논문 요약: 관측된 사실적 결과에 조건부인 사후 반사실 예측: 교차 세계 (Cross-World) 접근법

논문 정보:

• 제목: Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach
• 저자: Juraj Bodik (University of Lausanne)
• 출처: Proceedings of Machine Learning Research (PMLR) 275:1–34, 2026, 5th Conference on Causal Learning and Reasoning

1. 문제 정의 (Problem Statement)

이 논문은 사후 반사실 예측 (Retrospective Counterfactual Prediction) 문제를 다룹니다. 이는 특정 개체 (예: 환자) 가 실제로 받은 치료 (또는 처치) 와 다른 대안적 치료를 받았을 때의 결과를 추정하는 것입니다.

• 목표: 관측된 공변량 $X=x$와 관측된 사실적 결과 (factual outcome) $Y(0)=y$를 조건으로 할 때, 반사실적 결과 $Y(1)$의 기대값 $\mu(x, y) = E[Y(1) \mid X=x, Y(0)=y]$를 추정하고, 유효한 예측 구간 (Prediction Intervals) 을 구성하는 것입니다.
• 기존 방법의 한계:
  • 대부분의 기존 연구는 공변량 $X$만을 조건으로 하여 $E[Y(1) \mid X=x]$ (CATE 기반) 를 추정합니다.
  • 이는 개체별 관측 결과 $Y(0)$가 가진 중요한 정보 (예: 환자가 치료를 받지 않았을 때 회복되었다면, 치료를 받았을 때도 회복되었을 가능성이 높음) 를 무시합니다.
  • 잠재적 결과 $Y(0)$와 $Y(1)$의 결합 분포는 동일한 개체에서 동시에 관측되지 않기 때문에, 추가 가정 없이는 식별 불가능 (unidentifiable) 합니다.

2. 방법론 (Methodology)

저자는 교차 세계 상관관계 (Cross-world correlation) $\rho(x)$를 명시적으로 모델링하여 이 문제를 해결합니다.

2.1. 핵심 가정: 교차 세계 상관관계 ($\rho(x)$)

• 정의: $\rho(x) = \text{cor}(Y(1), Y(0) \mid X=x)$는 공변량 $X$가 주어졌을 때, 두 잠재적 결과 간의 상관관계를 나타냅니다.
• 식별 불가능성: 데이터만으로는 $\rho(x)$를 식별할 수 없습니다. 따라서 도메인 지식, 보조 데이터, 또는 민감도 분석을 통해 $\rho(x)$의 plausible bounds(합리적인 범위) 를 설정해야 합니다.
• 가정: 잠재적 결과의 결합 분포를 가우시안 코풀라 (Gaussian copula) 로 가정하여 $\rho(x)$를 매개변수화합니다.

2.2. 제안된 프레임워크: RCP($\rho$)

관측된 결과 $Y(0)=y$를 활용하여 반사실적 예측을 보정하는 Retrospective Counterfactual Prediction (RCP) 프레임워크를 제안합니다.

1. 기저 추정 (Baseline Estimation):
   • 치료군과 대조군에 대해 각각 조건부 평균 $\hat{\mu}_t(x)$와 예측 구간 $\tilde{C}_t(x)$를 추정합니다 (랜덤 포레스트, CQR 등 사용).
2. 점 추정치 (Point Estimator) $\hat{\mu}_\rho(x, y)$:
   • 관측된 결과와 기저 예측의 잔차에 $\rho$를 가중치로 적용하여 보정합니다.
   • 공식: $\hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$
   • 여기서 $\lambda(x)$는 두 그룹의 예측 구간 폭 비율로, 분산 차이를 보정합니다.
3. 예측 구간 (Prediction Interval) $C_\rho(x, y)$:
   • $\rho$가 클수록 (강한 상관관계) 예측 구간은 좁아지고, 관측된 결과 $y$에 더 의존하게 됩니다.
   • 공식: $\hat{\mu}_\rho(x, y) \pm \sqrt{1-\rho^2} \cdot (\text{기저 구간 폭})$
   • 이는 조건부 분산이 $\text{Var}(Y(1) \mid X, Y(0)) = (1-\rho^2)\text{Var}(Y(1) \mid X)$로 감소한다는 통계적 원리를 반영합니다.
4. 편향 보정 ($C^{+CI}_\rho$):
   • 유한 표본에서 $\hat{\mu}_\rho$의 추정 오차로 인한 커버리지 저하를 방지하기 위해, 부트스트랩 등을 통해 구한 신뢰구간을 추가하여 구간을 확장합니다.

3. 주요 기여 (Key Contributions)

1. 교차 세계 의존성의 도구화: 반사실 예측을 위해 교차 세계 상관관계 $\rho(x)$를 명시적인 모델링 도구로 도입했습니다.
2. 체계적 접근: 관측된 결과 $Y(0)$를 조건으로 하는 추정량 $\mu(x, y)$와 예측 구간에 대한 최초의 체계적인 처리를 제공합니다.
3. RCP($\rho$) 프레임워크: 명시된 교차 세계 의존성 하에서 일관성 (consistency) 과 점근적 최적성 (asymptotic optimality) 을 가진 추정량 및 예측 구간을 제안했습니다.
   • $\rho=0$일 때: 기존 방법 (관측 결과 무시) 과 동일.
   • $\rho=1$일 때: 일정한 치료 효과 가정 하에 사실적 결과에 기반한 결정론적 예측과 동일.
   • $0 < \rho < 1$: 두 극단 사이의 합리적인 보정을 제공.
4. 실험적 검증: 합성 데이터, 반합성 데이터 (IHDP), 실제 데이터 (Twins) 를 통해 기존 방법 (DO, CATE-adj, Matching, GANITE) 대비 정확도와 신뢰도 (Interval Score) 가 크게 향상됨을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: 합성 데이터 (다양한 $d$와 $\rho$), IHDP (반합성), Twins (실제 쌍둥이 데이터).
• 성능 지표: 점 추정 오차 (MSE) 및 예측 구간 점수 (Interval Score, IS).
• 주요 발견:
  • $\rho > 0$인 경우: 관측된 결과 $Y(0)$를 조건으로 할 때, 반사실 결과의 조건부 분산이 $(1-\rho^2)$배로 감소하여 MSE 가 크게 개선됩니다.
  • 기존 방법 대비 우위: $\rho$가 0 이 아닌 대부분의 시나리오에서 RCP($\rho$) 는 Direct Outcome (DO), CATE-adj, Matching, GANITE 등 기존 방법보다 우수한 성능을 보였습니다.
  • $\rho$의 민감도: $\rho$의 값이 실제 값과 일치할 때 최적의 성능을 내지만, 약간의 오차 (misspecification) 가 있더라도 $\rho=0$을 가정하는 기존 방법보다 훨씬 나은 결과를 제공합니다.
  • 구간 보정: $\rho$가 높을수록 ($\rho > 0.5$) 추정 편향이 발생할 수 있으므로, 신뢰구간을 추가한 $C^{+CI}_\rho$를 사용하는 것이 권장됩니다.

5. 의의 및 결론 (Significance)

• 개인화된 예측의 혁신: 기존 CATE 기반 예측이 개체별 관측 결과의 정보를 낭비하던 점을 해결하여, 더 정밀한 개인별 반사실 예측을 가능하게 합니다.
• 불확실성 정량화: 교차 세계 상관관계 $\rho$를 민감도 매개변수로 활용함으로써, 식별 불가능한 문제에 대해 도메인 지식을 통합한 투명한 추론 체계를 제공합니다.
• 실용적 가이드: $\rho=0$(독립) 과 $\rho=1$(일정 효과) 사이의 극단적인 가정을 피하고, 실제 시스템에서 공유된 잠재 요인 (latent factors) 으로 인해 $\rho$가 양의 값을 가질 가능성이 높다는 통찰을 바탕으로, 합리적인 $\rho$ 범위를 설정하여 예측의 신뢰성을 높이는 방법을 제시합니다.

이 연구는 고위험 의사결정 (의료, 법률 등) 에서 개인의 과거 결과를 고려한 더 신뢰할 수 있는 "만약에 (What-if)" 시나리오 분석을 가능하게 하는 중요한 이론적, 실증적 기여를 합니다.