데이터 증강을 활용한 인과 효과 추정: 결과 불변성에서 IV‑유사 회귀까지

초록

본 논문은 결과 함수가 데이터 증강에 대해 불변일 때, 증강을 치료 변수에 대한 소프트 인터벤션으로 해석하고, 전통적인 도구변수(IV)의 엄격한 조건을 완화한 IV‑유사(IVL) 회귀를 제안한다. 파라미터화된 증강을 IVL 회귀 문제로 전환함으로써, 단순 증강보다 더 큰 편향 감소와 외삽 일반화를 달성한다는 이론적·실험적 결과를 제시한다.

상세 분석

이 논문은 인과 추정과 데이터 증강을 연결하는 새로운 프레임워크를 제시한다는 점에서 학술적 의의가 크다. 먼저, 결과 함수 f 가 증강 변환 G 에 대해 f(Gx)=f(x) 라는 불변성을 가정한다면, 증강은 치료 변수 X 의 메커니즘 τ 을 대체하는 소프트 인터벤션으로 해석될 수 있다. 이는 기존의 ERM이 숨은 교란 C 와의 상관관계 때문에 편향된 추정값을 내는 문제를 완화한다는 논리적 근거를 제공한다.

두 번째 핵심은 전통적인 IV가 요구하는 네 가지 조건 중 ‘결과 관련성’을 포기하고도 유용한 교란 감소 효과를 얻을 수 있다는 IV‑유사(IVL) 개념이다. 저자는 IV 위험 R_IV 에 α · ER​M 위험을 가중합한 정규화 목표 R_IVL 을 제안하고, 이를 최소화하는 IVL 회귀가 선형 Gaussian SEM에서 편향을 엄격히 감소시킴을 정리 1, 2 를 통해 증명한다. 특히 α 가 작을수록 최악의 치료 변동에 대한 강건성을 보장하면서도, E