📊 statistics

Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data

이 논문은 시계열 횡단 데이터를 위한 인과 추론을 위해 잠재 요인 부하량을 통해 처치 할당 메커니즘을 명시적으로 모델링하고, propensity score 를 유연하게 통합하여 더 신뢰할 수 있는 비교를 가능하게 하는 베이지안 propensity score 증강 잠재 요인 모델을 제안합니다.

원저자: Licheng Liu

게시일 2026-03-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Licheng Liu

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

🎬 비유: "영화 속 주인공의 운명을 바꾸는 비밀 요인"

상상해 보세요. 여러분은 과거의 사건을 분석하는 탐정입니다. 어떤 회사의 주가가 갑자기 폭등했는데, 그 이유가 "정치적 인맥 (Timothy Geithner 와의 연결)" 때문인지, 아니면 그냥 "시장이 좋아져서"인지 알고 싶습니다.

하지만 문제는 우리가 볼 수 없는 것들이 있다는 점입니다.

보이는 것 (관측 변수): 회사의 크기, 이익률, 부채 비율 등.
보이지 않는 것 (잠재 요인): 회사의 숨겨진 네트워크, 시장의 미세한 심리, 정치권의 보이지 않는 분위기 등.

기존의 방법들은 이 '보이지 않는 것'을 무시하거나, 단순히 평균으로 처리했습니다. 하지만 이 논문은 **"보이지 않는 요인까지 고려하면서, 동시에 '누가 왜 그 사건을 겪게 되었는지'의 이유도 함께 분석하자"**고 말합니다.

🔍 이 논문이 제안하는 3 가지 핵심 아이디어

1. "비밀 요인"을 찾아내는 안경 (잠재 요인 모델)

기존 방법들은 눈에 보이는 데이터 (회사 규모 등) 만으로 판단했습니다. 하지만 이 논문은 **"눈에 보이지 않는 숨겨진 요인 (잠재 요인)"**이 존재한다고 가정합니다.

비유: 마치 안경을 끼지 않고는 보이지 않는 유령을 안경 (잠재 요인 모델) 을 써서 찾아내는 것과 같습니다. 이 안경을 통해 회사들이 가진 숨겨진 특성을 파악하고, 이를 통해 더 정확한 예측을 합니다.

2. "왜 그 회사가 선택되었을까?"를 먼저 묻기 (성향 점수)

우리는 정치적 인맥이 있는 회사 (처치 그룹) 와 없는 회사 (통제 그룹) 를 비교합니다. 하지만 단순히 두 그룹을 비교하면 안 됩니다. 인맥이 있는 회사들이 원래부터 더 큰 회사였을 수도 있으니까요.

비유: **성향 점수 (Propensity Score)**는 "이 회사가 정치적 인맥을 가질 확률"을 계산하는 점수입니다.
이 논문은 이 점수를 단순히 비교 도구로만 쓰는 게 아니라, 처음부터 "왜 이 회사가 인맥을 가졌는지"를 설명하는 모델의 일부로 포함시킵니다. 마치 "왜 이 학생이 장학금을 받았는지 (성향)"를 먼저 분석한 뒤, "장학금이 성적에 미친 영향"을 계산하는 것과 같습니다.

3. "정보의 역류"를 막는 안전장치 (모델 피드백 해결)

여기서 가장 중요한 기술적 난관이 있습니다.

문제: "숨겨진 요인"을 구할 때 "성향 점수"를 쓰고, "성향 점수"를 구할 때 다시 "숨겨진 요인"을 쓰게 되면, 정보가 서로 꼬여서 (피드백) 잘못된 결론을 내릴 수 있습니다.
해결책: 이 논문은 두 단계를 분리하되, 약간의 수정을 가하는 '근사적' 방법을 사용합니다.
- 비유: 요리사 A(성향 점수 분석) 와 요리사 B(결과 분석) 가 같은 재료를 쓰는데, 서로의 요리를 방해하지 않도록 순서를 정하고 재료를 나누어 쓰는 것입니다. 먼저 B 가 재료를 다듬고, 그 결과를 A 가 참고하되, A 가 다시 B 에게 영향을 주지 않도록 '안전장치를 거는' 방식입니다. 이렇게 하면 계산이 훨씬 안정적이고 정확해집니다.

📊 실제 적용 사례: "조지프 게이너의 인맥과 주식"

이론만 설명하면 어렵죠? 논문에서는 실제 사례를 들었습니다.

상황: 2008 년 금융위기 당시, 미국 재무부 장관으로 임명된 '티모시 게이너'와 연결된 금융회사들의 주가가 어떻게 변했는지 분석했습니다.
기존 방법: 인맥이 있는 회사와 없는 회사의 주가 차이를 비교했지만, 숨겨진 요인 (예: 특정 산업군의 공통된 운명) 을 완전히 통제하지 못해 오차가 있을 수 있었습니다.
이 논문의 방법:
1. 회사의 숨겨진 특성 (잠재 요인) 을 찾아냈습니다.
2. 게이너와 연결될 확률 (성향 점수) 을 계산하여 회사들을 그룹으로 나눴습니다.
3. 이 두 가지를 모두 고려해 주가 변동을 다시 계산했습니다.
결과: 기존 방법으로는 "주가가 statistically significant(통계적으로 유의미) 하게 올랐다"고 했지만, 이 새로운 방법으로는 **"오차 범위 내에서 0(영향 없음) 일 가능성도 있다"**는 더 신중한 결론을 내렸습니다. 즉, 기존 연구가 과장했을 가능성을 잡아낸 것입니다.

💡 요약: 왜 이 논문이 중요한가요?

더 정교한 비교: 단순히 "A 와 B 를 비교"하는 게 아니라, "A 와 B 가 가진 숨겨진 비밀과, 왜 A 가 선택되었는지"를 모두 고려해 더 공평하게 비교합니다.
불확실성 인정: "우리가 모르는 게 있을 수 있다"는 점을 수학적으로 인정하고, 그 불확실성까지 계산에 포함시킵니다.
오류 방지: 복잡한 계산 과정에서 정보가 서로 꼬이는 것을 막아, 잘못된 결론을 내는 것을 방지합니다.

한 줄 요약:

"보이지 않는 요인까지 고려하고, 데이터의 꼬임을 방지하는 '초정밀 탐정 도구'를 만들어, 정책이나 사건의 진짜 효과를 더 정확하게 찾아냈다."

이 방법은 정치학, 경제학, 의학 등 다양한 분야에서 "무엇이 진짜 원인인가?"를 찾을 때 매우 유용하게 쓰일 것입니다.

1. 연구 배경 및 문제 제기 (Problem)

관찰 데이터의 인과 추론 한계: 관찰 연구 (Observational Studies) 에서 인과 효과를 추정할 때는 무작위 실험과 달리 처치 (Treatment) 할당 메커니즘이 연구자에게 알려져 있지 않습니다. 따라서 기존 방법은 관측된 공변량 (Covariates) 을 조건으로 한 '무조건부 무작위성 (Conditional Ignorability)' 가정을 기반으로 성향점수 (Propensity Score) 를 활용합니다.
TSCS 데이터의 특수성: 시계열 횡단면 (Time-Series Cross-Sectional, TSCS) 데이터에서는 관측되지 않은 교란변수 (Unobserved Confounders) 가 존재할 가능성이 매우 높습니다. 기존 패널 데이터 방법론 (예: 이중 고정효과, 상호작용 고정효과) 은 이러한 잠재 교란변수를 '잠재 무조건부 무작위성 (Latent Ignorability)' 가정 하에 모델링하지만, 처치 할당 메커니즘을 명시적으로 모델링하지 않는 경우가 많습니다.
기존 방법의 결함:
1. 잠재 교란변수를 추정해야 성향점수를 구성할 수 있는데, 이를 명시적으로 모델링하는 방법이 부족합니다.
2. 베이지안 접근법에서 성향점수 추정의 불확실성을 결과 모델에 반영할 때, 모델 피드백 (Model Feedback) 문제가 발생합니다. 즉, 처치 할당 모델과 결과 모델이 서로의 매개변수에 의존하게 되어 편향된 추정치와 부정확한 반사실 (Counterfactual) 예측을 초래할 수 있습니다.

2. 제안된 방법론: PS-LFM (Methodology)

저자는 성향점수 증강 잠재요인 모델 (Propensity Score-Augmented Latent Factor Model, PS-LFM) 을 제안합니다. 이는 TSCS 데이터에서 관측된 공변량과 잠재 교란변수를 동시에 고려하여 처치 효과 (ATT) 를 추정하는 베이지안 프레임워크입니다.

핵심 구성 요소

잠재 무조건부 무작위성 (Latent Ignorability) 가정:
- 잠재 교란변수 ( $\gamma_i$ ) 와 관측된 공변량 ( $Z_i$ ) 을 조건으로 할 때, 잠재 결과와 처치 할당이 독립적이라고 가정합니다.
연결된 모델 구조 (Joint Model):
- 처치 할당 모델 (Propensity Score Stage): 처치 여부 ( $W_i$ ) 가 관측된 공변량 ( $Z_i$ ) 과 잠재 요인 부하량 ( $\gamma_i$ ) 의 함수로 결정됩니다.
  $W_i = 1\{Z_i'\lambda_z + \gamma_i'\lambda_\gamma + \nu_i \ge 0\}$
  이를 통해 성향점수 $ps(Z_i, \gamma_i) = \Phi(Z_i'\lambda_z + \gamma_i'\lambda_\gamma)$ 를 유도합니다.
- 결과 모델 (Outcome Stage): 잠재 결과 ( $Y_{it}(0)$ ) 는 관측된 공변량, 성향점수, 그리고 잠재 요인 구조를 포함합니다.
  $Y_{it}(0) = g(Z_i, ps(Z_i, \gamma_i))'\beta_t + \gamma_i'f_t + \epsilon_{it}$
  여기서 $g(\cdot)$ 는 성향점수가 결과 모델에 어떻게 들어가는지 정의하며 (예: 성향점수 층화 Stratification), 잠재 요인 항 ( $\gamma_i'f_t$ ) 은 성향점수로 설명되지 않는 잔차 변동을 포착합니다.
근사 베이지안 추론 (Approximate Bayesian Inference) 과 모델 피드백 해결:
- 완전한 베이지안 분석은 처치 할당과 결과 모델 간의 피드백 루프로 인해 추정이 불안정해질 수 있습니다.
- 이를 해결하기 위해 Zigler et al. (2013) 의 근사 베이지안 접근법을 채택합니다.
  - 단계 1: 잠재 요인 부하량 ( $\gamma_i$ ) 을 결과 모델만을 사용하여 업데이트합니다 (처치 할당 모델의 우도 함수는 제외).
  - 단계 2: 추정된 요인 부하량을 회전 (Rotation) 시켜 정규화 조건을 만족시키고, 이를 처치 할당 모델에 입력하여 성향점수 파라미터를 업데이트합니다.
  - 단계 3: 업데이트된 성향점수를 결과 모델에 반영합니다.
- 이 과정을 통해 모델 피드백 문제를 완화하면서도 잠재 교란변수의 불확실성을 고려합니다.
모델 선택 및 축소 (Shrinkage):
- 잠재 요인의 개수가 사전에 알려져 있지 않으므로, 축소 사전분포 (Shrinkage Priors, 예: Horseshoe prior) 를 사용하여 불필요한 요인을 0 으로 축소하고 모델 선택을 수행합니다.

3. 주요 기여 (Key Contributions)

TSCS 데이터의 처치 할당 메커니즘 명시적 모델링: 잠재 무조건부 무작위성 하에서 관측되지 않은 교란변수를 포함한 처치 할당 과정을 명시적으로 모델링하여, 기존 TSCS 인과 추론 방법론의 한계를 극복했습니다.
베이지안 성향점수 분석의 확장: 기존에 횡단면 데이터에 주로 적용되던 베이지안 성향점수 분석을, 복잡한 잠재 교란 구조를 가진 시계열 횡단면 데이터로 확장했습니다.
잠재 요인 구조와 성향점수의 통합: 성향점수 층화 (Stratification) 를 통해 잠재 요인 구조가 처치 할당과 결과 모두에 영향을 미칠 수 있음을 보여주었으며, 이를 통해 층 내 (Within-strata) 비교의 신뢰성을 높였습니다.
실용적 도구 개발: 제안된 방법론을 구현한 오픈소스 R 패키지 bpCausal 을 공개했습니다.

4. 실험 결과 (Results)

모의실험 (Monte Carlo Simulations)

설정: $N=200, T=50$ 의 시나리오에서 성향점수 층화가 존재하는 데이터 생성 과정 (DGP) 을 가정했습니다.
비교 대상:
- Oracle (참값을 아는 이상적 모델)
- 제안된 PS-LFM
- 기존 베이지안 잠재요인 모델 (DM-LFM, 성향점수 미고려)
- Callaway & Sant'Anna (2021) 의 이중강건 DID (CS-DID)
- Liu et al. (2024) 의 고정효과 반사실 추정량 (FEct)
결과:
- PS-LFM은 Oracle 모델에 비해 편향은 약간 크지만, 95% 신뢰구간 커버리지율 (Coverage Rate) 이 명목 수준 (95%) 에 근접하여 신뢰할 수 있는 추정을 제공했습니다.
- 반면, 성향점수 층화를 고려하지 않은 DM-LFM과 FEct는 편향과 RMSE 가 크고 커버리지율이 낮았습니다.
- CS-DID는 관측된 공변량만으로는 설명되지 않는 잠재 요인 구조를 가진 데이터에서는 성능이 현저히 떨어졌습니다.

실증 분석 (Empirical Application)

주제: 2008 년 11 월 티모시 가이트너 (Timothy Geithner) 의 미국 재무부 장관 임명 발표가 금융 기업의 주가 수익률에 미친 효과 (정치적 연결의 가치).
데이터: 536 개 금융 기업 중 53 개 기업이 정치적 연결을 가짐 (처치군).
결과:
- PS-LFM 과 기존 DM-LFM 을 비교한 결과, 발표 당일과 9 일 차의 비정상 수익률 (Abnormal Return) 추정치에서 차이가 발생했습니다.
- 특히 PS-LFM은 발표 당일의 효과가 통계적으로 유의하지 않음 (신뢰구간이 0 포함) 을 보인 반면, DM-LFM 은 유의하다고 추정했습니다. 이는 성향점수 층화를 통해 더 정교한 비교가 가능했음을 시사합니다.
- 위약 효과 (Placebo test) 분석에서도 두 모델 모두 유의미한 효과가 없음을 확인하여 추정치의 타당성을 뒷받침했습니다.

5. 의의 및 한계 (Significance & Limitations)

의의:
- 관측되지 않은 교란변수가 존재하는 TSCS 데이터에서 인과 추론의 신뢰성을 높이는 새로운 프레임워크를 제시했습니다.
- 성향점수 추정의 불확실성을 결과 모델에 통합하면서도 모델 피드백 문제를 해결하는 실용적인 알고리즘을 제안했습니다.
- 정치경제학 및 금융 분야에서 정치적 연결과 같은 복잡한 인과 관계 분석에 유용하게 적용될 수 있습니다.
한계:
- 처치 할당 및 결과 모델에 파라메트릭 가정 (예: 정규분포, 선형성) 을 필요로 합니다.
- 성향점수 층화의 임계값 (Threshold) 설정이 잘못되면 편향이 발생할 수 있습니다.
- 잠재 교란변수를 결과 모델에서 먼저 추정하여 처치 모델에 사용하는 방식이므로, 전통적인 '이중강건성 (Double Robustness)'을 완전히 만족하지는 않습니다 (즉, 두 모델 중 하나만 정확하다고 해서 일관된 추정이 보장되지는 않음).

결론

이 논문은 시계열 횡단면 데이터의 인과 추론에서 잠재 교란변수와 성향점수를 통합적으로 다루는 강력한 베이지안 프레임워크를 제시합니다. 특히 모델 피드백 문제를 해결하는 근사 베이지안 알고리즘을 통해, 기존 방법론보다 더 유연하고 신뢰할 수 있는 처치 효과 추정을 가능하게 합니다.