Distributional Discontinuity Design

이 논문은 회귀 불연속성 설계 (RDD) 와 회귀 꺾임 설계 (RKD) 에 새로운 프레임워크인 **분포적 불연속성 설계 (Distributional Discontinuity Design)**를 도입하여, 평균 효과뿐만 아니라 결과 변수의 전체 분포 변화를 포착하는 인과적 추정 방법을 제안합니다.

저자 Kyle Schindl 와 Larry Wasserman 은 기존 연구가 주로 평균 효과 (Mean Effects) 에 집중하여 치료 효과의 이질성 (heterogeneity) 을 놓칠 수 있다는 문제를 지적하고, 최적 수송 (Optimal Transport) 이론을 기반으로 한 Wasserstein 거리를 인과 효과의 척도로 사용하여 이를 해결합니다.

주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 제기

• 기존 방법의 한계: 전통적인 RDD 와 RKD 는 주로 임계점 (cutoff) 상하의 평균 차이 ($\tau$) 를 추정합니다. 그러나 평균은 분포의 모양 (분산, 왜도, 꼬리 등) 을 숨길 수 있습니다. 예를 들어, 평균은 변하지 않더라도 분산이 두 배가 되거나 분포가 양극화되는 경우, 평균 효과는 0 으로 나타나지만 실제 치료 효과는 큽니다.
• 양적 처리 효과 (Quantile Treatment Effects) 의 한계: 분포 전체를 분석하기 위해 양적 처리 효과를 사용하는 시도가 있었으나, 이는 특정 분위수별 효과를 나열해야 하므로 해석이 어렵고, 개별 단위 수준의 효과를 해석하기 위해서는 강한 순위 불변성 (rank-invariance) 가정이 필요합니다.
• 해결책: 분포 간 거리를 단일 수치로 요약할 수 있는 Wasserstein 거리를 인과 효과의 정의에 도입합니다.

2. 방법론 (Methodology)

A. 분포적 불연속성 설계 (Distributional Discontinuity Design)

• 추정량 (Estimand): 임계점 $x_0$에서 처치군과 대조군의 조건부 결과 분포 사이의 **2-Wasserstein 거리 ($W_2$)**를 인과 효과 ($\Psi$) 로 정의합니다.
  $$\Psi = W_2(P_{1|x_0}, P_{0|x_0})$$
  이는 한 분포를 다른 분포로 변환하는 데 필요한 최소 운송 비용 (최적 수송) 을 의미하며, 분포의 위치, 스케일, 형태 등 모든 차원의 변화를 포착합니다.
• 인과적 식별 (Identification):
  • Sharp RDD: 처치 할당이 명확한 경우, $\Psi$는 임계점 상하의 한계 조건부 분위수 함수 ($Q_1(u), Q_0(u)$) 의 $L_2$ 거리로 식별됩니다.
  • Fuzzy RDD: 처치 할당이 불완전한 경우, 항상 처치받는 그룹 (Always-takers), 처치받지 않는 그룹 (Never-takers), 순응자 (Compliers) 등을 정의하고, **순응자 (Compliers)**의 분포에 대한 Wasserstein 거리 ($\Psi_C$) 를 식별합니다.
• 추정 및 추론:
  • 국소 다항식 회귀 (Local Polynomial Regression) 와 편향 보정 (Bias Correction) 기법을 사용하여 조건부 분위수 함수를 추정합니다.
  • $\Psi$는 이차형 파라미터 (quadratic parameter) 이므로, $\Psi \to 0$일 때 수렴 속도와 분포가 변합니다. 이를 위해 고유값 (Eigenvalue) 기반의 몬테카를로 검정이나 보수적인 Chebyshev 부등식을 이용한 검정 방법을 제안합니다.

B. 분포적 꺾임 설계 (Distributional Kink Design)

• Wasserstein 도함수: 처치 할당이 불연속적으로 끊기는 것이 아니라 기울기가 변하는 (Kink) 경우, 정책 꺾임점에서의 **Wasserstein 도함수 ($\Psi'$)**를 정의합니다. 이는 확률 질량이 꺾임점을 통과하는 순간적인 흐름을 나타냅니다.
• Fuzzy Kink Design 식별: Wang and Zhang (2025) 의 연구를 확장하여, 불완전 준수 (imperfect compliance) 가 있는 Fuzzy Kink 설계에서도 식별이 가능함을 증명했습니다.

3. 주요 기여 및 해석 (Key Contributions & Interpretation)

A. 평균 효과와의 관계 및 이질성 측정

• 부등식: Wasserstein 효과 $\Psi$는 평균 치료 효과의 절대값 $|\tau|$보다 크거나 같습니다 ($|\tau| \le \Psi$).
• 등호 조건: $\Psi = |\tau|$인 경우, 치료 효과가 순전히 가법적 (additive) 인 경우 (분포가 평행 이동만 함) 에만 성립합니다.
• 이질성 지수: $\Psi$와 $|\tau|$의 차이는 치료 효과의 이질성을 측정합니다. 저자는 이를 정량화하는 **이질성 지수 ($\gamma$)**를 제안합니다.
  $$\gamma = 1 - \left(\frac{|\tau|}{\Psi}\right)^2$$
  $\gamma$가 1 에 가까울수록 평균 효과로 설명되지 않는 분포 변화 (분산, 왜도 등) 가 큽니다.

B. L-모멘트 (L-Moments) 분해

• 직교 분해: Wasserstein 거리의 제곱 ($\Psi^2$) 을 L-모멘트 (위치, 스케일, 왜도 등) 의 차이 제곱의 합으로 직교 분해할 수 있음을 보였습니다.
  $$\Psi^2 = \sum_{k=1}^{\infty} (2k-1) (\lambda_k^{(1)} - \lambda_k^{(0)})^2$$
• 분포적 $R^2$: 각 L-모멘트가 전체 분포 거리를 설명하는 비율 ($R_k^2$) 을 계산하여, 치료 효과가 분포의 평균 변화에 기인한 것인지, 분산이나 꼬리 (tail) 변화에 기인한 것인지 구체적으로 해석할 수 있습니다.

C. 분포적 우세 (Distributional Dominance)

• 치료 효과가 한쪽 방향으로만 작용하는지 (예: 모든 분위수에서 긍정적) 를 나타내는 Wasserstein 우세 ($\rho$) 지수를 제안하여, 효과의 방향성을 요약합니다.

4. 실증 분석 및 시뮬레이션 결과

• 시뮬레이션: 제안된 보수적 신뢰구간 (Conservative CI) 과 부트스트랩 기반 신뢰구간의 성능을 비교했습니다. 소표본에서는 보수적 구간이 더 안정적임을 보였습니다.
• 실증 사례 1 (RDD): Lee (2008) 의 선거 승자 우위 (Incumbency Advantage) 분석을 재분석했습니다.
  • 평균 효과는 약 7.1% 증가였으며, Wasserstein 효과는 7.5% 로 유사했습니다.
  • L-모멘트 분해 결과, 효과의 대부분이 위치 (평균) 변화에 기인했으나, 왜도 (skewness) 변화도 일부 관측되었습니다. 이는 치료 효과가 거의 균일하게 작용했음을 시사합니다.
• 실증 사례 2 (RKD): Lundqvist et al. (2014) 의 스웨덴 보조금과 고용 분석을 재분석했습니다.
  • 평균 효과는 통계적으로 유의하지 않았습니다 (0).
  • 그러나 Wasserstein 도함수는 분포적 변화가 있음을 시사하며, L-모멘트 분해 결과 평균 효과는 거의 0 이지만 고차 모멘트 (분산, 왜도 등) 에서 상당한 변화가 있음을 발견했습니다. 이는 평균만 보면 놓칠 수 있는 특정 지역 (아웃라이어) 의 극단적 효과를 포착한 것입니다.

5. 의의 및 결론

• 보완적 도구: 이 연구는 기존 평균 기반 RDD/RKD 를 대체하기보다 보완하는 도구로 제안됩니다. $\Psi$는 치료 효과의 총량을 측정하는 단일 지표로, 평균 효과와 비교함으로써 이질성의 정도를 직관적으로 보여줍니다.
• 해석의 용이성: 복잡한 분위수 곡선 대신, L-모멘트 분해를 통해 "효과가 분산 변화인가, 평균 변화인가?"와 같은 실질적인 질문에 답할 수 있는 체계를 제공합니다.
• 확장성: 이 프레임워크는 무작위 통제 실험 (RCT) 이나 차이의 차이 (DiD) 등 다른 준실험 설계에도 적용 가능하며, 다변량 결과 변수로 확장할 수 있는 가능성을 열어줍니다.

결론적으로, 이 논문은 최적 수송 이론을 인과 추론에 성공적으로 적용하여, 치료 효과가 결과 분포의 모양에 미치는 영향을 정량화하고 해석할 수 있는 강력한 새로운 방법론을 제시했습니다.