Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance

1. 문제 정의 (Problem Setup)

• 배경: 무작위 대조 시험 (RCT) 은 인과 효과 추정의 금표준 (Gold Standard) 으로 간주되지만, 실제 적용에서는 비준수 (Noncompliance) 로 인해 무작위화가 훼손될 수 있습니다.
• 한쪽 방향 비준수 (One-sided Noncompliance):
  • 통제군 (Control, $Z=0$) 에 배정된 참가자는 치료를 받을 수 없으나 ($T=0$), 치료군 (Treatment, $Z=1$) 에 배정된 참가자는 치료를 받거나 ($T=1$) 받지 않을 ($T=0$) 수 있습니다.
  • 이 경우, 관찰된 데이터는 $Z$ (배정), $T$ (실제 수령), $Y$ (결과), $X$ (공변량) 로 구성되지만, 개인의 준수 상태 ($W=1$: 준수자, $W=0$: 절대 거부자) 는 $Z=0$일 때 관찰되지 않습니다.
• 기존 방법의 한계:
  • 기존 연구는 주로 **준수자 평균 인과 효과 (CACE/LATE)**나 **준수자 분위수 인과 효과 (CQCE)**와 같이 단일한 특정 인과 모수 (estimand) 에만 초점을 맞추었습니다.
  • 비준수 하에서 어떤 모수가 식별 가능 (Identifiable) 하고 어떤 모수가 아닌지에 대한 체계적인 분석이 부족했습니다.

2. 방법론 (Methodology)

2.1. CGCE 정의 및 식별 가능성 (Identifiability)

• CGCE (Complier General Causal Effect) 제안:
  • 저자들은 CACE 와 CQCE 를 모두 포괄하는 일반적인 모수인 CGCE 를 정의했습니다.
  • 정의: $\tau = \tau_1 - \tau_0$, 여기서 $\tau_k$는 준수자 ($W=1$) 집단의 잠재적 결과 $Y_k$에 대한 특정 함수 $u(Y_k, \tau_k)$의 기대값이 0 이 되는 값으로 정의됩니다.
  • 예시: $u(y, \tau) = y - \tau$이면 CACE 가 되고, $u(y, \tau) = I(y \le \tau) - \alpha$이면 $\alpha$ 분위수 인과 효과 (CQCE) 가 됩니다.
• 비모수 가능도 기반 식별성 분석:
  • 관찰된 데이터 구조 (Table 1) 를 바탕으로 비모수 가능도 함수를 구성했습니다.
  • 이 분석을 통해 CGCE 와 관련된 모수들이 식별 가능함을 증명했으며, 반면 절대 거부자 (Nevertakers) 나 통제군 전체의 인과 효과는 식별 불가능함을 보였습니다. 이는 해당 설정 하에서 체계적으로 식별 가능성을 다룬 최초의 연구입니다.

2.2. 추정량 개발

저자들은 두 가지 추정량을 개발했습니다.

1. 간단한 추정량 (Simple Estimator, $\hat{\tau}_s$):

   • 비모수적 절차나 머신러닝 도구가 필요하지 않습니다.
   • 관측된 데이터와 무작위화 확률 $p(X)$를 사용하여 모멘트 방정식을 풀어 추정합니다.
   • $n^{-1/2}$-일관성을 가지지만, 효율성 (Efficiency) 은 달성하지 못합니다.

2. 효율적 추정량 (Efficient Estimator, $\hat{\tau}$):

   • **반모수 효율성 경계 (Semiparametric Efficiency Bound)**를 달성합니다.
   • 효율적 영향 함수 (EIF) 유도: 간단한 추정량의 영향 함수를 반모수 모델의 접공간 (Tangent Space) 에 사영 (Projection) 하여 유도했습니다. 이는 기존 최적 도구 변수 (Optimal IV) 접근법과 구별되며, 데이터 구조에 기반한 해석 가능한 교란 성분 (Nuisance components) 들로 분해됩니다.
   • 샘플 분할 (Sample Splitting) 과 교란 함수 추정:
     • 교란 함수들 (조건부 기대값 $\mu_1, \mu_2, \mu_3$ 및 준수 확률 $q(X)$) 을 추정하기 위해 데이터를 두 부분으로 나눕니다.
     • 핵심 특징 (Rate-free Condition): 교란 추정량의 수렴 속도에 대한 제한이 없습니다. 오직 $L_2$-노름에서의 일관성 (Consistency) 만 요구됩니다. 이는 현대적인 머신러닝 (딥러닝, 랜덤 포레스트 등) 을 효율적 추정량에 적용할 수 있는 문을 엽니다.

3. 주요 기여 (Key Contributions)

1. 새로운 모수 (CGCE) 의 제안: CACE 와 CQCE 를 일반화하는 통일된 프레임워크를 제시했습니다.
2. 체계적인 식별성 분석: 한쪽 방향 비준수 하에서 비모수 가능도를 기반으로 어떤 인과 모수가 식별 가능한지 최초로 체계적으로 규명했습니다.
3. 효율적 추정량 및 이론적 혁신:
   • 교란 함수의 수렴 속도 제한이 없는 (Rate-free) 효율적 추정량을 제안했습니다. 이는 기존의 '곱셈 속도 조건 (Product-rate condition)'이나 특정 매끄러움 조건을 요구하는 기존 문헌과 차별화됩니다.
   • 이 덕분에 복잡한 비모수적 모델이나 머신러닝을 사용하면서도 반모수적 효율성을 보장할 수 있습니다.
4. 실증적 검증: 시뮬레이션 연구와 실제 데이터 (모로코의 소액 대출 데이터) 적용을 통해 제안된 방법의 우수성을 입증했습니다.

4. 결과 (Results)

4.1. 시뮬레이션 연구

• 성능 비교: 제안된 효율적 추정량 (Kernel 기반 및 신경망 기반) 은 간단한 추정량보다 훨씬 작은 분산을 보였습니다.
• 고차원 데이터: 차원 ($d$) 이 증가할수록 (예: $d=9$) 신경망 (NN) 기반 효율적 추정량이 커널 회귀보다 우수한 성능을 보였습니다.
• 오라클 (Oracle) 성능: 신경망을 사용한 효율적 추정량은 실제 함수를 알 때의 오라클 추정량과 거의 동일한 성능을 보였습니다.
• 추정 정확도: 모든 추정량은 편향이 거의 없었으며, 95% 신뢰구간의 피복률 (Coverage) 이 이론적 값 (약 95%) 에 근접했습니다.

4.2. 실제 데이터 적용 (모로코 소액 대출)

• 데이터: 162 개 마을의 가구를 대상으로 한 소액 대출 실험 데이터 ($n=4,934$).
• 분석 결과:
  • Eff-NN (신경망 기반 효율적 추정량): 표준편차 추정과 95% 신뢰구간 피복률이 가장 안정적이었습니다.
  • 결론: 추정된 인과 효과는 0 을 포함하는 신뢰구간을 가졌으며, 통계적으로 유의미하지 않음을 시사했습니다.
  • 차이점: 기존 연구 (Sawada, 2019) 와 달리 선형 모델 가정을 하지 않았기 때문에 다른 결과가 나왔음을 지적했습니다.

5. 의의 및 결론 (Significance and Conclusion)

• 이론적 의의: 반모수 효율성 추정을 위해 교란 함수의 수렴 속도에 대한 엄격한 조건을 제거함으로써, 현대 머신러닝 방법론을 인과 추론에 적용하는 새로운 기준을 제시했습니다.
• 실무적 의의:
  • 간단한 추정량: 비모수 절차가 필요 없어 예비 분석에 유용합니다.
  • 효율적 추정량: 복잡한 데이터 구조와 고차원 공변량을 가진 실제 RCT 데이터에서 정밀한 인과 효과 추정을 가능하게 합니다.
• 향후 과제: 양쪽 방향 비준수 (Two-sided noncompliance) 로의 확장 및 관측 데이터 (Observational data) 설정으로의 확장이 향후 연구 과제로 제시되었습니다.

이 논문은 비준수가 있는 RCT 분석에서 통계적 식별성, 효율적 추정, 그리고 머신러닝의 통합을 성공적으로 결합한 중요한 연구로 평가됩니다.