Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework

1. 연구 배경 및 문제 제기 (Problem)

• 연속적 처치 (Continuous Treatments) 의 한계: 많은 정책 평가 (예: 보조금 금액, 교육 시간 등) 에서 처치 변수는 이진 (Binary) 이 아닌 연속적인 값을 가집니다. 기존 문헌 (Hirano & Imbens 2004 등) 은 이러한 연속적 처치에 대한 평균 용량 - 반응 함수 (Average Dose-Response Function, ADRF) 를 추정하는 데 중점을 두었습니다.
• 이질적 반응 (Heterogeneous Responses) 의 간과: 기존 ADRF 추정치는 전체 인구에 대한 단일 평균을 제공하지만, 실제로는 처치 강도가 동일하더라도 하위 집단 (서브그룹) 간에 처치 효과가 체계적으로 다를 수 있습니다 (예: 선진 지역과 후진 지역이 동일한 보조금을 받을 때의 효과 차이).
• 공통 지지 (Common Support) 의 부족: 관찰 데이터에서는 특정 공변량 (covariate) 프로필을 가진 단위들이 다양한 처치 강도를 경험하는 경우가 드뭅니다. 이는 '양성성 (Positivity)' 가정을 위반하게 만들어, 단일 ADRF 추정이 편향되거나 일관되지 않게 만듭니다.
• 핵심 문제: 기존의 단일 ADRF 추정 방식은 이질적인 반응 패턴을 평균화하여 왜곡된 결과를 낳으며, 정책 입안자에게 실질적인 통찰을 제공하지 못합니다.

2. 방법론: 클러스터링된 용량 - 반응 함수 (Cl-DRF)

저자들은 이 문제를 해결하기 위해 클러스터링된 용량 - 반응 함수 (Clustered Dose-Response Function, Cl-DRF) 추정치를 제안합니다.

2.1. 핵심 개념 및 정의

• 클러스터별 DRF ($\mu_c(t)$): 전체 인구의 평균이 아닌, $C$개의 클러스터 (하위 집단) 각각에 대해 정의된 용량 - 반응 함수를 추정 대상으로 합니다.
  $$\mu_c(t) := \mathbb{E}[Y_i(t) \mid C_i = c]$$
• 약화된 가정 (Relaxed Assumptions):
  • 기존 ADRF 추정은 전체 인구에서 '약한 무교란성 (Weak Unconfoundedness)'과 '양성성 (Positivity)'이 성립해야 합니다.
  • Cl-DRF 는 이러한 가정이 클러스터 내부에서만 성립하면 된다고 가정합니다. 이는 처치 강도의 범위가 제한적이고 공변량이 유사한 하위 집단 내에서만 비교를 수행함으로써, 전체 인구에서의 공통 지지 부족 문제를 완화합니다.

2.2. 추정 알고리즘 (Estimation Algorithm)

Cl-DRF 는 이론적 하위 집단 정의와 데이터 기반 하위 집단 식별을 모두 수용하며, 다음과 같은 반복적 절차를 통해 클러스터 할당과 DRF 추정을 동시에 수행합니다.

1. 모델 설정:

   • 처치 모델 (Treatment Model): 각 클러스터 $c$ 내에서 처치 $T_i$가 공변량 $X_i$에 따라 정규분포를 따른다고 가정합니다 ($T_i | X_i, C_i=c \sim N(\beta_c' X_i, \sigma_c^2)$). 이를 통해 **클러스터별 일반화 성향 점수 (Cluster-specific GPS)**를 도출합니다.
   • 결과 모델 (Outcome Model): 결과 $Y_i$가 처치 $T_i$와 GPS $R_{i,c}$에 선형적으로 의존한다고 가정합니다 ($Y_i = \alpha_{0,c} + \alpha_{1,c}T_i + \alpha_{2,c}R_{i,c} + \epsilon$).

2. 반복적 최적화 (Iterative Procedure):

   • 클러스터 할당 업데이트: 현재 추정된 파라미터를 기반으로 각 관측 단위가 가장 적합하게 속하는 클러스터를 재할당합니다 (k-means 유형).
   • 파라미터 업데이트: 고정된 클러스터 할당을 기준으로 각 클러스터별 GPS 와 회귀 계수를 최소제곱법 (OLS) 으로 추정합니다.
   • GPS 업데이트: 업데이트된 클러스터 할당과 처치 모델 파라미터를 기반으로 GPS 를 재계산합니다.
   • 이 과정은 수렴할 때까지 반복됩니다.

3. 클러스터 수 ($C$) 결정:

   • 사전에 클러스터 수를 알지 못하는 경우, BIC(Bayesian Information Criterion) 와 유사한 페널티된 경험적 위험 기준 (Penalized Empirical Risk Criterion) 을 사용하여 최적의 클러스터 수를 선택합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 인과적 추정량 (Novel Estimand): 연속적 처치 하에서 이질적 반응을 포착하기 위해 '클러스터별 DRF'를 새로운 인과적 추정량으로 정의했습니다.
2. 가정 완화: 전체 인구 수준의 엄격한 공통 지지 가정을 완화하여, 실제 관찰 데이터에서 흔히 발생하는 지지 부족 (Limited Common Support) 문제를 해결할 수 있는 프레임워크를 제시했습니다.
3. 데이터 기반 클러스터링: 사전에 정의된 하위 집단이 없더라도, 데이터에서 처치 - 결과 관계의 이질성을 기반으로 클러스터를 자동으로 발견하고 추정하는 알고리즘을 개발했습니다.
4. 이론적 및 실증적 검증: 시뮬레이션을 통해 제안된 방법이 올바른 클러스터 수를 식별하고, 실제 DRF 를 정확하게 복원함을 입증했습니다.

4. 실증 분석 결과 (Results)

연구 대상: 유럽 연합 (EU) 의 지역 개발 정책 (Cohesion Policy) 이 경제 성장에 미치는 영향 (1994-2015 년, NUTS-2 지역 수준).

• 기존 방법론 (단일 ADRF) 의 결과:

  • Hirano & Imbens (2004) 나 Huling et al. (2024) 등의 기존 방법을 적용하면, 보조금이 증가할수록 경제 성장 효과가 미미해지거나 (체감), 고액 보조금 지역에서는 오히려 음 (-) 의 효과를 보이는 것으로 나타났습니다.
  • 이는 다양한 특성을 가진 지역들을 하나의 평균으로 묶어 왜곡된 결과를 낳은 것으로 해석됩니다.

• Cl-DRF 방법론의 결과:

  • 알고리즘은 3 개의 명확한 클러스터를 식별했습니다.
    • Cluster 1 (선진 지역): 아일랜드, 독일 남부, 영국 남부 등. 강한 양의 관계를 보임. 추가 자금 투입 시 경제 성장이 지속적으로 증가하며, 체감 효과나 한계점이 관찰되지 않음.
    • Cluster 2 (중간 지역): 스페인, 독일 북부, 네덜란드 등. 기존 ADRF 와 유사한 약한 양의 관계를 보임.
    • Cluster 3 (후진/위기 지역): 이탈리아, 그리스, 프랑스 일부 등. 약한 음의 관계를 보임. 높은 보조금에도 불구하고 성장이 둔화되거나 감소함 (흡수 능력 부족 및 경기 침체 영향).
  • 통계적 유의성: Cluster 1 은 인구 밀도와 고용률이 높고 보조금 수준은 상대적으로 낮았으며, Cluster 3 은 상대적으로 낮은 초기 GDP 와 높은 보조금 수준을 보였습니다.

5. 의의 및 정책 시사점 (Significance)

1. 정책의 정밀화 (Precision Policy): "일률적인 자금 지원"은 비효율적일 수 있음을 보여줍니다. 선진 지역 (Cluster 1) 에는 추가 자금이 여전히 성장에 기여하므로 지원 상한선을 폐지하거나 확대할 필요가 있으며, 후진 지역 (Cluster 3) 에는 단순한 자금 투입보다는 '흡수 능력 (Absorptive Capacity)'을 강화하는 인프라 및 제도 개선 투자가 선행되어야 함을 시사합니다.
2. 편향 제거: 이질성을 무시한 단일 평균 추정치는 정책 효과를 과소평가하거나 (선진 지역의 잠재력), 과대평가 (후진 지역의 비효율성) 하여 잘못된 정책 결정으로 이어질 수 있음을 경고합니다.
3. 방법론적 확장: 연속적 처치와 이질적 효과가 공존하는 다양한 사회과학 분야 (보건, 환경, 교육 등) 에 적용 가능한 강력한 도구로 평가됩니다.

결론적으로, 본 논문은 연속적 처치 하에서 발생하는 이질적 반응을 체계적으로 분석할 수 있는 Cl-DRF 프레임워크를 제시함으로써, 보다 정교하고 현실적인 정책 평가 및 자원 배분 전략 수립에 기여하고 있습니다.