기술적 요약: Fit CATE Once: 표본 분할 없이 수행하는 모델 보조 무작위화 검정

1. 문제 제기

무작위 패널 실험은 동적 인과 효과를 연구하는 데 적합한 결과 시퀀스를 생성합니다. 무작위화 검정은 알려진 할당 메커니즘에 기반한 유한 표본 유효성을 제공하지만, 치료 효과가 이질적인 경우 종종 검정력이 부족합니다. 반면, 유연한 치료 효과 모델 (예: 조건부 평균 치료 효과, CATE 모델) 은 복잡한 이질성을 포착할 수 있지만, 무작위화 추론에서 유효성을 유지하기 위해 강력한 모델링 가정이나 표본 분할이 일반적으로 필요합니다.

이 논문이 다루는 핵심 과제는 모델 보조 무작위화 검정을 구축할 때 발생하는 트레이드오프입니다:

1. 유효성: 귀찮은 모델 (예: CATE 추정기) 은 실현된 치료 할당 ($A[N]$) 과 독립적이어야 무작위화 분포가 유효하게 유지됩니다. $A[N]$에 모델을 적합시키고 이를 검정 통계량에 사용하면 유효한 p-값에 필요한 대칭성이 깨집니다.
2. 검정력: 검정력을 향상시키기 위해 검정 통계량은 치료 효과 이질성에 대한 정확한 추정을 활용해야 합니다.
3. 현재의 한계: 기존 해결책은 시뮬레이션된 할당마다 모델을 재적합하거나 (계산적으로 불가능함), 표본 분할을 사용하거나 (데이터를 폐기하여 통계적 검정력을 희생함) 합니다.

이 논문은 실현된 할당을 사용하지 않고 CATE 를 추정하는 방법을 제안함으로써, 표본 분할의 효율성 손실 없이 유효성을 유지합니다.

2. 방법론

제안된 접근법인 Fit CATE Once는 패널 데이터에서 잔차화된 결과의 공분산 구조를 활용하여 치료 효과의 크기를 추정하고, 부호 결정만 남깁니다.

2.1. 설정 및 가정

• 데이터: $N$개의 단위가 $T$기간 동안 관측되며, 공변량 $X_i$, 결과 $Y_{i,t}$, 그리고 치료 시작 시간 $A_i$를 가집니다.
• 가법적 결과 모델: 관측된 결과는 $Y_{i,t} = \mu_{0,t}(X_i) + \sum_{l=0}^{t-1} \mathbb{1}\{A_i = t-l\}\tau_l(X_i) + \epsilon_{i,t}$를 따릅니다.
• 기대 효과 부재: 시간 $t$ 이후에 시작하는 치료는 $Y_{i,t}$에 영향을 미치지 않습니다.
• 잔차화: 결과는 조건부 평균 $\mu_t(X_i)$를 빼서 잔차화하여 잔차 $R_{i,t}$를 얻습니다.

2.2. 부호 없는 CATE 추정

핵심 통찰은 가법적 모델 하에서 잔차화된 결과의 **2 차 모멘트 (공분산)**가 실현된 할당 부호와 무관하게 치료 효과의 크기를 인코딩한다는 것입니다.

• 대각 모멘트 (지연 불변 효과): 치료 효과가 지연에 걸쳐 일정하다면 ($\tau_l(x) \equiv \tau^*(x)$), 잔차 공분산 행렬 $\Sigma_R(x)$의 대각 항목은 제곱된 효과 크기 $\tau^{*2}(x)$와 알려진 설계 인자 $v_t(x)$에 의존합니다. 시간 간격에 따른 대각 모멘트를 비교함으로써 귀찮은 분산을 차분하여 $|\tau^*(x)|$를 식별할 수 있습니다.
• 비대각 모멘트 (지연 변동 효과): 효과가 지연에 따라 변하고 잔차 오차가 시계열적으로 상관없다면 (가정 4), 비대각 잔차 공분산은 이차 형식을 통해 CATE 벡터 $\tau(x)$에 의존합니다: $c(x) = F_x(\tau) = (\tau^\top H_{t,s}(x) \tau)_{(t,s)}$.
  • 이는 비대각 공분산이 벡터 $\tau(x)$를 전역 부호를 제외하고 식별하는 모멘트 매칭 문제를 생성합니다.
  • 저자들은 부호 없는 추정기 $\hat{\tau}_\pm(x)$를 풀기 위해 볼록 완화 (반정부호 프로그래밍을 통해 랭크 1 행렬 $B = \tau\tau^\top$를 추정) 과 비선형 최소 제곱 (NLS) 접근법을 제안합니다.

2.3. 부호 방향 결정

모멘트 기반 추정기는 크기 (또는 부호까지의 방향) 만을 회복하므로, 부호를 결정하기 위한 최종 단계가 필요합니다.

• 할당 없는 방향 결정: 부호는 각 단위의 관측된 잔차화된 결과 궤적을 가장 잘 적합하도록 선택되며, 관측된 잔차와 부호 없는 추정기가 예측하는 모델 간의 제곱 오차를 최소화합니다.
• 부분 할당 방향 결정: alternatively, 관측된 할당의 작은 부분집합만을 부호 학습에 사용하고, 무작위화 검정을 위해 나머지 대부분의 단위를 남길 수 있습니다. 이는 전체 CATE 모델을 재적합하는 것보다 계산적으로 저렴합니다.

2.4. CATE 보조 무작위화 검정

부호가 결정된 CATE 추정기 $\hat{\tau}(X_i)$를 얻으면, 이를 이질적 효과에 더 민감한 검정 통계량 (예: 우도비 점수 또는 AIPW 점수) 을 구성하는 데 사용합니다.

• 유효성: CATE 추정기는 잔차 공분산 (실현된 $A[N]$이 아닌 공변량과 결과에 의존함) 에서 유도되므로, 조건부 독립 조건 $\hat{\eta} \perp A[N] \mid X, Y$가 성립합니다.
• 절차: 이 검정은 할당 벡터 $A[N]$을 교배하면서 귀찮은 모델을 고정시킨 상태에서 생성된 통계량 분포와 관측된 통계량을 비교하여 p-값을 계산합니다.

3. 주요 기여

1. 할당 없는 CATE 추정: 이 논문은 패널 실험에서 잔차화된 결과의 공분산 구조가 실현된 할당에 적합하지 않고도 CATE 크기 (및 부호를 제외하고 벡터) 를 식별할 수 있음을 입증합니다.
2. 이론적 보장:
   • 식별: 모멘트 맵의 야코비안에 대한 랭크 조건 하에서 부호 없는 CATE 벡터의 국소 및 전역 식별성을 부호를 제외하고 증명합니다.
   • 일관성: $N \to \infty$일 때 부호 없는 CATE 에 대한 볼록 완화 및 NLS 추정기의 일관성을 확립합니다.
3. 유효한 모델 보조 검정: 이러한 할당 없는 추정기를 무작위화 검정에 사용하면 표본 분할과 관련된 검정력 손실을 피하면서도 유한 표본 유효성 (제 1 종 오류 통제) 을 유지함을 보여줍니다.
4. 하위 그룹 발견: 할당 없는 CATE 추정을 사후에 사용하여 이질적 하위 그룹을 발견하고, 해당 하위 그룹 내에서 유효한 무작위화 검정을 수행할 수 있음을 보여줍니다.

4. 실험 결과

저자들은 합성, 준합성 및 일관성 실험을 통해 방법을 평가했습니다:

• 제 1 종 오류 통제: 다양한 표본 크기와 지연 구조 (지연 불변 및 지연 변동) 에서 제안된 CATE 보조 무작위화 검정 (RT CATE) 은 조정되지 않은 (RT DM) 및 공변량 조정 (RT cDM) 검정과 동등하게 명목 수준 (0.1) 에서 제 1 종 오류를 통제합니다.
• 검정력: RT CATE 는 다음과 같은 방법보다 일관되게 더 높은 검정력을 달성합니다:
  • 조정되지 않은 검정 (RT DM).
  • 결과 평균만 사용하는 공변량 조정 검정 (RT cDM).
  • 유효성을 위해 데이터를 희생하는 표본 분할 대안 (RT SS).
  • 이 이득은 치료 효과가 단위나 지연에 걸쳐 이질적일 때 특히 두드러집니다.
• 일관성: 부호 없는 추정기는 표본 크기가 증가함에 따라 (부호를 제외하고) 실제 CATE 크기로 수렴합니다.
• 워밍업 (Warm-Starting): 부호 없는 추정기를 "워밍업"으로 사용하면 처음부터 전체 CATE 벡터를 학습하는 것보다 훨씬 적은 노출된 할당으로 정확한 부호 CATE 추정이 가능합니다.
• 준합성 검증: 군 단위 청소년 고용 데이터셋 (Callaway and Sant'Anna, 2021 기반) 을 사용하여, 이 방법은 크기 통제 (과도한 기각 방지) 와 검정력 모두에서 표준 이벤트 연구 양방향 고정 효과 (TWFE) 회귀 분석보다 우수합니다.
• 하위 그룹 분석: 이 방법은 성공적으로 임계값 기반 하위 그룹을 복원하고, 발견된 그룹 내에서 유효한 추론을 지원합니다.

5. 중요성 및 주장

이 논문은 Fit CATE Once가 패널 데이터에 대한 모델 보조 무작위화 검정에서 유효성과 검정력 사이의 근본적인 긴장 관계를 해결한다고 주장합니다. 잔차의 2 차 모멘트 구조를 활용함으로써, 이 방법은 "할당 없는" 치료 효과 정보를 추출하여 연구자들이 무작위화 추론 프레임워크를 훼손하지 않고도 유연하고 고검정력인 검정 통계량을 사용할 수 있게 합니다.

저자들은 이 접근법이 연구된 특정 패널 설계에 국한되지 않고, 잔차가 치료 효과를 통해서만 할당에 의존하는 더 넓은 범주의 모델 보조 검정을 시사한다고 강조합니다. 이 방법은 모든 치환에 대해 모델을 재적합하는 계산적 부담과 표본 분할의 통계적 비효율성을 피하는 실용적인 해결책으로 제시됩니다.

저자가 지적한 한계:

• 비대각 추정기는 시계열적으로 상관없는 잔차 오차를 가정합니다; 상관된 오차는 치료 효과를 오차 구조와 혼동시킬 수 있습니다.
• 부호 회복 단계는 신호 대 잡음비와 치료 시점에 의존합니다; 초기 치료 시작은 후기 시작보다 부호 회복에 더 많은 정보를 제공합니다.
• 전역 식별은 표준 설계에서 일반적으로 충족되지만 특정 퇴행성 사례에서는 실패할 수 있는 랭크 조건에 의존합니다.