#causal-inference

노트 51개

AIPW (Augmented Inverse Probability Weighting) - $\hat{\mu}t(X)$: Outcome 모델 ($E[Y|T=t, X]$)
Anytime-Valid Inference Overview 고정 표본 가설검정의 "peeking" 문제를 푸는 game-theoretic statistics. 식별-타당성 drift를 실시간 모니터링하는 안전 추론의 수학적 기초.
Applied Causal Inference for Pricing — CATE & SCM Across Public Datasets An applied case study using only public datasets (LendingClub, iPinYou) that combines CATE estimation for price-sensitivity heterogeneity with SCM-based moderator analysis to design individual-level, risk-based pricing and RTB bidding policies — all findings illustrative and projected, not proprietary.
ATT (Average Treatment Effect on the Treated) 실제로 처치를 받은 그룹에 대한 평균 처치 효과
Back-door Criterion Back-door Criterion (Pearl, 1993)은 observational data에서 causal effect를 식별하기 위한 graphical criterion. 변수 집합 $Z$가 $X \rightarrow Y$의 causal effect 식별에 충분한지 판단.
BART (Bayesian Additive Regression Trees) 여러 트리의 합으로 결과를 모델링하는 Bayesian 앙상블 방법
CATE (Conditional Average Treatment Effect) Conditional Average Treatment Effect (CATE)는 covariate $X=x$가 주어졌을 때의 평균 처치 효과:
Causal Forest Causal Forest는 Athey, Tibshirani, Wager (2019)가 제안한 일반화 랜덤 포레스트(GRF)의 인과추론 응용으로, 처리 효과의 이질성을 최대화하도록 분할합니다.
Causal Inference Under Partial Identification — Sensitivity and Evidence Hierarchies When real-world data fail strong ignorability, point identification gives way to bounds, proxies, and sensitivity analysis — an honest hierarchy of evidence that connects credible causal claims to semiparametric efficiency.
CEVAE (Causal Effect Variational Autoencoder) VAE를 활용하여 잠재 교란변수를 추론하고 인과 효과를 추정하는 방법
CFR (Counterfactual Regression) IPM(Integral Probability Metric) 정규화로 균형 잡힌 표현을 학습하는 딥러닝 방법
Collider Collider는 treatment (X)와 outcome (Y) 모두로부터 영향을 받는 변수 (common effect). X → C ← Y 구조에서 C가 collider.
Confounder Confounder는 treatment (X)와 outcome (Y) 모두에 영향을 주는 변수 (common cause)로, X와 Y 사이에 spurious (non-causal) association을 생성.
Constraint-Based Methods Overview Constraint-based methods는 데이터의 conditional independence (CI) 관계를 테스트하여 인과 그래프를 복원하는 방법. Faithfulness 가정 하에서 CI 관계와 d-separation의 대응을 활용.
d-separation d-separation (directional separation)은 DAG에서 두 변수 집합이 세 번째 집합에 조건부로 독립인지 판단하는 graphical criterion.
DAG (Directed Acyclic Graph) DAG (Directed Acyclic Graph)는 변수 간의 causal relationship을 시각적으로 표현하는 그래프. Causal inference에서 confounding 구조를 파악하고 identification strategy를 결정하는 핵심 도구.
do-operator do-연산자는 Pearl이 제안한 개입(intervention)을 형식화하는 방법입니다.
Double/Debiased Machine Learning (DML) 고차원 nuisance parameter $\eta0$ 존재 하에서 저차원 관심 parameter $\theta0$에 대한 유효한 통계적 추론을 수행하기 위한 방법론.
Doubly Robust Estimator Doubly Robust (DR) Estimator는 outcome regression과 propensity score 모델을 결합하여, 둘 중 하나만 올바르게 specified되어도 consistent한 추정량.
DR-Learner DR-Learner는 CATE 추정을 위한 2단계 doubly robust estimator로, Pseudo-outcome을 covariate에 대해 regression하는 방식.
Dunnhumby — Track 2: Causal Targeting via Heterogeneous Treatment Effects Meta-learner / Causal Forest CATE under severe positivity violation (PS AUC 0.989); an OPE-validated policy targets ~31% of customers and surfaces counter-intuitive negative-CATE segments. Hypothesis-generating on public data.
Efficient Influence Function (준)모수 모형의 regular asymptotically linear(RAL) 추정량들 중, 분산이 가장 작은 IF가 efficient influence function(EIF)이며 그 분산은 semiparametric efficiency bound(모든 parametric submodel의 Cramér-Rao…
Endogeneity 내생성(Endogeneity)은 설명 변수가 오차항과 상관될 때 발생하는 문제입니다.
ESCM² (Entire Space Counterfactual Multi-Task Model) ESMM의 두 가지 이론적 한계 — Inherent Estimation Bias (IEB)와 Potential Independence Priority (PIP) — 를 해결하기 위해, Inverse Propensity Score (IPS) 및 Doubly Robust Estimator 기반…
From Estimation to Action — How HTE Drives Personalized Policy Across Domains One methodological spine — estimate heterogeneous treatment effects and turn them into individual-level policies — powers both clinical sequential treatment decisions and industrial targeting, pricing, and recommendation.
Fundamental Problem of Causal Inference 동일한 개인에 대해 처치(W=1)와 대조(W=0)의 결과를 동시에 관측할 수 없는 문제
HTE (Heterogeneous Treatment Effects) 처치 효과가 개인의 특성에 따라 달라지는 현상
Influence Function 함수형 모수 $\psi:\mathcal{P}\to\mathbb{R}$의 추정량 $\hat\psi$이 asymptotically linear이면 영향함수(IF) $\phi$가 존재하여
Instrumental Variables 도구변수(Instrumental Variables, IV)는 내생성 문제를 해결하기 위해 사용하는 외생적 변수입니다.
IPW (Inverse Propensity Weighting) Propensity Score의 역수를 가중치로 사용하여 처치 효과 추정
ITE (Individual Treatment Effect) 개인 $i$에 대한 처치 효과
Marketing Attribution at Scale — From Simulation to Causal Inference A case study comparing 10+ multi-touch attribution methods against a known-ground-truth simulator, then scaling them on the public Criteo dataset, closing the loop with budget off-policy evaluation for channel allocation.
Mediator Mediator는 treatment (X)가 outcome (Y)에 영향을 주는 causal pathway 상에 있는 중간 변수. X → M → Y 구조에서 M이 mediator.
Meta-learners Meta-learners는 기존 supervised learning 방법 (base learner)을 활용하여 CATE를 추정하는 알고리즘의 총칭.
Negative Control Outcome (NCO) NCO는 처치의 인과적 영향을 받지 않는다고 사전 보장되지만 같은 교란 $U$의 그림자를 받는 결과변수. 대조적으로 NCE(negative control exposure)는 결과에 인과효과가 없는 노출. NCO에 대한 "겉보기 효과"가 0이 아니면 → 비관측 교란의 신호(탐지) → proximal로 보정.
One-step Estimator 플러그-인 $\psi(\hat P)$에 추정된 EIF의 경험평균을 더해 1차 편향을 교정:
Partial Identification 점식별(point identification)이 가정 부족으로 불가능할 때, 모수는 데이터 + 가정과 양립하는 identified set $\ThetaI$(흔히 구간 $[\thetaL,\thetaU]$)에만 속함을 안다. Manski의 무가정/worst-case bounds가 출발점. sharp bounds =…
Positivity (Overlap) 모든 공변량 값에 대해 처치를 받을 확률이 0과 1 사이에 존재
Propensity Score Matching (PSM) Propensity Score가 유사한 처치군과 대조군 개인을 매칭
Proximal Causal Inference 비관측 교란 $U$가 있을 때, 두 종류의 proxy로 인과효과를 식별:
R-Learner R-Learner (Residualized Learner)는 Robinson Transformation을 기반으로 residualized outcome과 residualized treatment를 사용하여 CATE를 추정하는 Meta-learners.
Representation Learning Overview 처치와 독립적이면서 결과 예측에 유용한 표현(representation)을 학습하는 방법
S-Learner S-Learner (Single Learner)는 treatment indicator를 feature로 포함하는 단일 모델로 response function을 추정한 후 CATE를 계산하는 Meta-learners.
SCM (Structural Causal Model) SCM (Structural Causal Model)은 변수들 간의 인과 관계를 수학적으로 표현하는 framework. Pearl의 causal inference framework의 핵심.
Score-Based Methods Overview Score-based methods는 그래프에 score function을 부여하고, 데이터에 가장 적합한 그래프를 탐색. Constraint-based와 달리 CI tests 없이 model fit 최적화.
Strong Ignorability Ignorability와 Positivity를 결합한 가정
SUTVA (Stable Unit Treatment Value Assumption) 한 단위의 잠재 결과는 다른 단위의 처치 할당에 영향받지 않으며, 각 처치 수준에 대해 단일 버전만 존재한다.
T-Learner T-Learner (Two Learner)는 treatment group과 control group에 대해 별도의 모델을 학습하여 CATE를 추정하는 Meta-learners.
TMLE (Targeted Maximum Likelihood Estimation) 플러그-인 추정량을 표적 모수 방향으로 보정(targeting) 하는 절차:
Treatment Effects Overview Potential Outcome Framework에서 추정 대상(estimand)이 되는 처치 효과(treatment effects)를 체계적으로 정리한다.
X-Learner X-Learner는 imputed treatment effect를 활용한 3단계 알고리즘으로, 그룹 간 불균형과 CATE의 구조적 특성을 효과적으로 활용하는 Meta-learners.