Policy relevance of causal quantities in networks

이 논문은 네트워크 간섭 하에서 정책 결정에 유효한 인과량으로, 단위별 효과의 요약이자 최적 정책 선택을 가능하게 하는 '기대 평균 결과 (expected average outcome)'를 강조하며 기존 추정량의 한계를 지적합니다.

핵심

1. 배경: "나만 바뀌는 게 아니라, 주변도 바뀐다"

전통적인 실험 (예: 새 약을 먹었을 때 효과가 있는지) 은 **'나'**의 결과만 보면 됩니다. 하지만 SNS 나 마을 같은 네트워크에서는 **'내 이웃이 약을 먹으면, 나도 영향을 받는다'**는 '간섭 (Interference)' 현상이 발생합니다.

예를 들어, 친구가 새로운 앱을 쓰면 나도 그 앱을 쓰게 될 수 있습니다. 이때 "약의 효과"를 어떻게 정의할까요?

• 직접 효과: 내가 약을 먹었을 때의 효과.
• 간접 효과 (스필오버): 친구가 약을 먹어서 내가 겪는 효과.

저자들은 지금까지 연구자들이 이 복잡한 상황을 분석할 때 두 가지 중요한 성질을 놓치고 있다고 말합니다.

1. 개별 효과의 요약: "각 개인에게 실제로 무슨 일이 일어났는지"를 잘 설명해야 한다.
2. 정책 결정의 유용성: "어떤 정책을 펴야 사회 전체에 가장 좋은 결과가 나올지"를 결정하는 데 도움이 되어야 한다.

2. 문제: "잘못된 지도를 보고 길을 찾는 것"

지금까지 연구자들은 주로 **'노출 (Exposure)'**이라는 개념을 사용했습니다.

• 비유: 마을에 비가 내릴 때, "내 집 지붕에 비가 몇 방울 떨어졌는가?"를 세어서 효과를 측정하는 방식입니다.

연구자들은 "친구가 1 명 약을 먹으면 효과가 A, 2 명 먹으면 효과가 B"라고 계산해서 **'노출 - 반응 곡선 (Dose-Response Curve)'**을 그렸습니다. (논문에서는 이를 AFEO라고 부릅니다.)

하지만 여기서 치명적인 문제가 발생합니다.
이 곡선은 "친구가 1 명 약을 먹었을 때 평균적으로 효과가 A 였다"라고 말해줍니다. 하지만 정책 입안자가 "친구를 1 명씩 골라서 약을 주는 정책"을 세울 때, 이 숫자가 정답이 아닐 수 있습니다.

• 왜?
  • 어떤 마을은 친구가 1 명만 약을 먹으면 모든 사람이 1 명의 영향을 받지만,
  • 다른 마을은 친구가 1 명만 약을 먹어도 어떤 사람은 3 명, 어떤 사람은 0 명의 영향을 받을 수 있습니다.
  • 즉, "친구가 1 명 약을 먹는다"는 정책이 실제로는 "누구에게 몇 방울의 비가 떨어지는지"를 균일하게 만들지 못합니다.

이것은 마치 **"평균적인 날씨"**를 보고 **"우산이 필요한지"**를 결정하려는 것과 같습니다. 평균적으로 비가 온다면 우산을 다들 챙겨야 할까요? 아니요. 비가 집중적으로 내리는 지역과 전혀 안 내리는 지역이 섞여 있다면, 평균값만 보고는 누구에게 우산을 줘야 할지 알 수 없습니다.

3. 해결책: "전체 그림을 보는 눈 (EAO)"

저자들은 이 문제를 해결하기 위해 **'기대 평균 결과 (Expected Average Outcome, EAO)'**라는 개념을 강조합니다.

• 비유:
  • 기존 방법 (AFEO): "비 방울 수 (노출) 별 평균 효과"를 따로따로 계산합니다. (1 방울, 2 방울, 3 방울...)
  • 새로운 방법 (EAO): **"우리가 이 정책을 펴면, 마을 전체의 평균 기온이 어떻게 변할까?"**를 바로 계산합니다.

EAO 의 장점:

1. 개별 효과의 합: 이는 결국 모든 개인에게 일어난 일의 평균이므로, "개별 효과의 요약"이라는 첫 번째 조건을 만족합니다.
2. 정책 결정의 핵심: "우리가 이 정책을 펴면 사회 전체의 행복 (효용) 이 얼마나 될까?"를 직접적으로 알려줍니다. 따라서 "어떤 정책을 펴야 가장 좋은가?"를 결정하는 데 완벽한 정보가 됩니다.

4. 핵심 메시지: "평균의 함정을 피하라"

이 논문의 결론은 매우 명확합니다.

"연구자들은 종종 '누가 얼마나 영향을 받았는지'를 세분화해서 분석하는 데 시간을 보냅니다. 하지만 정책 입안자에게 필요한 것은 **'이 정책을 펴면 전체 사회는 어떻게 될까?'**에 대한 답입니다."

• 잘못된 접근: "친구가 1 명 약을 먹으면 효과가 좋다"는 사실을 발견했다고 해서, "친구를 1 명씩 골라 약을 주는 정책"이 최선이라고 단정하지 마세요. (왜냐하면 그 정책이 실제로는 불균형한 영향을 줄 수 있기 때문입니다.)
• 바른 접근: 다양한 정책 시나리오 (예: 10% 를 무작위로 치료, 50% 를 치료 등) 를 가정했을 때, 각 정책이 가져올 전체적인 평균 결과를 계산하고 비교하세요.

5. 요약: 일상적인 언어로 정리

이 논문을 한 문장으로 요약하면 다음과 같습니다.

"네트워크 속에서 누군가의 행동을 바꾸려 할 때, '누가 얼마나 영향을 받았는지'를 세세하게 나누어 분석하는 것보다, '이 정책을 펴면 사회 전체의 평균 행복은 어떻게 변할지'를 직접 계산하는 것이 훨씬 더 현명한 정책 결정 방법이다."

저자들은 연구자들이 복잡한 수학적 세부사항에 매몰되지 말고, **정책의 최종 목표 (전체 사회의 복지)**에 부합하는 '기대 평균 결과'를 중심으로 분석을 재설계할 것을 제안합니다. 이는 마치 지도를 그릴 때, "각 집의 지붕에 비가 몇 방울 떨어졌는지"를 일일이 세는 대신, "이 비가 마을 전체에 얼마나 도움이 될지"를 한눈에 보여주는 지도를 그려야 한다는 뜻입니다.

기술 요약

제시된 논문 "Policy relevance of causal quantities in networks" (네트워크에서의 인과적 양의 정책 관련성) 은 Sahil Loomba 와 Dean Eckles 가 작성한 것으로, 네트워크 간섭 (interference) 이 존재하는 환경에서 개입 (intervention) 의 효과를 어떻게 정량화해야 하는지에 대한 근본적인 문제를 다룹니다.

이 논문의 핵심은 단위 수준 인과 효과의 요약 (interpretability) 과 정책 선택의 충분성 (sufficiency for policy choice) 이라는 두 가지 이상적인 속성을 동시에 만족하는 추정량 (estimand) 을 찾는 데 있습니다.

아래는 이 논문의 기술적 요약입니다.

---

1. 문제 제기 (Problem)

• 배경: 전통적인 무작위 실험에서는 개체 간 간섭이 없다고 가정하여 평균 처리 효과 (ATE) 를 주로 사용했습니다. 그러나 소셜 네트워크, 환경 정책, 추천 시스템 등 개체의 결과가 이웃의 처리 상태에 영향을 받는 (간섭이 존재하는) 상황에서는 ATE 와 같은 단일 추정량으로 효과를 설명하기 어렵습니다.
• 현황: 간섭 하에서는 다양한 추정량 (예: 직접 효과, 간접 효과, 스퍼릴러 효과 등) 이 제안되었습니다. 이러한 추정량들은 주로 노출 맵 (exposure map) 을 기반으로 합니다. 즉, 각 개체가 겪는 '노출 (exposure)' (예: 이웃 중 몇 명이 치료받았는가) 을 정의하고, 이 노출에 따른 평균 결과를 분석합니다.
• 핵심 딜레마: 현재 널리 사용되는 추정량들은 다음 두 가지 속성 중 하나만 만족하거나, 둘 다 만족하지 못하는 경우가 많습니다.
  1. 해석 가능성 (Interpretability): 단위 수준의 인과 효과 (unit-level causal effects) 의 요약으로 해석될 수 있어야 함.
  2. 정책 관련성 (Policy Relevance): 특정 정책 (예: 치료 확률 $\pi$) 하에서 사회적 후생 (welfare) 을 극대화하는 최적의 정책을 선택하는 데 충분해야 함.

2. 방법론 및 분석 프레임워크 (Methodology)

저자들은 네트워크 간섭 하에서 추정량을 두 가지 평균화 순서 (averaging orders) 의 관점에서 분류하고 분석합니다.

A. 평균화 순서 1: 단위별 평균화 후 정책별 평균화 (Assignments $\to$ Units)

• 정의: 먼저 각 단위 $i$ 에 대해 특정 노출 조건 하에서의 잠재적 결과의 기대값을 계산한 후, 이를 전체 인구에 대해 평균합니다.
• 대표 추정량: 평균 초점 기대 결과 (AFEO, Average Focal Expected Outcome).
  • 수식: $AFEO(\pi, f, y) \triangleq \langle E_\pi [y_i(Z) \mid f_i(Z)=1] \rangle_{i \in \text{supp}_f(\pi)}$
  • 여기서 $f$ 는 초점 맵 (focal map, 특정 노출을 가진 단위 집합) 입니다.
• 특징:
  • 해석 가능성: 노출 맵이 올바르게 지정 (correctly specified) 되어 있다면, AFEO 와 그 차이 (focal contrasts) 는 단위 수준의 인과 효과의 가중 평균으로 해석 가능합니다.
  • 정책 관련성 부족: 핵심 문제는 AFEO 가 '균질한 노출 (homogeneous exposure)' 하의 결과를 요약한다는 점입니다. 그러나 실제 정책 (예: 베르누이 정책) 은 네트워크 구조에 따라 단위별로 다른 노출 분포를 생성합니다. 따라서 AFEO 만으로는 특정 정책 하의 전체 기대 후생 (Expected Average Outcome) 을 정확히 식별할 수 없으며, 최적 정책 선택에 불충분합니다.

B. 평균화 순서 2: 정책별 평균화 후 단위별 평균화 (Units $\to$ Assignments)

• 정의: 먼저 모든 가능한 처리 할당 (treatment assignment) 에 대해 전체 인구의 평균 결과를 계산한 후, 정책 $\pi$ 하에서의 확률 분포에 따라 이를 평균화합니다.
• 대표 추정량: 기대 평균 결과 (EAO, Expected Average Outcome).
  • 수식: $EAO(\pi, y) \triangleq E_\pi [\langle y_i(Z) \rangle_{i \in [n]}]$
  • 이는 정책 $\pi$ 하에서 관찰될 것으로 예상되는 전체 평균 결과입니다.
• 특징:
  • 정책 관련성: 유틸리티 (utilitarian) 후생을 극대화하는 정책 선택에 충분 (sufficient) 합니다.
  • 해석 가능성의 한계: AFEO 와 달리, EAO 의 차이 (예: 정책 $\pi$ vs $\pi'$) 는 일반적으로 단위 수준의 인과 효과의 단순한 합으로 해석하기 어렵습니다. 이는 정책이 전체 분포를 변화시키기 때문입니다.

C. 두 가지 접근법의 통합: EFAO

• 저자는 기대 초점 평균 결과 (EFAO, Expected Focal Average Outcome) 를 정의합니다. 이는 단위별 평균화 후 정책별 평균화를 수행하는 방식입니다.
• EFAO 는 특정 노출 조건을 가진 단위들의 평균 결과를 정책 하에서 예측한 것입니다.
• 중요한 발견: EAO 는 모든 정책과 모든 노출 맵에 대해 두 평균화 순서가 일치하는 유일한 추정량입니다 (Proposition 3). 즉, $EAO(\pi) = EFAO(\pi, \mathbf{1}_n)$.

3. 주요 결과 (Key Results)

1. AFEO 의 정책 선택 불충분성:

   • AFEO 는 단위별 인과 효과를 잘 요약하지만, 정책 선택에는 불충분합니다.
   • 이유: AFEO 는 특정 노출 (예: 이웃 1 명 치료) 을 가진 단위들의 평균 결과를 보여줍니다. 하지만 실제 정책 (예: 각 단위에게 독립적으로 치료 확률 $\pi$ 부여) 을 적용하면, 단위별로 그 노출을 받을 확률이 다릅니다 (비균질 노출).
   • 결과: 동일한 AFEO 값이라도, 실제 정책 하에서의 전체 기대 후생 (EAO) 은 다를 수 있습니다. 즉, AFEO 는 EAO 를 식별 (identify) 하지 못하며, 정책 선택 시 편향된 결론을 내릴 위험이 있습니다.

2. EAO 의 유일성과 충분성:

   • Proposition 10: 유틸리티 후생 (비용 포함) 을 극대화하는 정책 선택에 필요한 모든 정보를 제공하는 유일한 추정량은 EAO입니다.
   • EAO 는 단위별 인과 효과의 합으로 직접 해석되지는 않지만, 정책의 전체적 효과를 평가하는 데 필수적입니다.
   • Proposition 3: 모든 정책 공간에서 두 평균화 순서가 일치하는 유일한 추정량은 EAO 입니다.

3. 노출 맵의 오지정 (Misspecification) 문제:

   • 노출 맵이 잘못 지정되면 AFEO 는 단위별 인과 효과로 해석하기 어렵고, 정책 관련성도 더욱 떨어집니다.
   • 반대로, 노출 맵을 지나치게 세분화 (over-specify) 하면 오히려 균질한 노출 분포가 깨져 EAO 식별이 더 어려워질 수 있습니다.

4. 실증 데이터 재분석 (Cai et al., 2015):

   • 보험 가입 결정에 대한 기존 연구 데이터를 재분석한 결과, AFEO 기반의 추정치는 정책 선택에 필요한 정보를 제공하지 못하며, EAO 에 대한 신뢰구간이 매우 넓게 형성됨을 보였습니다. 이는 AFEO 만으로는 최적 정책 (예: 치료 확률 $\pi$) 을 결정할 수 없음을 시사합니다.

4. 기여 및 의의 (Contributions & Significance)

• 이론적 명확화: 네트워크 간섭 하에서 다양한 추정량들이 어떤 평균화 순서를 따르는지, 그리고 그것이 '인과적 해석'과 '정책 최적화' 중 무엇을 희생하는지를 체계적으로 분류했습니다.
• 정책 중심의 접근: 기존 연구가 주로 단위 수준의 인과 메커니즘 (예: 스퍼릴러 효과 크기) 에 집중했다면, 이 논문은 실제 정책 결정자 (Decision Maker) 가 최적의 할당 정책을 선택하기 위해 어떤 추정량을 보고해야 하는지를 강조합니다.
• EAO 의 재조명: 연구자들은 종종 AFEO 나 특정 노출 효과에 매몰되지만, 저자들은 EAO (또는 다른 정책 하의 EAO 대비) 를 추정하고 보고할 것을 강력히 권고합니다. EAO 는 정책 관련성을 보장하면서도, 단위별 효과의 합으로 볼 수 있는 유일한 추정량입니다.
• 실무적 함의: 정책 평가 연구에서는 단순히 "노출 1 명당 효과가 얼마나 큰가"를 보고하는 것을 넘어, "특정 정책 (예: 50% 확률로 치료) 을 시행했을 때 전체 사회의 기대 결과는 무엇인가"를 직접 추정해야 함을 강조합니다.

5. 결론

이 논문은 네트워크 간섭 하에서 인과 추론의 궁극적인 목표가 최적 정책 선택 (Optimal Policy Choice) 에 있어야 함을 주장합니다. 이를 위해 기대 평균 결과 (EAO) 가 가장 중요한 추정량이며, 이는 단위별 인과 효과의 요약과 정책 결정의 충분성을 동시에 만족하는 유일한 대안임을 수학적으로 증명했습니다. 연구자들은 AFEO 와 같은 매력적인 단위별 효과 추정량들을 완전히 무시할 필요는 없으나, 정책 관련성을 위해서는 반드시 EAO 를 함께 추정하고 해석해야 한다고 결론지었습니다.