이질적 치료 효과 추정을 위한 하이브리드 메타러너

초록

본 논문은 관찰 데이터에서 조건부 평균 치료 효과(CATE)를 추정할 때, 기존의 간접형 메타러너와 직접형 메타러너가 각각 갖는 편향·분산 트레이드오프를 보완하는 새로운 하이브리드 메타러너(H‑learner)를 제안한다. H‑learner는 두 개의 중간 함수 f₀, f₁을 동시에 학습해, 각각은 잠재 결과(Potential Outcome)를 근사하면서도 그 차이 f₁‑f₀가 의사결과(pseudo‑outcome)와 일치하도록 정규화한다. λ라는 하이퍼파라미터로 간접형(λ≈0)과 직접형(λ≈1) 정규화를 가중 평균함으로써 데이터 특성에 맞는 최적의 편향·분산 균형을 자동으로 찾는다. 실험 결과, H‑learner는 다양한 반실험·실제 데이터셋에서 기존 메타러너들을 능가하며 파레토 최적선에 위치한다.

상세 분석

본 연구는 CATE 추정 문제를 “메타러너”라는 모델‑불가지론적 프레임워크 안에서 재조명한다. 기존 메타러너는 크게 두 갈래로 나뉜다. 첫 번째인 간접형(Indirect) 메타러너는 치료군·대조군을 각각 별도의 잠재 결과 모델 μ₀, μ₁에 맞춘 뒤, 두 모델의 차이 τ̂(x)=μ̂₁(x)−μ̂₀(x)로 CATE를 추정한다. 이 접근법은 μ₀, μ₁의 복잡도가 낮을 때 강점이 있지만, 두 모델이 서로 다른 영역에서 과적합하거나 과소적합하면 차이 연산을 통해 인위적인 이질성이 발생한다(regularization‑induced confounding). 두 번째인 직접형(Direct) 메타러너는 IPW, DR, X‑learner 등과 같이 의사결과 Yφ를 구성하고, 이를 직접 τ̂(x) 에 회귀시킨다. 직접형은 CATE 자체가 단순하거나 μ₀, μ₁보다 낮은 차원일 때 효율적이지만, 의사결과가 고분산을 갖거나 μ₀, μ₁와 동일한 복잡도를 가질 경우 편향이 커진다.

논문은 이러한 두 접근법이 서로 보완적인 편향·분산 특성을 가진다는 점을 정량적으로 분석한다. 특히, 잠재 결과가 동일한 형태(예: sin ωx)지만 위상 차이 Δ에 따라 τ(x) 가 상수(Δ=0) 혹은 복잡한 형태(Δ≠0)로 변하는 사례를 통해, “CATE의 복잡도와 잠재 결과의 복잡도는 독립적일 수 있다”는 사실을 강조한다.

핵심 기여는 H‑learner라는 새로운 정규화 전략이다. H‑learner는 두 단계로 구성된다. ① 기존 간접형 메타러너(예: T‑learner)로 초기 μ̂₀, μ̂₁을 얻어 의사결과 Yφ를 만든다. ② f₀, f₁ ∈ 𝔽를 동시에 최적화하는 손실
 L = Σ_i