패널 데이터 사전 관측 없이 인과 효과를 추정하는 데이터 융합 기법

초록

본 논문은 사전 개입 기간이 없는 패널 데이터 상황에서, 보조 도메인의 관련 패널 데이터를 활용해 인과 효과를 추정하는 두 가지 데이터‑융합 방법을 제안한다. 첫 번째는 ‘동등 혼란(equi‑confounding)’ 가정을 기반으로 한 차분‑인‑차분 확장인 선형·로그식 방법이며, 두 번째는 제어군 매칭을 최적화하는 제약식 합성 대조법이다. 두 방법 모두 절대 편향에 대한 상한을 도출하고, 시뮬레이션 및 케임브리지(매사추세츠) 지역의 COVID‑19 백신 접종 사례에 적용해 실효성을 검증한다.

상세 분석

이 연구는 기존 차분‑인‑차분(DiD)과 합성 대조(Synthetic Control) 방법이 사전 관측 데이터를 필요로 하는 한계를 극복하고자, ‘데이터‑융합(data‑fusion)’이라는 새로운 패러다임을 도입한다. 핵심 아이디어는 목표 도메인(target domain)과 보조 도메인(reference domain) 사이에 ‘동등 혼란(equi‑confounding)’이라는 구조적 관계를 가정함으로써, 보조 도메인의 관측값을 목표 도메인의 잠재적 대조 결과(potential control outcome) 추정에 활용한다는 점이다.

첫 번째 접근법인 Linear Equi‑Confounding은 목표 도메인의 평균 잠재적 대조 결과와 보조 도메인의 평균 관측값이 동일한 편향을 공유한다는 선형 가정을 둔다(Assumption 2). 이를 통해 ψ₀ = E