배치 적응 실험을 위한 추정과 검정

초록

본 논문은 적응형 실험에서 발생하는 이질분산 문제를 해결하기 위해 배치별 OLS 추정치를 가중 평균한 BOLS 통계량을 제안한다. 각 배치의 차이 추정치를 역표준오차로 스케일링한 뒤 평균을 취해 정규성을 확보하고, 이를 기반으로 신뢰구간과 검정절차를 제공한다. 시뮬레이션을 통해 이질분산을 고려한 BOLS가 기존 동분산 가정 통계량보다 정확한 크기와 비틀림을 보임을 확인한다.

상세 분석

이 논문은 적응형 실험, 특히 배치 단위로 치료 할당 확률이 과거 관측에 따라 변하는 상황에서 전통적인 OLS 기반 추정이 비정규적 분포와 과도한 오차를 초래한다는 점을 지적한다. 저자는 각 배치 t에 대해 처리군 평균 (\bar Y_{1,t})와 통제군 평균 (\bar Y_{0,t})의 차이 (\hat\Delta_t)를 정의하고, 이 차이의 분산을 (\displaystyle v_t = \frac{\sigma_{1,t}^2}{N_{1,t}}+\frac{\sigma_{0,t}^2}{N_{0,t}} = \frac{1}{n_t}\bigl(\sigma_{1,t}^2\pi_t+\sigma_{0,t}^2(1-\pi_t)\bigr)) 로 표현한다. 여기서 (\pi_t)는 배치 t의 처리 비율이며, 적응형 정책에 의해 무작위이지만 히스토리 의존성을 가진다.

핵심 아이디어는 (\displaystyle w_t = 1/\sqrt{v_t}) 로 정의된 가중치를 사용해 (\hat\Delta = \sum_{t=1}^T w_t \hat\Delta_t / \sum_{s=1}^T w_s) 라는 가중 평균 추정량을 만든다. 이때 (w_t^2 v_t = 1) 이므로 가중 평균의 조건부 분산은 (\displaystyle \operatorname{Var}(\hat\Delta \mid {w_t}) = 1/(\sum_{t=1}^T w_t)^2) 가 된다. 따라서 표준오차는 (\displaystyle \text{SE}(\hat\Delta)=\sqrt{T}/\sum_{t=1}^T w_t) 로 간단히 계산된다.

이 가중 평균을 표준화하면 각 배치의 z-통계량 (z_{t,\text{het}} = (\hat\Delta_t - c)/\sqrt{v_t}) 를 평균한 형태인 (\displaystyle Z_{\text{het}} = \frac{1}{\sqrt{T}}\sum_{t=1}^T z_{t,\text{het}}) 가 된다. 저자는 기존 연구(Zhang et al., 2020; Hadad et al., 2021)의 대규모 배치 비대칭 및 고정 T 상황을 일반화하여, 이 (\displaystyle Z_{\text{het}}) 가 (N(0,1)) 로 수렴함을 정리 1 로 제시한다. 이는 배치 수가 고정이든, 혹은 T→∞이든, 배치 크기 (n_t) 가 충분히 크면 성립한다.

실제 적용을 위해서는 (\sigma_{a,t}^2) 를 추정해야 하는데, 저자는 HC2/HC3 같은 이질분산-강건 추정량 혹은 배치 간에 일정하다고 가정한 풀링 추정량을 제안한다. 또한, 다중 처리군(k>2)으로 확장 가능함을 언급한다.

시뮬레이션에서는 ε‑Greedy와 Bernoulli Thompson Sampling 두 가지 적응형 알고리즘을 사용해 100,000 반복 실험을 수행한다. 결과는 크게 네 가지 상황(동분산·이질분산, 제로·비제로 마진)으로 나뉘며, 제로 마진·동분산에서는 기존 OLS가 비정규성을 보이지만 BOLS(동분산 가정)와 BOLS(이질분산 가정) 모두 정상성을 회복한다. 제로 마진·이질분산에서는 동분산 BOLS가 과도하게 기각률(≈17%)을 보이는 반면, 제안된 이질분산‑강건 BOLS는 정확히 5% 수준을 유지한다. 마진이 커질수록 모든 방법이 정상성을 회복하지만, 이질분산 상황에서는 여전히 동분산 BOLS가 약간 과대 기각한다.

결론적으로, 배치별 가중 평균을 이용한 BOLS 통계량은 적응형 실험에서 발생하는 비정규성과 이질분산 문제를 동시에 해결하며, 간단한 구현과 이론적 정당성을 동시에 제공한다. 이는 정책 평가, 온라인 실험, 의료 임상시험 등 실시간 할당이 필요한 분야에 직접 적용 가능하다.