ฐ?
โก ๊ฒฐ๊ณผ(Outcome)๊ฐ ๋ฌด์์ธ๊ฐ?
โก ๊ด์ฌ ์๋ ๋ชจ์ง๋จ์?
โก ์๊ฐ์ ๋ฒ์๋?
2. ์ธ๊ณผ ๋ฉ์ปค๋์ฆ ์ดํด
โก ๋๋ฉ์ธ ์ ๋ฌธ๊ฐ์ ์๋ดํ๋๊ฐ?
โก ์ธ๊ณผ ๊ทธ๋ํ๋ฅผ ๊ทธ๋ ธ๋๊ฐ?
โก ๊ต๋ ๋ณ์๋ฅผ ์๋ณํ๋๊ฐ?
โก ์ค๊ฐ ๋ณ์๋ฅผ ํ์ ํ๋๊ฐ?
3. ๋ฐ์ดํฐ ํ๊ฐ
โก ํ์ํ ๋ณ์๋ค์ด ์ธก์ ๋์๋๊ฐ?
โก ์ํ ํฌ๊ธฐ๊ฐ ์ถฉ๋ถํ๊ฐ?
โก ๊ฒฐ์ธก์น ํจํด์ ํ์ธํ๋๊ฐ?
โก ์ธก์ ์ค๋ฅ๋ฅผ ๊ณ ๋ คํ๋๊ฐ?
4. ๋ฐฉ๋ฒ๋ก ์ ํ
โก ๋ฌด์์ ๋ฐฐ์ ์ด ๊ฐ๋ฅํ๊ฐ? โ RCT
โก ์์ฐ ์คํ์ด ์๋๊ฐ? โ DID, RDD
โก ๋๊ตฌ ๋ณ์๊ฐ ์๋๊ฐ? โ IV
โก ๊ด์ฐฐ ๋ฐ์ดํฐ๋ง ์๋๊ฐ? โ PSM, IPW
5. ๊ฐ์ ๊ฒ์ฆ
โก ๊ตํ๊ฐ๋ฅ์ฑ ๊ฐ์ ์ด ํ๋นํ๊ฐ?
โก ์์ ํ๋ฅ ๊ฐ์ ์ ํ์ธํ๋๊ฐ?
โก ํํ ์ถ์ธ ๊ฐ์ ์ ๊ฒ์ฆํ๋๊ฐ? (DID)
โก ๋๊ตฌ ๋ณ์ ์กฐ๊ฑด์ ํ์ธํ๋๊ฐ? (IV)
6. ๊ฐ๊ฑด์ฑ ๊ฒ์ฆ
โก ์ฌ๋ฌ ๋ฐฉ๋ฒ์ผ๋ก ์ถ์ ํ๋๊ฐ?
โก ๋ฏผ๊ฐ๋ ๋ถ์์ ์ํํ๋๊ฐ?
โก ํ๋ผ์๋ณด ํ ์คํธ๋ฅผ ํ๋๊ฐ?
โก ํ์ ๊ทธ๋ฃน ๋ถ์์ ํ๋๊ฐ?
7. ๊ฒฐ๊ณผ ํด์
โก ํจ๊ณผ ํฌ๊ธฐ๊ฐ ์ค์ง์ ์ผ๋ก ์๋ฏธ ์๋๊ฐ?
โก ํต๊ณ์ ์ ์์ฑ๊ณผ ์ค์ง์ ์ ์์ฑ์ ๊ตฌ๋ถํ๋๊ฐ?
โก ์ ๋ขฐ ๊ตฌ๊ฐ์ ๋ณด๊ณ ํ๋๊ฐ?
โก ์ด์ง์ ํจ๊ณผ๋ฅผ ํ์ํ๋๊ฐ?
8. ํ๊ณ ์ธ์
โก ๊ฐ์ ์ ํ๊ณ๋ฅผ ๋ช ์ํ๋๊ฐ?
โก ๊ด์ฐฐ๋์ง ์์ ๊ต๋ ๊ฐ๋ฅ์ฑ์ ์ธ๊ธํ๋๊ฐ?
โก ์ธ์ ํ๋น์ฑ ๋ฌธ์ ๋ฅผ ๋ ผ์ํ๋๊ฐ?
โก ๋์์ ์ค๋ช ์ ๊ณ ๋ คํ๋๊ฐ?
9. ์ค๋ฌด ์ ์ฉ
โก ์ ์ฑ ์ ์ธ์ด ๋ช ํํ๊ฐ?
โก ์คํ ๊ฐ๋ฅ์ฑ์ ๊ณ ๋ คํ๋๊ฐ?
โก ๋น์ฉ-ํธ์ต์ ๋ถ์ํ๋๊ฐ?
โก ๋ชจ๋ํฐ๋ง ๊ณํ์ด ์๋๊ฐ?
โข "Causal Inference: The Mixtape" - Scott Cunningham (์ค๋ฌด)
โข "Causal Inference for Statistics, Social, and Biomedical Sciences" - Imbens & Rubin (์ฌํ)
์จ๋ผ์ธ ๊ฐ์:
โข Coursera: "A Crash Course in Causality"
โข edX: "Causal Diagrams"
โข YouTube: Brady Neal's Causal Inference Course
์ค์ต ์๋ฃ:
โข DoWhy Documentation
โข CausalML Tutorials
โข EconML Examples
๐ฌ ๋ง๋ฌด๋ฆฌํ๋ฉฐ
์, ์ ๋ง ๊ธด ์ฌ์ ์ด์์ง? ๐ ์ฐ๋ฆฌ๋ ์ธ๊ณผ์ถ๋ก ๊ณผ ๋ฐ์ฌ์ค์ ์ถ๋ก ์ ์ธ๊ณ๋ฅผ ๊น์ด ํํํ์ด. ์๊ด๊ด๊ณ์ ์ธ๊ณผ๊ด๊ณ์ ์ฐจ์ด๋ถํฐ ์์ํด์, ๋ค์ํ ์ถ์ ๊ธฐ๋ฒ๋ค, ์ค์ ์ ์ฉ ์ฌ๋ก๋ค, ๊ทธ๋ฆฌ๊ณ ์ต์ ํธ๋ ๋๊น์ง ์ดํด๋ดค์ง.
1. ์ธ๊ณผ์ถ๋ก ์ ๋ณธ์ง: "๋ง์ฝ์"๋ฅผ ๊ณผํ์ ์ผ๋ก ๋ตํ๋ ๋ฐฉ๋ฒ
2. ๊ทผ๋ณธ ๋ฌธ์ : ๊ฐ์ ๊ฐ์ฒด์ ๋ ์ ์ฌ์ ๊ฒฐ๊ณผ๋ฅผ ๋์์ ๊ด์ฐฐํ ์ ์์
3. ํด๊ฒฐ ๋ฐฉ๋ฒ: RCT, PSM, IV, DID, RDD ๋ฑ ๋ค์ํ ๊ธฐ๋ฒ
4. ํต์ฌ ๊ฐ์ : ๊ตํ๊ฐ๋ฅ์ฑ, ์์ ํ๋ฅ , ์ผ๊ด์ฑ
5. ์ฃผ์์ฌํญ: ๋์ ํต์ , ์ถฉ๋์ ํธํฅ, ์ ํ ํธํฅ ๋ฑ
6. ๋ฏธ๋: ๋ฅ๋ฌ๋, ์ธ๊ณผ ๋ฐ๊ฒฌ, ๊ณต์ ์ฑ ๋ฑ๊ณผ์ ์ตํฉ
์ธ๊ณผ์ถ๋ก ์ ๋จ์ํ ํต๊ณ ๊ธฐ๋ฒ์ด ์๋์ผ. ์ด๊ฑด ์ธ์์ ์ดํดํ๊ณ , ๋ ๋์ ๊ฒฐ์ ์ ๋ด๋ฆฌ๊ณ , ํจ๊ณผ์ ์ธ ์ ์ฑ ์ ๋ง๋๋ ์ฌ๊ณ ๋ฐฉ์์ด์ผ. ๐ง
๋ฐ์ดํฐ ๊ณผํ์, ์ ์ฑ ์ ์์, ์ฐ๊ตฌ์, ๋น์ฆ๋์ค ๋ถ์๊ฐ... ๋๊ตฌ๋ ์ธ๊ณผ์ ์ฌ๊ณ ๋ฅผ ํ ์ ์๋ค๋ฉด, ๋ ๊น์ด ์๋ ์ธ์ฌ์ดํธ๋ฅผ ์ป์ ์ ์์ด. "์ด๊ฒ ํจ๊ณผ๊ฐ ์์๊น?"๋ผ๋ ์ง๋ฌธ์ ๋ ์ ํํ๊ฒ ๋ตํ ์ ์๊ฒ ๋๋ ๊ฑฐ์ง! ๐ก
์ค๋ฌด์์ ๊ธฐ์ตํ ์ :
โ ํญ์ ์ธ๊ณผ ๊ทธ๋ํ๋ฅผ ๊ทธ๋ ค๋ณด๊ธฐ
โ ๊ฐ์ ์ ๋ช ์ํ๊ณ ๊ฒ์ฆํ๊ธฐ
โ ์ฌ๋ฌ ๋ฐฉ๋ฒ์ผ๋ก ๊ฐ๊ฑด์ฑ ํ์ธํ๊ธฐ
โ ํ๊ณ๋ฅผ ์์งํ๊ฒ ์ธ์ ํ๊ธฐ
โ ๋๋ฉ์ธ ์ง์๊ณผ ํต๊ณ๋ฅผ ๊ฒฐํฉํ๊ธฐ
์ด ๊ธ์ด ์ฌ๋ฌ๋ถ์ ์ธ๊ณผ์ถ๋ก ์ฌ์ ์ ๋์์ด ๋์์ผ๋ฉด ์ข๊ฒ ์ด! ๐ ์ฒ์์ ์ด๋ ต๊ฒ ๋๊ปด์ง ์ ์์ง๋ง, ๊ณ์ ์ฐ์ตํ๋ค ๋ณด๋ฉด ์์ฐ์ค๋ฝ๊ฒ ์ธ๊ณผ์ ์ผ๋ก ์ฌ๊ณ ํ๊ฒ ๋ ๊ฑฐ์ผ.
์ฌ๋ฅ๋ท์์ ํต๊ณ ๋ถ์์ด๋ ๋ฐ์ดํฐ ๊ณผํ ๊ด๋ จ ์ฌ๋ฅ์ ์ฐพ๊ณ ์๋ค๋ฉด, ์ด์ ์ธ๊ณผ์ถ๋ก ๋ฅ๋ ฅ์ด ์๋ ์ ๋ฌธ๊ฐ๋ฅผ ์ฐพ์๋ณด๋ ๊ฒ๋ ์ข๊ฒ ์ง? ๋จ์ํ ์๊ด๊ด๊ณ๋ง ๋ณด๋ ๊ฒ ์๋๋ผ, ์ง์ง ์์ธ๊ณผ ๊ฒฐ๊ณผ๋ฅผ ๋ฐํ๋ผ ์ ์๋ ์ฌ๋ ๋ง์ด์ผ! ๐
์ฌ๋ฌ๋ถ๋ ์ด์ ๋ฐ์ดํฐ๋ฅผ ๋ณผ ๋ "์ด๊ฑด ์๊ด๊ด๊ณ์ผ๊น, ์ธ๊ณผ๊ด๊ณ์ผ๊น?"๋ผ๊ณ ์๋ฌธํ๊ฒ ๋ ๊ฑฐ์ผ. ๊ทธ๋ฆฌ๊ณ "๋ง์ฝ ๋ค๋ฅด๊ฒ ํ๋ค๋ฉด ์ด๋ ์๊น?"๋ผ๋ ๋ฐ์ฌ์ค์ ์ง๋ฌธ์ ๋์ง๊ฒ ๋ ๊ฑฐ๊ณ . ์ถํํด, ์ฌ๋ฌ๋ถ์ ์ด์ ์ธ๊ณผ์ ์ฌ๊ณ ์์ผ! ๐
๊ธด ๊ธ ์ฝ์ด์ค์ ์ ๋ง ๊ณ ๋ง์. ์ธ๊ณผ์ถ๋ก ์ ์ธ๊ณ์์ ์ฆ๊ฑฐ์ด ํํ ๋๊ธธ ๋ฐ๋ผ! ๐โจ
๐ Happy Causal Inference! ๐
๋ฐ์ดํฐ๋ก ์ธ์์ ์ธ๊ณผ๋ฅผ ๋ฐํ๋๊ฐ์! ๐
๊ด๋ จ ํค์๋
๋๊ธ ์์ฑ
์ด ๊ธ์ ๋ํ ์ฌ๋ฌ๋ถ์ ์๊ฐ์ ๋ค๋ ค์ฃผ์ธ์
๋ก๊ทธ์ธ์ด ํ์ํฉ๋๋ค
๋๊ธ์ ์์ฑํ๋ ค๋ฉด ๋จผ์ ๋ก๊ทธ์ธํด์ฃผ์ธ์.
๋๊ธ 0
์ง์์ธ์ ์ฒ - ์ง์ ์ฌ์ฐ๊ถ ๋ณดํธ ๊ณ ์ง
์ง์ ์ฌ์ฐ๊ถ ๋ณดํธ ๊ณ ์ง
- ์ ์๊ถ ๋ฐ ์์ ๊ถ: ๋ณธ ์ปจํ ์ธ ๋ ์ฌ๋ฅ๋ท์ ๋ ์ AI ๊ธฐ์ ๋ก ์์ฑ๋์์ผ๋ฉฐ, ๋ํ๋ฏผ๊ตญ ์ ์๊ถ๋ฒ ๋ฐ ๊ตญ์ ์ ์๊ถ ํ์ฝ์ ์ํด ๋ณดํธ๋ฉ๋๋ค.
- AI ์์ฑ ์ปจํ ์ธ ์ ๋ฒ์ ์ง์: ๋ณธ AI ์์ฑ ์ปจํ ์ธ ๋ ์ฌ๋ฅ๋ท์ ์ง์ ์ฐฝ์๋ฌผ๋ก ์ธ์ ๋๋ฉฐ, ๊ด๋ จ ๋ฒ๊ท์ ๋ฐ๋ผ ์ ์๊ถ ๋ณดํธ๋ฅผ ๋ฐ์ต๋๋ค.
- ์ฌ์ฉ ์ ํ: ์ฌ๋ฅ๋ท์ ๋ช ์์ ์๋ฉด ๋์ ์์ด ๋ณธ ์ปจํ ์ธ ๋ฅผ ๋ณต์ , ์์ , ๋ฐฐํฌ, ๋๋ ์์ ์ ์ผ๋ก ํ์ฉํ๋ ํ์๋ ์๊ฒฉํ ๊ธ์ง๋ฉ๋๋ค.
- ๋ฐ์ดํฐ ์์ง ๊ธ์ง: ๋ณธ ์ปจํ ์ธ ์ ๋ํ ๋ฌด๋จ ์คํฌ๋ํ, ํฌ๋กค๋ง, ๋ฐ ์๋ํ๋ ๋ฐ์ดํฐ ์์ง์ ๋ฒ์ ์ ์ฌ์ ๋์์ด ๋ฉ๋๋ค.
- AI ํ์ต ์ ํ: ์ฌ๋ฅ๋ท์ AI ์์ฑ ์ปจํ ์ธ ๋ฅผ ํ AI ๋ชจ๋ธ ํ์ต์ ๋ฌด๋จ ์ฌ์ฉํ๋ ํ์๋ ๊ธ์ง๋๋ฉฐ, ์ด๋ ์ง์ ์ฌ์ฐ๊ถ ์นจํด๋ก ๊ฐ์ฃผ๋ฉ๋๋ค.
์์ง ๋๊ธ์ด ์์ต๋๋ค.