네트워크 지역 의존성을 활용한 차분‑차분 방법

초록

본 논문은 네트워크 상의 지역적 간섭을 가정하고, 이웃 치료 벡터를 조건으로 하는 조건부 평행 추세 가정 하에 차분‑차분(DID) 설계를 비모수적으로 식별한다. 직접 효과(ADTT)와 새로운 외향 간섭 효과(AITT)를 정의하고, 역확률 가중(IPW) 및 이중 견고(DR) 추정량을 제시한다. ψ‑의존성 프레임워크를 이용해 네트워크 의존성을 고려한 점근적 정규성을 증명하고, 시뮬레이션 및 실증 분석을 통해 방법의 유효성을 확인한다.

상세 분석

이 연구는 기존 차분‑차분(DID) 분석이 전제로 삼는 SUTVA(Stable Unit Treatment Value Assumption)를 위배하는 네트워크 간섭 상황을 다루면서도, 사전에 노출 매핑(exposure mapping)을 지정하지 않는 비모수적 식별 전략을 제시한다는 점에서 혁신적이다. 저자는 각 단위 i에 대해 L개의 가장 가까운 이웃을 선택해 고정 차원 이웃 치료 벡터 D_Ni 를 정의하고, 이 벡터를 조건으로 하는 ‘조건부 평행 추세’ 가정을 도입한다. 이는 전통적 평행 추세 가정보다 강하지만, 노출 매핑을 오-specify했을 때 발생하는 편향을 회피한다는 장점을 가진다.

직접 효과(ADTT)는 치료를 받은 집단 내에서 자신의 치료 상태가 결과에 미치는 평균 차이를, 이웃 치료 상태를 고정한 채로 정의한다. 반면, 저자는 기존 문헌에서 흔히 사용되는 ‘내향 간섭’ 정의와는 달리, ‘외향 간섭’인 AITT를 도입한다. AITT는 한 단위 i가 치료될 때 그 이웃 j들의 결과가 평균적으로 얼마나 변하는지를 측정함으로써 정책 외부효과를 직접 정량화한다. 이는 정책 입안자가 치료 대상의 파급 효과를 평가하는 데 실질적인 정보를 제공한다.

식별 단계에서 제시된 Theorem 1과 Theorem 2는 각각 ADTT와 AITT를 역확률 가중(IPW) 형태로 표현한다. 여기서 e_i(D_Ni, z_i)는 이웃 치료 벡터와 공변량을 조건으로 한 개별 치료 확률, π_i(z_i)는 공변량만을 조건으로 한 마진 치료 확률이다. 이러한 가중치는 개별 선택 편향뿐 아니라 이웃 치료 구성에 따른 선택 편향도 동시에 보정한다.

추정 방법으로는 (1) IPW 추정량, (2) 이중 견고(DR) 추정량을 제시한다. DR 추정량은 치료 확률 모델과 결과 회귀 모델을 동시에 추정함으로써 어느 하나가 올바르게 지정되면 일관성을 보장한다. 네트워크 의존성을 고려한 ψ‑의존성(framework of Kojevnikov et al., 2021)을 적용해, 관측치들이 하나의 거대 네트워크에 종속적일 때도 중심극한정리를 성립시킨 점이 이론적 기여로 평가된다.

시뮬레이션에서는 네트워크 밀도, L값 선택, 모델 미스스펙시피케이션 등에 대한 민감도 분석을 수행해, 노출 매핑을 잘못 지정했을 때 기존 방법이 크게 편향되는 반면, 제안된 방법은 비교적 안정적인 추정치를 제공함을 확인한다. 실증 적용에서는 지역 기반 정책(예: 지방세 감면) 데이터를 사용해, 직접 효과와 외향 간섭 효과를 동시에 추정함으로써 정책의 총 파급 효과를 보다 정확히 파악한다.

한계점으로는 L을 고정해야 하는 차원의 저주(curse of dimensionality)와, 이웃 치료 벡터를 직접 관측해야 하는 데이터 요구사항이 있다. 또한, 조건부 평행 추세 가정이 실제 데이터에서 충족되는지 검증하기 위한 전처리 절차가 필요하다. 향후 연구에서는 자동 L 선택, 고차원 이웃 구조를 압축하는 차원 축소 기법, 그리고 비정형 네트워크(동적 네트워크)로의 확장을 모색할 여지가 있다.