CATE (Conditional Average Treatment Effect)

정의

CATE는 공변량(covariate) $X=x$ 가 주어졌을 때의 평균 처치효과(treatment effect)를 가리킨다.

$\tau(x) = E[Y(1) - Y(0) | X = x]$

여기서 각 항은 다음과 같다.

$Y(1)$ : 처치(treatment)를 받았을 때의 잠재결과(potential outcome)
$Y(0)$ : 처치를 받지 않았을 때의 잠재결과
$X$ : 처치 이전에 관측된 공변량(특성 변수)

관련 용어

HTE: CATE와 같은 뜻으로 쓴다.
ITE: 개인 단위 처치효과 $\tau_i = Y_i(1) - Y_i(0)$ 로, 직접 관측할 수 없다.

직관적 이해

핵심 질문은 다음과 같다.

“특정 특성을 가진 사람에게 처치가 얼마나 효과적인가?”

ATE vs CATE

Quantity	Definition	Question
ATE	$E[Y(1) - Y(0)]$	”평균적으로 효과가 있는가?”
CATE	$E[Y(1) - Y(0) \\| X=x]$	”이 특성을 가진 사람에게 효과가 있는가?”

예시

신약의 평균 효과는 양수지만(ATE > 0),
65세 이상 환자에게는 효과가 없거나 오히려 해롭다( $\tau(x_{age \geq 65}) \leq 0$ ).

ATE = E[τ(X)] = ∫ τ(x) dP(x)  (CATE의 평균)

핵심 성질

인과추론의 근본 문제

개인 수준에서 $Y(1)$ 과 $Y(0)$ 를 동시에 관측할 수 없다.

실제로 관측하는 값은 $Y = AY(1) + (1-A)Y(0)$ 이다.
반사실(counterfactual)은 항상 결측이다.

식별 가정

CATE를 식별(identification)하는 데 쓰는 표준 가정은 다음과 같다.

SUTVA (Stable Unit Treatment Value Assumption)
- 무간섭(no interference): 타인의 처치가 내 결과에 영향을 주지 않는다.
- 일관성(consistency): $Y = Y(A)$
무교란성(Unconfoundedness, Ignorability) $Y(0), Y(1) \perp A | X$
- $X$ 가 주어지면 처치 배정이 잠재결과와 독립이다.
양수성(Positivity, Overlap) $0 < P(A=1|X=x) < 1, \quad \forall x \in \mathcal{X}$
- 모든 공변량 값에서 처치를 받을 확률이 0과 1 사이에 있다.

CATE의 구조

CATE는 다음과 같이 분해할 수 있다. $\tau(x) = \mu_1(x) - \mu_0(x)$

여기서 $\mu_a(x) = E[Y|X=x, A=a]$ 이다.

추정 방법

Meta-Learner

Method	Description	Best When
S-Learner	Single model: $\hat{\mu}(x,a)$ , then $\hat{\tau}(x) = \hat{\mu}(x,1) - \hat{\mu}(x,0)$	Homogeneous effects
T-Learner	Two models: $\hat{\mu}_1(x)$ , $\hat{\mu}_0(x)$ separately	Different response functions
X-Learner	Two-stage imputation with propensity weighting	Unbalanced treatment groups
R-Learner	Residualize then regress: minimize $\sum(Y_i - \hat{\mu}(X_i) - (A_i - \hat{\pi}(X_i))\tau(X_i))^2$	Heterogeneous effects
DR-Learner	Regress doubly robust pseudo-outcome on $X$	Double robustness desired

트리 기반 방법

Causal Forest (Wager & Athey): CATE 추정에 맞게 변형한 Random Forest
BART (Bayesian Additive Regression Trees)
Causal MARS

딥러닝

CEVAE (Causal Effect VAE)
TARNet (Treatment-Agnostic Representation Network)
DragonNet

예시

의료 시나리오를 생각해 보자.

$Y$ : 혈압 감소량
$A$ : 신약 투여 여부 (0/1)
$X$ : (나이, 성별, 기저 혈압, BMI, …)

$\tau(x) = E[\text{혈압 감소}|\text{신약}] - E[\text{혈압 감소}|\text{위약}] \quad \text{given } X=x$

해석은 다음과 같다.

$\tau(x) > 0$ : 이 특성의 환자에게 신약이 효과적이다.
$\tau(x) < 0$ : 이 특성의 환자에게 신약이 해롭다.
$\tau(x) \approx 0$ : 이 특성의 환자에게 효과가 없다.

활용

처치 타겟팅(정책 학습)

다음과 같이 최적 처치 규칙을 학습한다. $d^*(x) = \mathbf{1}[\tau(x) > 0]$

$\tau(x) > 0$ 이면 처치한다.
$\tau(x) < 0$ 이면 처치하지 않는다.

맞춤 의료

환자 특성에 따라 치료를 맞춘다.
부작용은 최소화하고 효과는 최대화한다.

정밀 마케팅

고객별 마케팅 효과를 추정한다.
프로모션을 개인화해 타겟팅(targeting)한다.

정책 평가

하위 집단(subgroup)별로 정책 효과를 분석한다.
효과의 이질성(heterogeneity)을 탐색한다.

평가 지표

참값 CATE를 관측할 수 없으므로 CATE 추정을 평가하기는 어렵다.

RCT가 있는 경우

PEHE (Precision in Estimation of HTE): $\sqrt{E[(\hat{\tau}(x) - \tau(x))^2]}$
ATE Error: $|\hat{\tau}_{ATE} - \tau_{ATE}|$

관측 데이터

AUUC (Area Under Uplift Curve): 처치 타겟팅 성능
Qini Coefficient: uplift 모델링 평가

참고 논문

kunzelMetalearnersEstimatingHeterogeneous2019 - Meta-learners (S, T, X-learner)
nieQuasiOracleEstimationHeterogeneous2020 - R-learner
kennedyOptimalDoublyRobust2023 - DR-learner, optimal rates
Wager & Athey (2018) - Causal Forests
chernozhukovDoubleDebiasedMachine2018 - DML for treatment effects

구현

Python (econml):

from econml.dml import CausalForestDML
from econml.dr import DRLearner

# Causal Forest
cf = CausalForestDML()
cf.fit(Y, T, X=X, W=W)
cate = cf.effect(X_test)

# DR-Learner
dr = DRLearner()
dr.fit(Y, T, X=X, W=W)
cate = dr.effect(X_test)

R (grf):

library(grf)
cf <- causal_forest(X, Y, W)
tau_hat <- predict(cf)$predictions

참고 문헌

kunzelMetalearnersEstimatingHeterogeneous2019
nieQuasiOracleEstimationHeterogeneous2020
kennedyOptimalDoublyRobust2023
chernozhukovDoubleDebiasedMachine2018
Wager & Athey (2018) - “Estimation and Inference of Heterogeneous Treatment Effects using Random Forests”