가중 제어 직접 효과의 최적 조정 집합: 비모수 추정과 효율성 이론

초록

본 논문은 관찰 연구에서 가중 제어 직접 효과(WCDE)를 고유하게 식별하고, 비모수 추정기의 영향함수를 도출하며, 비대칭적 매개‑교란자 상호작용을 고려한 최적 조정 집합을 제시한다. 최적 집합은 결과 변수의 부모 집합을 기반으로 하며, 이를 이용한 AIPW 추정기는 기존 CDE 추정보다 낮은 분산을 보인다.

상세 분석

이 연구는 먼저 WCDE의 정의를 명확히 하고, 기존 CDE와의 차이를 그래프 이론적 관점에서 정리한다. WCDE는 매개변수 M′(Y의 직접 부모이면서 A와 Y 사이에 존재하는 매개) 전체에 대해 사후분포 p(m′)로 가중 평균을 취함으로써, 매개 수준에 따라 변동하는 직접 효과를 하나의 집계값으로 만든다. 이를 위해 저자들은 ‘유효 조정 집합(VAS)’이라는 개념을 도입하고, Condition 2.5라는 세 가지 그래프적 조건(C1–C3)을 제시한다. C1은 모든 매개 경로가 Z₁(조정 집합 내 매개)으로 차단돼야 함을, C2는 Z₂(비매개 변수)가 CDE를 식별하기 위한 기존 충분·필요 조건을 만족해야 함을, C3는 매개‑교란자 상호작용을 고려해 M′\Z₁와 A, Pa(Y)(M′∪A) 사이에 조건부 독립성이 확보되어야 함을 의미한다. Lemma 2.6은 이 조건이 필요충분함을 증명하며, 조정 집합이 달라도 식별된 WCDE 값은 동일하지만, 유한 표본에서는 분산 차이가 발생한다는 점을 강조한다.

다음으로 저자들은 정규·점근선형(RAL) 추정기의 프레임워크를 도입하고, WCDE의 영향함수(IF)를 Theorem 3.4에서 명시한다. IF는 선택된 VAS에 따라 구성 요소가 달라지며, 특히 매개‑교란자 상호작용을 포함하는 경우 기존 ATE 최적 조정 집합과는 다른 형태를 띤다. 이를 바탕으로 Asymptotic Variance(AV)는 IF의 분산으로 표현되고, VAS 선택이 AV에 직접적인 영향을 미친다.

핵심 기여는 Theorem 4.3에서 제시된 ‘최적 VAS’이다. 저자들은 AV를 최소화하는 VAS는 “Y의 모든 부모 중 A를 제외한 변수 전체”가 포함된 집합이라고 증명한다. 이는 매개‑교란자 상호작용을 완전히 통제하기 위해 매개 자체뿐 아니라 교란자(특히 Y의 직접 원인)까지 모두 포함해야 함을 의미한다. 기존 ATE 최적 집합이 보통 최소 비용·최소 차단 집합에 초점을 맞추는 반면, WCDE는 매개 분포 가중치가 필요하므로 더 넓은 변수 집합을 요구한다.

마지막으로 저자들은 AIPW(augmented inverse probability weighting) 추정기를 설계하고, 시뮬레이션 및 실제 데이터(공정성 평가 사례)에서 최적 VAS를 사용했을 때 분산이 현저히 감소함을 실증한다. 또한, 미지의 그래프 상황에서 조정 집합 탐색을 위한 알고리즘적 아이디어와 기존 변수 선택 방법(CovSel, double selection 등)과의 차별점을 논의한다. 전체적으로 이 논문은 WCDE를 실용적으로 적용하기 위한 이론적 토대와 효율적인 추정 방법을 동시에 제공한다는 점에서, 공정성·중재 분석 분야에 큰 파급 효과를 기대할 수 있다.