ITE (Individual Treatment Effect)

정의

개인 $i$ 에 대한 처치 효과

\text{ITE}_i = Y_i(1) - Y_i(0)

$Y_i(1)$ : 개인 $i$ 가 처치를 받았을 때의 잠재 결과
$Y_i(0)$ : 개인 $i$ 가 처치를 받지 않았을 때의 잠재 결과

직관적 이해

개인 수준의 인과 효과

“이 사람에게 처치가 얼마나 효과적인가?”

예시:

환자 Alice에게 약물 A의 효과
학생 Bob에게 튜터링 프로그램의 효과
고객 Charlie에게 쿠폰의 구매 유도 효과

Counterfactual Question

\text{ITE}_i = \underbrace{Y_i(1)}_{\text{처치 시 결과}} - \underbrace{Y_i(0)}_{\text{미처치 시 결과 (반사실적)}}

“처치를 받았을 때 vs 받지 않았을 때” 동일 개인의 두 결과 차이.

Fundamental Problem

관측 불가능

Fundamental Problem of Causal Inference로 인해 ITE는 직접 관측 불가능:

개인	$W$ (처치)	$Y(1)$	$Y(0)$	ITE
Alice	1	관측	?	?
Bob	0	?	관측	?

한 개인에 대해 $Y(1)$ 과 $Y(0)$ 중 하나만 관측 가능.

대안: CATE 추정

개인별 ITE 대신 그룹 수준의 평균을 추정:

\text{CATE}(x) = E[\text{ITE} \mid X=x] = E[Y(1) - Y(0) \mid X=x]

동일한 특성 $X$ 를 가진 개인들의 평균 효과.

ITE vs 다른 Estimands

Estimand	정의	수준
ITE	$Y_i(1) - Y_i(0)$	개인
CATE	$E[Y(1) - Y(0) \mid X]$	조건부 그룹
ATE	$E[Y(1) - Y(0)]$	전체 모집단
ATT	$E[Y(1) - Y(0) \mid W=1]$	처치군

관계

\text{CATE}(x) = E[\text{ITE}_i \mid X_i = x]

\text{ATE} = E[\text{ITE}_i] = E_X[\text{CATE}(X)]

ITE 추정 시도

1. CATE로 근사

\hat{\text{ITE}}_i \approx \hat{\tau}(X_i)

동일 $X$ 를 가진 개인들의 평균 효과로 근사.

한계: 개인 변이 무시

2. Imputation 접근

처치군 ( $W_i = 1$ ):

\hat{\text{ITE}}_i = Y_i - \hat{Y}_i(0)

대조군 ( $W_i = 0$ ):

\hat{\text{ITE}}_i = \hat{Y}_i(1) - Y_i

반사실적 결과를 모델로 impute.

3. 딥러닝 접근

GANITE 등: 개인별 counterfactual 생성 시도

응용

1. Personalized Medicine

환자별 최적 치료 선택
“이 환자에게 A vs B 어떤 치료?“

2. 맞춤형 마케팅

고객별 최적 제안
“이 고객에게 쿠폰이 효과적일까?“

3. 개인화 추천

사용자별 콘텐츠 효과
“이 사용자에게 이 콘텐츠가 효과적일까?“

4. 정책 타겟팅

정책 대상 선별
“누구에게 이 프로그램이 효과적인가?”

참고 논문

yaoSurveyCausalInference2021 - Section 2.2
Holland, P. W. (1986). Statistics and Causal Inference
Rubin, D. B. (1974). Estimating causal effects of treatments

정의