Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects

1. 문제 제기 (Problem)

• ITE 의 비식별성 (Unidentifiability): 인과 추론의 근본적인 한계인 '반사실 (Counterfactual)' 문제 때문입니다. 동일한 개체에 대해 치료군 ($Y(1)$) 과 대조군 ($Y(0)$) 의 결과를 동시에 관찰할 수 없으므로, 실제 개별 치료 효과 $Y(1) - Y(0)$ 는 알 수 없습니다.
• 기존 방법의 한계:
  • CATE 는 추정 가능하지만, 이는 집단 평균에 대한 불확실성만 제공하며 개별 단위의 변동성을 포착하지 못합니다.
  • ITE 예측 구간을 구축하려는 기존 시도들 (Lei & Candès, 2021 등) 은 비식별성으로 인해 너무 넓은 구간 (overly wide intervals) 을 생성하거나, 커버리지 보장 (coverage guarantee) 을 하지 못했습니다.
• 목표: 이론적으로 엄격한 커버리지 보장을 유지하면서도, 기존 방법보다 훨씬 짧고 정밀한 예측 구간을 생성하는 것입니다.

2. 방법론 (Methodology)

2.1 교차 세계 가정 (Cross-World Assumption)

이 논문은 잠재 결과 (Potential Outcomes) $Y(1)$ 와 $Y(0)$ 사이의 조건부 상관관계를 나타내는 매개변수 $\rho(x)$ 를 도입합니다.
$$\rho(x) = \text{cor}(Y(1), Y(0) \mid X = x)$$

• 핵심 아이디어: $\rho$는 관찰 데이터만으로는 식별 불가능하지만, 도메인 지식 (전문가 지식) 이나 보조 데이터를 통해 합리적인 하한선 (lower bound) 을 설정할 수 있다고 주장합니다.
• 실제적 타당성: 많은 실제 시나리오 (예: 고혈압 약물 임상시험) 에서 잠재 결과들은 공통된 숨겨진 요인 (유전, 생활습관 등) 에 의해 영향을 받기 때문에 양의 상관관계 ($\rho > 0$) 를 가질 가능성이 높습니다.

2.2 CW($\rho$) 예측 구간 (Cross-World Intervals)

제안된 방법은 다음과 같은 두 단계로 구성됩니다.

1. 단일 결과 예측 구간 구축: 치료군과 대조군 각각에 대해 conformal inference (예: Conformalized Quantile Regression, CQR) 를 사용하여 $Y(1)$ 과 $Y(0)$ 에 대한 예측 구간 $C_1(X)$, $C_0(X)$ 를 생성합니다.
2. ITE 구간 조합: 두 구간의 너비를 $\rho$를 고려하여 조정하여 ITE 예측 구간을 만듭니다.
   • 구간 폭은 상관관계 조정 유클리드 거리 (Correlation-Adjusted Euclidean Distance) $D_\rho$를 사용하여 계산됩니다.
   • $D_\rho(x, y) = \sqrt{x^2 + y^2 - 2\rho xy}$
   • 효과: $\rho$가 1 에 가까울수록 (강한 양의 상관), 두 잠재 결과의 변동성이 상쇄되어 ITE 의 불확실성이 줄어들므로 예측 구간이 매우 좁아집니다. 반대로 $\rho = -1$인 경우 (완전 음의 상관) 에는 구간이 가장 넓어집니다.

2.3 CW+CI($\rho$) (편향 보정)

CATE 추정치 ($\hat{\tau}$) 에 편향이 있을 수 있는 경우 (특히 $\rho \approx 1$일 때), CATE 에 대한 신뢰구간 (Confidence Interval) 을 추가하여 CW+CI($\rho$) 를 제안합니다. 이는 편향으로 인한 커버리지 손실을 방지하면서도 구간 폭을 최소화합니다.

2.4 $\rho$의 하한선 추정

$\rho$를 직접 알 수 없으므로, 보조 변수 (Auxiliary Covariates, $Z$) 를 활용하여 하한선을 추정합니다.

• 총 공분산 법칙 (Law of Total Covariance) 을 활용하여 $X$와 $Z$를 모두 조건으로 했을 때의 공분산 정보를 이용해 $\rho$의 하한선 ($\hat{\rho}_L$) 을 데이터 기반으로 계산합니다.
• 이를 통해 도메인 지식과 데이터를 결합하여 민감도 분석을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 이론적 엄밀성: 교차 세계 가정 ($\rho$) 하에서 개별 단위 예측 구간에 대한 유한 표본 (finite-sample) 및 점근적 (asymptotic) 커버리지 보장을 최초로 증명했습니다.
2. 최적성 (Optimality): $\rho$가 알려져 있고 데이터가 가우시안 분포를 따른다고 가정할 때, 제안된 CW($\rho$) 구간이 주어진 커버리지 수준을 만족하는 가장 좁은 구간임을 증명했습니다.
3. 실용적 도구: $\rho$를 민감도 매개변수로 활용하는 프레임워크를 제시하여, 전문가 지식을 통해 $\rho$의 합리적인 범위를 설정하고 이를 기반으로 예측 구간을 조정하는 방법을 제시했습니다.
4. 성능 향상: 기존 방법론에 비해 예측 구간 폭을 1/3 수준으로 줄이면서도 안정적인 커버리지 (90% 이상) 를 유지함을 실험을 통해 입증했습니다.

4. 실험 결과 (Results)

• 데이터: 합성 데이터 (Synthetic) 와 반합성 데이터 (IHDP, Twins, Cross-over studies) 를 사용했습니다.
• 비교 대상: Lei & Candès (2021) 의 Naive/Inexact 방법, Conformal DR-meta-learner, CMC 등 최신 SOTA 방법들.
• 주요 발견:
  • $\rho$가 양수일 때 ($\rho \ge 0.5$): 제안된 CW($\rho$) 및 CW+CI($\rho$) 방법이 다른 모든 방법보다 압도적으로 좁은 구간을 생성하면서도 목표 커버리지를 달성했습니다.
  • $\rho$가 음수일 때 ($\rho \le -0.5$): 기존 방법들은 과대 커버리지를 보였으나, 제안된 방법은 여전히 유효한 커버리지를 유지했습니다.
  • 오차에 대한 강건성: $\rho$가 약간 잘못 설정되었거나 (misspecified), 노이즈 분포가 가우시안이 아닌 경우에도 제안된 방법은 여전히 경쟁력 있는 성능을 보였습니다.
  • 구간 폭 감소: $\rho \approx 1$인 경우, 기존 방법 대비 2~3 배 이상 짧은 구간을 제공했습니다.

5. 의의 및 결론 (Significance)

이 논문은 인과 추론 분야에서 오랫동안 해결되지 않았던 "개별 단위 불확실성 정량화" 의 난제를 해결하는 중요한 전환점을 제시합니다.

• 실무적 가치: 고위험 의사결정 (개인 맞춤 치료, 금융 리스크 관리 등) 에서 블랙박스 모델의 예측에 대한 신뢰할 수 있는 구간을 제공함으로써, 의사결정자의 리스크 평가를 가능하게 합니다.
• 방법론적 확장: 식별 불가능한 매개변수 ($\rho$) 를 도메인 지식과 보조 데이터를 통해 합리적으로 제약함으로써, 비식별성 문제를 우회하는 새로운 패러다임을 제시했습니다.
• 미래 연구: 연속형 치료, 시계열 인과 추론, 그리고 다양한 Copula 구조로의 확장이 가능함을 시사합니다.

요약하자면, 이 연구는 교차 세계 상관관계 ($\rho$) 에 대한 합리적인 가정을 통해, 기존에 불가능하거나 너무 넓었던 개별 치료 효과의 정밀한 예측 구간을 이론적으로 보장받으며 구축할 수 있음을 증명했습니다.