Dynamic covariate balancing: estimating treatment effects over time with potential local projections

1. 연구 배경 및 문제 제기 (Problem)

• 동적 처치 환경: 많은 실증 연구 (경제학, 의학 등) 에서 개체 (individual) 들은 과거의 결과, 공변량 (covariates), 그리고 이전의 처치 이력에 기반하여 미래의 처치를 선택합니다. 이는 처치 결정이 시계열적으로 종속적임을 의미합니다.
• 기존 방법론의 한계:
  1. 확률적 가중치 (IPW/AIPW): 역확률 가중치 (Inverse Probability Weighting) 기반의 방법론은 처치 할당 메커니즘 (propensity score) 을 정확히 추정해야 합니다. 그러나 고차원 (high-dimensional) 데이터나 긴 처치 역사 (treatment history) 를 가진 경우, 결합 확률 (joint probability) 이 0 에 가까워지거나 모델 오-specification 으로 인해 가중치가 불안정해지고 분산이 매우 커지는 문제가 발생합니다.
  2. 차이 중 차이 (DiD): 전통적인 DiD 설계는 '평행 추세 (parallel trends)' 가정을 요구하는데, 동적 처치 선택이 존재할 경우 이 가정이 위반되어 편향된 결과를 초래합니다.
  3. 표준 국소 투영 (Local Projections): 표준 국소 투영은 관측된 결과 (realized outcomes) 에 선형 모델을 적용하지만, 이는 처치 분포에 의존하게 되어 동적 환경에서 잠재적 결과 (potential outcomes) 의 인과 효과를 올바르게 식별하지 못합니다.
• 핵심 문제: 고차원 공변량이 존재하고, 처치가 과거 이력에 의존하며, 잠재적 결과가 과거 처치 경로 전체에 의존하는 환경에서 편향 (bias) 을 줄이고 분산 (variance) 을 통제할 수 있는 추정 방법이 필요합니다.

2. 방법론 (Methodology)

저자들은 동적 공변량 균형 (DCB) 방법을 제안하며, 이는 다음과 같은 단계로 구성됩니다.

A. 잠재적 국소 투영 (Potential Local Projections)

• 개념: Jordà (2005) 의 국소 투영 아이디어를 차용하되, 관측된 결과가 아닌 **잠재적 결과 (potential outcomes)**의 기대값에 선형 모델을 적용합니다.
• 모델: $t$ 시점의 잠재적 결과 기대값을 과거의 고차원 공변량과 잠재적 결과의 선형 함수로 근사합니다.
  • $E[Y_{i,t} | H_{i,t}] \approx H_{i,t} \beta_t$
• 장점: 이 접근법은 처치 할당 메커니즘 (propensity score) 에 대한 모델링을 요구하지 않으며, 각 시점의 공변량이 처치에 어떻게 반응하는지 별도의 모델을 추정할 필요가 없습니다.

B. 재귀적 균형 가중치 (Recursive Balancing Weights)

• 핵심 아이디어: 고차원 회귀 계수 ($\beta$) 의 추정 오차로 인한 편향을 제거하기 위해, 처치군과 대조군의 공변량 분포를 균형 있게 맞추는 가중치 ($\gamma$) 를 설계합니다.
• 동적 균형 조건:
  • 1 시점: 초기 공변량 ($X_1$) 을 균형 맞춤.
  • $t$ 시점: 이전 시점의 가중치로 재가중된 상태 (rewighted history) 에서, $t$ 시점의 과거 이력 ($H_{i,t}$) 을 균형 맞춤.
  • 이는 단순히 모든 시점의 공변량을 한 번에 균형 맞추는 것이 아니라, **시계열적으로 순차적 (sequential)**으로 가중치를 업데이트하며 균형을 유지합니다.
• 최적화 문제: 각 시점 $t$ 에서 가중치 벡터 $\gamma_t$ 를 구하기 위해 다음과 같은 2 차 계획법 (Quadratic Programming) 을 풉니다.
  • 목적 함수: 가중치의 $L_2$ 노름 최소화 (분산 최소화).
  • 제약 조건:
    1. 가중치의 합은 1.
    2. 가중치는 양수.
    3. 균형 제약: $\left\| \frac{1}{n} \sum \hat{\gamma}_{i, t-1} H_{i,t} - \frac{1}{n} \sum \gamma_{i,t} H_{i,t} \right\|_\infty \le \delta_t$ (이전 가중치로 재가중된 역사와 현재 가중치로 재가중된 역사의 차이가 임계값 이하).
    4. 목표 처치 경로와 일치하지 않는 관측치에 대해서는 가중치를 0 으로 설정.

C. 추정량 구성

• 추정량은 각 시점의 회귀 보정 (regression adjustment) 과 균형 가중치를 결합한 형태입니다.
• $\hat{\mu}_T = \sum \hat{\gamma}_{i,T} Y_{i,T} - \sum (\hat{\gamma}_{i,t} - \hat{\gamma}_{i,t-1}) H_{i,t} \hat{\beta}_t + \dots$
• 이는 영향 함수 (influence function) 의 성질을 활용하여 구성되었으며, 고차원 환경에서도 일관된 추정이 가능합니다.

3. 주요 기여도 (Key Contributions)

1. 동적 균형 조건 (Dynamic Balancing Conditions) 의 도출:
   • 기존 횡단면 (cross-sectional) 연구의 공변량 균형 (Athey et al., 2018 등) 을 동적 패널 데이터 환경으로 확장했습니다.
   • 처치 역사가 길어질수록 발생하는 편향을 제어하기 위해, **시계열적으로 재가중된 역사 (rewighted histories)**를 균형 맞추는 새로운 조건을 제시했습니다.
2. Propensity Score 에 대한 불변성 (Robustness):
   • 기존 AIPW 방법은 propensity score 의 정확한 추정 ($o_p(n^{-1/4})$) 을 요구하지만, DCB 는 propensity score 를 추정할 필요가 없으며, 오직 결과 모델 (outcome model) 의 계수 추정 오차만 제어하면 됩니다.
   • 이는 propensity score 가 잘못 지정되거나 (misspecified) 고차원 데이터에서 불안정할 때 특히 유리합니다.
3. 고차원 환경에서의 이론적 보장:
   • 공변량의 차원 $p$가 표본 크기 $n$ 보다 크더라도 ($p \gg n$), Lasso 등을 통한 계수 추정이 $O_p(n^{-1/4})$ 수렴 속도를 가진다면, DCB 추정량은 **$\sqrt{n}$-수렴 속도 (parametric rate)**를 가지며 정규 분포를 따름을 증명했습니다.
   • 가중치의 존재성과 안정성 (feasible solution existence) 을 수학적으로 증명했습니다.
4. 실증 및 시뮬레이션 검증:
   • 다양한 시나리오 (선형/비선형, 고/저 차원, 다양한 중첩 조건) 에서 DCB 가 기존 방법 (AIPW, DiD, 표준 국소 투영 등) 보다 평균 제곱 오차 (MSE) 가 현저히 낮음을 보였습니다.
   • Acemoglu et al. (2019) 의 민주화와 경제성장 데이터에 적용하여, 기존 방법론보다 더 크고 안정적인 효과 크기를 발견했습니다.

4. 결과 및 실증 분석 (Results)

• 시뮬레이션 결과:
  • 편향과 분산: DCB 는 AIPW 에 비해 편향은 비슷하거나 낮으면서도, 특히 중첩 (overlap) 이 나쁘거나 처치 역사가 길어질 때 분산을 크게 줄입니다.
  • 고차원성: 고차원 공변량이 존재할 때 AIPW 는 propensity score 추정 오차로 인해 성능이 급격히 떨어지지만, DCB 는 이를 우회하여 우수한 성능을 유지합니다.
  • 오류 전파: 여러 시점을 거치더라도 DCB 는 오류가 누적되는 것을 효과적으로 통제합니다.
• 실증 분석 (Acemoglu et al., 2019 재분석):
  • 주제: 민주주의가 경제 성장에 미치는 장기적 영향.
  • 결과: DCB 를 적용한 결과, 민주주의의 장기적 긍정적 효과가 기존 선형 회귀나 표준 국소 투영으로 추정된 것보다 약 2 배 더 큽니다.
  • 이유: 기존 방법들은 미래 처치 결정에 따른 선택 편향을 완전히 보정하지 못했거나, 역확률 가중치의 불안정성으로 인해 효과를 과소평가했습니다. DCB 는 역확률 가중치의 불안정성 (Figure 4 참조) 을 극복하고 더 균형을 잘 맞춘 가중치를 생성했습니다.

5. 의의 및 결론 (Significance)

이 논문은 동적 인과 추론 (Dynamic Causal Inference) 분야에서 중요한 이정표를 제시합니다.

• 이론적 의의: 고차원 데이터에서 동적 처치 효과를 추정할 때, propensity score 모델링에 의존하지 않고도 일관된 추론이 가능함을 보였습니다. 이는 "Double Robustness"의 개념을 동적 환경에서 새로운 형태로 확장한 것입니다.
• 실무적 의의: 연구자들은 복잡한 동적 선택 메커니즘이 존재하는 데이터 (예: 정책 변화, 의료 치료 경로, 교육 과정 등) 에서 더 신뢰할 수 있는 인과 효과를 추정할 수 있게 되었습니다. R 패키지 DynBalancing 을 통해 실제 적용이 가능합니다.
• 정책적 함의: 동적 처치 하에서의 정책 효과를 평가할 때, 단순한 회귀 분석이나 기존 DiD 설계가 가질 수 있는 편향을 피하고, 더 정확한 정책 효과 크기를 파악하는 데 기여합니다.

요약하자면, 이 논문은 **동적 공변량 균형 (DCB)**을 통해 고차원 패널 데이터에서 동적 처치 효과를 추정하는 데 있어 편향을 줄이고 분산을 통제하는 강력한 방법론을 제시하며, 이론적 엄밀함과 실증적 유용성을 모두 입증했습니다.