📊 statistics

Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal

이 논문은 BART 와 주분류 Stratification 을 결합하여 나이지리아와 세네갈의 도시 여성을 대상으로 가족계획 프로그램이 고용에 미치는 간접적 효과를 추정하고, 이를 더 넓은 인구 집단에 일반화하는 새로운 방법론을 제시합니다.

원저자: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

게시일 2026-03-31

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lucas Godoy Garraza, Ilene Speizer, Leontine Alkema

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🌟 핵심 이야기: "피임약이 일자리를 바꿔줄까?"

연구자들은 현대 피임법을 사용하면 여성들이 아이를 낳는 시기를 조절할 수 있게 되어, 더 많은 교육을 받고 직장을 구할 수 있다고 믿습니다. 하지만 문제는 직접 실험할 수 없다는 점입니다.

문제 상황: "피임약을 쓰는 여성"과 "쓰지 않는 여성"은 처음부터 성격이나 환경이 다릅니다. (예: 일을 하고 싶은 욕구가 강한 여성이 피임약을 쓸 확률이 더 높을 수 있음). 그래서 단순히 두 그룹을 비교하면, 피임약 때문인지 원래 성격 때문인지 구분이 안 됩니다.

🕵️‍♀️ 1 단계: "마법 지팡이" (도구 변수) 와 "순수한 실험실"

연구자들은 우연히 발생한 한 가지 상황을 '마법 지팡이'처럼 활용했습니다.

상황: 나이지리아와 세네갈의 일부 도시에서는 가족계획 프로그램이 먼저 시작되었고, 다른 도시들은 나중에 시작되었습니다.
마법 지팡이 (도구 변수): "어느 도시에 살았는지"입니다. 이는 피임약 사용 여부를 간접적으로 바꿉니다. (프로그램이 먼저 시작된 도시에서는 피임약 사용이 늘어났죠).
순수한 실험실 (준수자): 이 프로그램 덕분에 피임약을 쓰기 시작한 여성들만 골라내면, 마치 무작위로 실험을 한 것과 같은 효과를 낼 수 있습니다. 연구자들은 이들을 **'준수자 (Compliers)'**라고 부릅니다.

🍪 비유:
마치 쿠키를 굽는 실험이라고 상상해 보세요.

일반적인 비교: "설탕을 넣은 쿠키"와 "설탕을 안 넣은 쿠키"를 비교하면, 설탕 때문인지 원래 반죽이 달랐는지 알 수 없습니다.
이 연구의 방법: "설탕을 넣으라고 지시받은 사람"과 "지시받지 않은 사람"을 구분합니다. **지시 때문에 설탕을 넣게 된 사람들 (준수자)**만 골라내어, "설탕이 정말 쿠키 맛을 바꾸었는가?"를 정확히 측정합니다.

🤖 2 단계: "똑똑한 AI" (BART) 가 찾아낸 비밀

이제 이 '준수자' 그룹 안에서 피임약이 취업에 미치는 영향을 계산해야 합니다. 하지만 모든 여성이 똑같은 영향을 받는 것은 아닙니다. (예: 교육 수준이 낮은 여성에게는 효과가 크고, 높은 여성에게는 작을 수 있음).

기존 방법: 선형 회귀 분석 같은 전통적인 통계법은 복잡한 관계를 놓치기 쉽습니다.
이 연구의 방법: **BART(베이지안 가산 회귀 트리)**라는 AI 기법을 사용했습니다.
- 비유: BART 는 거대한 나무 숲과 같습니다. 이 숲은 수많은 가지 (규칙) 를 통해 데이터를 잘게 쪼개어, "이런 조건을 가진 여성은 피임약으로 인해 취업 확률이 크게 오르고, 저런 조건은 그렇지 않다"는 세부적인 패턴을 찾아냅니다.

🌍 3 단계: "전체 지도"로 확장하기 (일반화)

지금까지의 결과는 프로그램이 있던 '특정 도시'의 '준수자'에게만 해당됩니다. 하지만 우리는 나이지리아나 세네갈 전체 여성에게 이 결과가 적용될지 알고 싶습니다.

문제: 실험실 (도시) 과 실제 세상 (전국) 은 사람 구성이 다릅니다. (예: 실험실에는 젊은 여성이 많고, 전국에는 다양한 연령대가 있음).
해결책: **베이지안 부트스트랩 (Bayesian Bootstrap)**이라는 기술을 썼습니다.
- 비유: 실험실에서 얻은 '맛있는 레시피 (효과)'를 가지고, 전국의 '재료 (여성들의 특성)'를 섞어 새로운 요리를 만들어 보는 것입니다. 실험실에 없던 재료 (예: 시골에 사는 여성) 가 있다면, 그 재료에 맞는 요리를 어떻게 만들지 AI 가 추측하여 전체적인 맛 (전체 평균 효과) 을 예측합니다.

📊 연구 결과: 무엇이 밝혀졌나요?

강력한 효과: 피임약을 사용하면 여성의 취업 확률이 상당히 높아집니다. (나이지리아에서는 약 37%, 세네갈에서는 약 47% 정도 증가).
차이점 존재: 모든 여성에게 똑같은 효과가 아닙니다.
- 나이지리아: 교육 수준이 낮거나, 이전에 일해본 경험이 있는 여성들에게 효과가 특히 컸습니다.
- 세네갈: 전반적으로 효과가 비슷하게 나타났습니다.
전체적인 영향: 실험실 (도시에 거주하는 준수자) 에서보다 전체 국가 (전국 여성) 로 확장했을 때 효과가 더 크게 나타날 가능성이 높습니다. 특히 나이지리아에서는 전체 여성에게 적용하면 취업 효과가 더 클 것으로 예상됩니다.

🛡️ 검증: "만약에..." 시나리오

연구자들은 "혹시 우리가 놓친 숨은 변수 (예: 도시별 문화 차이) 가 있다면?"이라는 의문을 가지고 여러 번 검증을 했습니다.

결과: 숨은 변수가 아주 극단적으로 작용하지 않는 한, 피임약이 취업에 긍정적인 영향을 미친다는 결론은 변하지 않습니다.

💡 결론

이 연구는 **"피임약은 단순히 출산을 줄이는 도구를 넘어, 여성이 경제적으로 독립하고 일자리를 얻는 강력한 열쇠가 될 수 있다"**는 것을 통계적으로 증명했습니다.

특히 **AI(머신러닝)**와 통계학을 결합하여, 복잡한 사회 현상을 더 정교하게 분석하고, 실험실의 작은 결과를 전체 사회에 어떻게 적용할지 보여주는 훌륭한 사례입니다. 이는 정책 입안자들이 가족계획 예산을 투자할 때, 단순한 건강 문제를 넘어 **경제적 empowerment(역량 강화)**의 관점에서 접근해야 함을 시사합니다.

1. 연구 배경 및 문제 제기 (Problem)

연구 목적: 현대 피임법 사용이 여성의 고용과 같은 역량 강화 (empowerment) 결과에 미치는 인과적 효과를 규명하는 것.
도전 과제:
- 선택 편향 (Selection Bias): 피임법 사용 여부는 무작위 배정이 아니며, 피임법을 사용하는 여성과 사용하지 않는 여성 사이에는 체계적인 차이 (교육, 소득, 동기 등) 가 존재하여 인과 관계 추정이 어렵습니다.
- 내적 타당성 (Internal Validity): 무작위 실험이 불가능하므로, 가족계획 프로그램 (FP 프로그램) 을 '도구변수 (Instrument)'로 활용하여 분석해야 합니다. 하지만 프로그램의 영향을 받아 피임법을 사용하게 된 여성 ('준수자, Compliers') 만이 인과 효과를 식별할 수 있는 집단입니다.
- 외적 타당성 (External Validity) 및 일반화: '준수자' 집단은 연구 대상이 되는 광범위한 인구 집단 (Target Population) 과 특성이 다를 수 있습니다. 준수자 집단에서 추정한 효과가 전체 인구에 대해 어떻게 일반화될 수 있는지, 그리고 효과의 이질성 (Heterogeneity) 을 어떻게 고려할 것인지가 핵심 문제입니다.
- 비선형성 및 이질성: 기존의 선형 도구변수 (2SLS) 방법은 비선형 관계나 효과의 이질성이 있을 때 편향될 수 있습니다.

2. 방법론 (Methodology: Prince BART Generalized)

저자들은 두 단계로 이루어진 Prince BART Generalized (PBG) 접근법을 제안합니다.

1 단계: 내적 타당성 확보 (Source Sample Estimation)

주요 층화 (Principal Stratification): FP 프로그램 배정 ( $Z$ ) 을 도구변수로 사용하여, 프로그램으로 인해 피임법 사용 ( $W$ ) 이 변화한 '준수자 (Compliers)' 집단의 인과 효과를 추정합니다.
BART (Bayesian Additive Regression Trees) 활용:
- 기존 파라메트릭 모델 (로지스틱 회귀 등) 의 한계를 극복하기 위해 비모수적 베이지안 방법인 BART 를 사용합니다.
- 혼합 모델 (Mixture Model): 준수자 여부 (잠재적 계층) 와 결과 변수 (고용) 를 동시에 모델링합니다.
- 조건부 평균 치료 효과 (CATE) 추정: 공변량 ( $X$ ) 에 따라 준수자 집단의 CATE 를 유연하게 추정합니다.
- 실용적 중첩 (Practical Overlap): 도구변수 확률이 극단적인 관측치를 제거하여 추정의 안정성을 높입니다.
- 공변량 보정: 도구변수 성향 점수 (Propensity Score) 를 BART 로 추정하여 공변량에 포함시킴으로써 편향을 줄입니다.

2 단계: 외적 타당성 확보 및 일반화 (Generalization to Target Population)

대상 인구 분포 추정: MLE(연구) 데이터가 아닌, DHS(인구보건조사) 와 같은 대규모 복잡한 표본 설계 (Complex Survey Design) 데이터를 사용하여 대상 인구의 공변량 분포를 추정합니다.
확대된 베이지안 부트스트랩 (Scaled Bayesian Bootstrap):
- DHS 의 복잡한 표본 설계 (층화, 군집화, 가중치) 를 고려하기 위해 기존 베이지안 부트스트랩을 수정한 'Scaled BB'를 사용합니다.
- 이를 통해 대상 인구의 공변량 분포 $P_{target}(X)$ 에 대한 불확실성을 베이지안 프레임워크 내에서 반영합니다.
PATE 추정: 추정된 준수자 CATE 를 대상 인구의 공변량 분포에 대해 적분 (평균화) 하여 **인구 평균 치료 효과 (PATE)**를 계산합니다.

3 단계: 민감도 분석 (Sensitivity Analysis)

내적 타당성: 관찰되지 않은 도시 수준의 교란변수 (Unobserved City-level Confounding) 가 결과에 미치는 영향을 분석합니다.
외적 타당성:
- 지지 포함 (Included Support): 대상 인구에 존재하지만 준수자 표본에는 없는 공변량 조합이 있을 경우의 영향을 분석합니다.
- 조건부 이동성 (Conditional Transportability): 관찰되지 않은 효과 수정자 (Unobserved Effect Modifier) 가 존재할 경우 PATE 추정이 어떻게 변하는지 경계 (Bounds) 를 설정하여 분석합니다.

3. 주요 기여 (Key Contributions)

방법론적 통합: 주요 층화 (Principal Stratification) 와 비모수적 기계학습 (BART) 을 결합하여 도구변수 문제를 해결하고, 이를 복잡한 표본 설계 데이터를 가진 대상 인구로 일반화하는 통합 프레임워크를 제시했습니다.
유연한 이질성 모델링: 선형 모델에 의존하지 않고 BART 를 통해 복잡한 공변량 간 상호작용과 비선형 효과를 포착하여 효과의 이질성을 정밀하게 분석했습니다.
불확실성 정량화: 대상 인구의 공변량 분포 추정에서 발생하는 불확실성을 베이지안 부트스트랩을 통해 체계적으로 반영하여, PATE 추정의 신뢰구간을 보다 정확하게 제시했습니다.
실증적 적용: 나이지리아와 세네갈의 실제 데이터를 활용하여 가족계획이 고용에 미치는 효과를 정량화하고, 정책적 시사점을 도출했습니다.

4. 연구 결과 (Results)

시뮬레이션 연구: 다양한 데이터 생성 과정 (DGP) 에서 Prince BART 가 2SLS, $\kappa$ -가중치 추정량, 파라메트릭 PStrata 모델보다 평균 제곱 오차 (MSE) 가 낮거나 동등하며, **커버리지 (Coverage)**가 명목 수준에 근접하여 우수한 성능을 보였습니다. 특히 비선형성과 이질성이 강한 환경에서 기존 방법들보다 우월했습니다.
실증 분석 (나이지리아 및 세네갈):
- 준수자 효과 (MATE): 가족계획 프로그램의 영향을 받아 피임법을 사용한 여성들의 고용률은 유의미하게 증가했습니다. (나이지리아: 약 0.37, 세네갈: 약 0.47).
- 효과 이질성: 효과는 여성들의 특성 (결혼 상태, 이전 고용 이력, 교육 수준, 부유도 등) 에 따라 크게 달랐습니다. 예를 들어 나이지리아에서는 기혼이거나 이전에 일했던 여성, 교육 수준이 낮은 여성에서 효과가 더 컸습니다.
- 일반화된 효과 (PATE): 준수자 집단에서 추정한 효과보다 광범위한 도시 및 농촌 여성 집단에 대한 일반화된 효과 (PATE) 가 더 큰 것으로 나타났습니다 (나이지리아 PATE 약 0.50~0.53). 이는 준수자 집단보다 효과가 큰 하위 집단이 전체 인구에서 더 큰 비중을 차지하기 때문입니다.
민감도 분석: 관찰되지 않은 교란변수나 효과 수정자가 존재하더라도, 결과가 통계적으로 유의미한 수준을 유지하기 위해서는 매우 강력한 편향이 존재해야 함을 보여주어 결과의 견고성 (Robustness) 을 입증했습니다.

5. 의의 및 시사점 (Significance)

정책적 함의: 현대 피임법 사용은 여성의 고용 참여를 촉진하는 강력한 요인임을 입증했습니다. 특히 교육 수준이 낮거나 기혼 여성에게 더 큰 효과가 있어, 가족계획 정책이 빈곤 탈출과 여성 역량 강화에 중요한 투자임을 시사합니다.
방법론적 발전: 조건부 독립 도구변수 (Conditionally Independent Instrument) 가 필요한 상황과 비선형/이질적 효과가 존재하는 환경에서, 기존의 선형 IV 방법의 한계를 극복할 수 있는 유연하고 견고한 분석 도구를 제공했습니다.
데이터 활용: 소규모 실험/관찰 연구 (Source) 와 대규모 인구조사 (Target) 를 결합하여 정책 평가의 외적 타당성을 높이는 새로운 표준을 제시했습니다.

이 연구는 가족계획 정책의 장기적 사회경제적 효과를 평가할 때, 단순한 평균 효과뿐만 아니라 **누구에게 효과가 있는지 (이질성)**와 **어떤 집단으로 일반화되는지 (외적 타당성)**를 동시에 고려해야 함을 강조하며, 이를 위한 통계적 프레임워크를 정립했다는 점에서 의의가 큽니다.