일반 도구변수를 이용한 인과효과 식별 및 디바이아스 학습

초록

본 논문은 다범주형·연속형 도구변수(IV)를 허용하는 비모수 인과 프레임워크를 제시한다. 정규 가중함수(regular weighting function)를 도입해 평균 잠재결과와 평균 처리효과(ATE)를 식별하고, 반편향 머신러닝(debiased machine learning) 기반 두 가지 효율적인 추정량을 개발한다. 첫 번째 추정량은 사전 지정된 가중함수를 사용하고, 두 번째는 데이터에 기반해 최적 가중함수를 자동 선택한다. 또한 종단 데이터, 동적 치료 정책, 곱셈형 IV 등으로 확장한다. 시뮬레이션과 JTPA 실증 분석을 통해 방법의 유효성을 확인한다.

상세 분석

이 연구는 기존 IV 방법이 주로 이진 도구변수와 강한 단조성 가정에 의존하는 한계를 극복한다. 저자들은 “정규 가중함수(RWF)”라는 새로운 개념을 도입하여, IV와 처리 변수 사이의 연관성을 정량화하고, 이를 통해 비모수적 식별을 가능하게 한다. RWF는 조건부 공분산이 일정한 양의 하한을 갖는 함수로 정의되며, 이는 기존의 ‘IV relevance’와 ‘positivity’ 조건을 동시에 만족한다는 점에서 의미가 크다. 특히 강한 IV relevance(Assumption 2.5)를 가정함으로써 RWF의 존재와 식별 가능성을 보장한다.

식별 단계에서는 잠재결과 평균 E