선호 기반 조건부 치료 효과와 정책 학습

초록

본 논문은 결과를 절대적 수치가 아니라 ‘선호 규칙’에 따라 순위만 매길 수 있는 상황을 위한 새로운 조건부 치료 효과(CPTE) 개념을 제시한다. CPTE는 기존의 평균 치료 효과(CATE)와 달리 다변량·순서형·계층적 결과를 자연스럽게 다루며, 비식별적인 기존 추정량에 대한 식별 조건을 제공한다. 매칭, 분위수 회귀, 분포 회귀 등을 활용한 추정 방법과 효율적인 영향함수(EIF) 기반 1‑step 보정 추정기를 설계하고, 이를 이용한 정책 학습 프레임워크를 구축한다. 합성·반합성 실험을 통해 제안 방법이 기존 방법보다 우수함을 입증한다.

상세 분석

이 논문은 인과 추론에서 “어떤 치료가 더 선호되는가”라는 질문을 정량화하기 위해, 전통적인 평균 차이(ATE) 대신 결과 간의 비교를 기반으로 하는 선호 함수 w(y, y′) 를 도입한다. w는 PNS(necessity‑sufficiency), Win Ratio, 일반화된 쌍별 비교 등 다양한 형태를 포괄한다. 핵심 아이디어는 개별 단위의 잠재 결과(Y⁰, Y¹)를 직접 관찰할 수 없다는 근본적 한계에도 불구하고, 동일한 공변량 x 조건 하에 독립적인 두 표본—하나는 치료군, 다른 하나는 대조군—을 결합해 CPTE(x)=E