HTE (Heterogeneous Treatment Effects) · Tae Hyun Kim (Lowell)

정의

이질적 처치효과(HTE)는 처치효과(treatment effect)가 개인의 특성에 따라 달라지는 현상을 가리킨다.

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

$\tau(x)$ 가 $x$ 에 따라 변하면 이질적 처치효과가 존재한다.

직관적 이해

동질적 효과와 이질적 효과

유형	정의	예시
동질적	$\tau(x) = \tau$ (상수)	모든 환자에게 동일한 약효
이질적	$\tau(x)$ 가 $x$ 에 의존	젊은 환자에게 더 큰 약효

왜 중요한가?

개인화 의사결정: 누구에게 처치할지 결정
정책 타겟팅: 효과 큰 집단 우선
자원 최적화: 제한된 자원의 효율적 배분
과학적 이해: 메커니즘 통찰

HTE vs 관련 개념

개념	정의	관계
ITE	$Y_i(1) - Y_i(0)$	개인 수준 효과
CATE	$E[Y(1)-Y(0) \mid X=x]$	HTE의 함수적 표현
HTE	CATE의 변동성	CATE가 변하면 HTE 존재
ATE	$E[Y(1)-Y(0)]$	CATE의 평균

HTE 추정 방법

1. Meta-learner

기존 ML 알고리즘을 조립해 CATE를 추정한다.

Method	접근	특징
S-Learner	단일 모델	간단, HTE 미미할 때 적합
T-Learner	처치별 분리 모델	유연, 정보 공유 없음
X-Learner	2단계 imputation	불균형 데이터에 적합
R-Learner	Residualized regression	이론적 보장

2. 트리 기반 방법

Method	특징
Causal Forest	이질성 기반 분할, 신뢰구간 제공
BART	Bayesian 불확실성 정량화

3. 표현 학습

Method	특징
CFR	균형 잡힌 표현 학습
CEVAE	VAE 기반 잠재 교란변수(confounder) 추론
BNN	Balancing Neural Network
GANITE	GAN 기반 ITE 추정

4. 다중 작업 학습

Method	특징
CMGP	Gaussian Process 멀티태스크
Dragonnet	Targeted regularization

HTE 분석 워크플로

1. 효과 이질성 탐색

# Causal Forest로 CATE 추정
from econml.dml import CausalForestDML

cf = CausalForestDML()
cf.fit(Y, T, X)
cate = cf.effect(X)

# 이질성 확인
print(f"CATE std: {cate.std():.3f}")
print(f"CATE range: [{cate.min():.3f}, {cate.max():.3f}]")

2. 하위집단 분석

# 특성별 효과 분석
for group in ['young', 'old']:
    idx = X['age_group'] == group
    print(f"{group}: CATE = {cate[idx].mean():.3f}")

3. 변수 중요도

# 어떤 변수가 이질성에 기여?
importance = cf.feature_importances_

HTE 해석 시 주의점

1. Subgroup hunting 문제

사후 분석으로 효과 큰 그룹을 찾으면 다중비교 문제가 생긴다.
검증 데이터를 따로 분리해야 한다.

2. 신뢰구간 확인

점추정만으로 결론 짓지 않는다.
불확실성을 함께 고려한다.

3. 인과적 해석

CATE 추정은 최적 처치 결정과 같지 않다.
개입(intervention) 효과를 인과적으로 해석해야 한다.

응용 사례

1. 개인 맞춤 의료

“이 환자에게 어떤 치료가 최적인가?”
부작용 위험과 효과 사이의 trade-off

2. 마케팅 타겟팅(targeting)

“어떤 고객에게 프로모션이 효과적인가?”
uplift 모델링

3. 정책 설계

“어떤 집단에 정책을 우선 적용할까?”
자원 제약이 있을 때의 최적화

4. 추천(recommendation) 시스템

“어떤 사용자에게 이 콘텐츠가 효과적인가?”
MOC-LLM4RecSys 등과 연결

평가 지표

지표	정의	용도
PEHE	$\sqrt{E[(\tau(X) - \hat{\tau}(X))^2]}$	CATE 추정 정확도
ATE Estimation Error	$	\text{ATE} - \widehat{\text{ATE}}
Qini coefficient	Uplift curve 기반	타겟팅 효율성

참고 논문

yaoSurveyCausalInference2021 - Section 2.2, 3.4, 3.5
kunzelMetalearnersEstimatingHeterogeneous2019 - Meta-learners
Athey, S., & Imbens, G. (2016). Recursive partitioning for heterogeneous causal effects
Wager, S., & Athey, S. (2018). Estimation and inference of HTE using random forests

연결 그래프