스코어 매칭 기반 리즈 대표자 추정과 정책 경로 분석

초록

ScoreMatchingRiesz는 스코어 매칭을 활용해 리즈 대표자(Riesz representer)를 추정하는 새로운 프레임워크이다. 데이터 스코어와 시간 스코어 두 가지 방식으로 구현되며, 이를 통해 평균 한계 효과(AME)와 평균 정책 효과(APE)를 연결하는 정책 경로를 정의하고 추정한다. 제안된 방법은 기존의 하이베리넨 스코어 매칭·디노이징 스코어 매칭·무한밀도비율 추정(DRE‑∞)의 장점을 결합해 안정적인 추정과 √n‑일관성을 제공한다.

상세 분석

ScoreMatchingRiesz 논문은 리즈 대표자 추정이라는 핵심 난제를 스코어 매칭이라는 최신 비모수 밀도 추정 기법으로 재구성한다는 점에서 혁신적이다. 리즈 대표자는 Neyman‑orthogonal 점수함수에서 교란 변수 역할을 하며, 그 정확한 추정이 없으면 디바이즈드 머신러닝(debiased machine learning)의 √n‑일관성과 효율성 보장이 무너지게 된다. 기존 연구에서는 Riesz 회귀, 최근접 이웃 매칭, 공분산 균형 등 다양한 방법을 제시했지만, 고차원에서의 과적합·발산 문제를 완전히 해결하지 못했다.

본 논문은 두 가지 스코어를 도입한다. 첫 번째는 데이터 스코어 s_data(x)=∇_x log p_0(x) 로, 이는 관측 데이터의 로그밀도 기울기이다. 이를 추정하기 위해 디노이징 스코어 매칭(DSM)을 사용한다. DSM은 Gaussian 노이즈를 추가한 뒤, 노이즈된 샘플에 대한 스코어를 학습함으로써 원본 데이터 스코어를 복원한다. 이 과정은 확산 모델에서 사용되는 손실과 동일하며, Jacobian‑trace 계산을 회피해 고차원에서도 효율적이다.

두 번째는 시간 스코어 s_time_t(x)=∂_t log p_t(x) 로, 여기서 p_t는 연속적인 중간 분포(bridge distribution)들의 패밀리이다. 시간 스코어는 밀도 비율 r(x)=q(x)/p(x)를 로그 적분 형태로 표현할 수 있게 해준다. 즉, log r(x)=∫_0^1 s_time_t(x) dt 로, 이는 DRE‑∞(infinite density‑ratio estimation)와 동일한 아이디어다. 논문은 Choi et al. (2022)의 무한 미분 분류 기반 접근을 차용해, 시간 스코어를 학습하고 이를 적분해 밀도 비율을 복원한다.

이 두 스코어를 활용해 Data‑ScoreMatchingRiesz와 Time‑ScoreMatchingRiesz 두 구현을 제시한다. AME(average marginal effect)에서는 리즈 대표자가 단순히 데이터 스코어의 부호 변형(α_AME = −∂_d log p_0(d,Z))이므로 Data‑ScoreMatchingRiesz만으로 충분히 추정한다. 반면 APE(average policy effect)와 ATE(average treatment effect)와 같이 밀도 비율이 등장하는 경우, 시간 스코어를 통해 연속적인 브릿지를 만들고, 그 적분을 통해 비율을 복원함으로써 리즈 대표자를 얻는다.

특히 논문은 정책 경로(policy path) 라는 새로운 파라미터를 정의한다. 정책 경로는 연속적인 정책 변화를 매개변수 t에 매핑한 함수이며, t=0에서 AME, t=1에서 APE에 해당한다. 스코어를 경로에 따라 적분함으로써 중간 정책 효과를 추정할 수 있어, 정책 설계자가 “정책을 조금씩 바꿨을 때 효과가 어떻게 변하는가”를 직관적으로 파악할 수 있다. 이는 기존에 AME와 APE를 별도 추정하던 방식을 통합하는 의미 있는 확장이다.

이론적 측면에서는 제안된 리즈 대표자 추정기가 Neyman‑orthogonal 점수에 삽입될 때 필요한 수렴 속도를 명시적으로 증명한다. 데이터 스코어는 DSM의 기존 수렴 결과를 그대로 차용하고, 시간 스코어는 DRE‑∞의 연속적 비율 추정 이론을 이용해 L2‑오차가 O_p(n^{-β}) (β>0) 수준임을 보인다. 이러한 속도는 교차‑피팅(cross‑fitting)과 결합될 경우, 최종 파라미터 추정이 √n‑정규성을 만족함을 보장한다.

마지막으로 실험 및 부록에서는 경제학적 로컬 프로젝션, 연속 치료 효과 시뮬레이션, 고차원 이미지 데이터에 대한 밀도 비율 복원 등 다양한 사례를 통해 제안 방법의 안정성과 효율성을 입증한다. 특히 기존 Hyvärinen 스코어 매칭이 발산하던 고차원 상황에서도 DSM 기반 Data‑ScoreMatchingRiesz는 수렴을 유지했고, DRE‑∞ 기반 Time‑ScoreMatchingRiesz는 과적합 없이 정확한 비율을 복원했다.

요약하면, 이 논문은 리즈 대표자 추정이라는 통계적 핵심 문제를 현대 딥러닝 기반 스코어 매칭과 연속적 밀도 비율 추정이라는 두 축으로 재구성함으로써, 이론적 보증과 실용적 안정성을 동시에 제공한다. 정책 경로라는 새로운 파라미터 도입은 인과 정책 분석에 새로운 시각을 제공하며, 향후 연속 치료·정책 최적화 분야에 큰 파급 효과를 기대한다.