미래 개입 효과 예측을 위한 인과 추정과 전이 가능성

초록

본 논문은 과거 관찰 데이터를 이용해 미래 시점에 시행될 정책·행사의 인과 효과를 예측하는 이론적 틀을 제시한다. 시간에 따라 변하는 교란 변수와 효과 수정자를 고려한 비모수적 g‑computation 식을 도출하고, 이를 통해 “시간적 전이 가능성”(temporal transportability) 가정 하에 미래 인과 효과를 식별하는 조건을 명시한다. COVID‑19 정책 평가 사례를 통해 개념을 구체화한다.

상세 분석

이 연구는 기존의 공간적 전이 가능성(generalizability, transportability) 문헌을 확장하여, 시간축을 넘어선 인과 효과 예측이라는 새로운 문제를 공식화한다. 핵심은 (1) 인과 추정량을 정의하고, (2) 과거 데이터에서 관측된 시간‑변화 공변량(X_it), 노출(S_it), 처리(Z_it) 및 결과(Y_it) 사이의 구조적 관계를 명시하는 인과 그래프를 설정하는 것이다. 저자는 시간‑고정 처리와 달리 시간‑변화 처리를 포함한 두 가지 시나리오를 구분한다.

시간‑변화 처리를 다룰 때는 “역사적 효과”(history effect)와 “지속 효과”(duration effect)를 구분하고, 과거 치료가 현재 교란 변수에 미치는 경로를 명시한다. 이를 위해 잠재적 결과 함수 Y_i^{\bar{z}}(·)와 노출‑반응 함수 μ_t(s, x) 를 정의하고, g‑computation 공식
E