Learning Treatment Effects during Resource Allocation via Priority-Queue Randomization

기술적 요약: 우선순위 큐 무작위화를 통한 자원 배분 시 치료 효과 학습

문제 제기
주거, 보육 보조금, 장기 이식과 같은 공공 서비스 프로그램은 종종 일회성 배분이 아닌 계층화된 우선순위 큐를 통해 희소 자원을 관리합니다. 지원자는 시간이 지남에 따라 도착하며, 자원은 우선순위 계층 (예: 위험 점수) 과 도착 순서 (계층 내 선착순) 에 따라 배분됩니다. 엄격한 무작위 평가는 인과적 치료 효과를 추정하는 데 있어 금표준이지만, 이러한 환경에서 직접적인 무작위화 (예: 추첨) 는 행정적 또는 윤리적으로 종종 실행 불가능합니다. 고우선순위 지원자를 우회하는 것은 가장 큰 필요를 가진 사람들을 서비스해야 한다는 프로그램의 핵심 임무를 위반하기 때문입니다. 이로 인해 운영상의 우선순위 규칙과 신뢰할 수 있는 인과적 추론의 필요성 사이에 긴장 관계가 발생합니다.

방법론
저자들은 치료 배분을 직접 무작위화하는 대신 큐 할당을 무작위화함으로써 이러한 긴장 관계를 해결하는 실험 설계 프레임워크를 제안합니다.

• 설계 메커니즘: 관측된 공변량 $X$를 가진 지원자들은 각 큐에 할당될 확률을 지정하는 정책 $\theta(X)$에 따라 $K$개의 우선순위 큐 중 하나로 무작위 할당됩니다. 할당된 후, 치료는 기존 운영 규칙에 따라 결정적으로 결정됩니다. 즉, 자원은 우선순위 순서대로 큐 간에 배분되고, 큐 내에서는 도착 순서대로 배분됩니다.
• 동정 전략:
  • 외생적 도착: 도착 시간 $A$가 공변량을 조건으로 잠재적 결과와 독립적일 때 ($A \perp\!\!\!\perp (Y^0, Y^1) | X$), 치료 할당은 조건부 무작위화됩니다. 평균 치료 효과 (ATE) 와 같은 표준 추정량은 $X$를 조건으로 치료받은 단위와 치료받지 않은 단위를 비교함으로써 동정됩니다.
  • 내생적 도착: 도착 시간이 잠재적 결과와 상관관계가 있는 경우 (예: 더 큰 위기에 처한 사람들이 더 일찍 지원함), 표준 비교는 교란됩니다. 이러한 체제에서 무작위 큐 할당은 도구 변수 (IV) 역할을 합니다. 저자들은 무작위화 전 개인의 기대 치료 확률과 실현된 확률 간의 차이에 기반한 도구 변수 $r_n(X, Q)$를 정의합니다. 이는 큐링 과정에 의해 유도된 잠재적 "준수자" 집단에 대한 국소 평균 치료 효과 (LATE) 를 동정합니다. 또한 그들은 동질적 치료 효과 매개변수를 추정하기 위해 부분 선형 IV 모델을 추가로 분석합니다.
• 최적화 프레임워크: 본 논문은 큐 할당 정책 $\theta$를 선택하기 위한 최적화 문제를 수립합니다. 목표는 고위험 개인이 우선적으로 배정될 가능성을 유지하는 효용 제약 조건 하에서 통계적 효율성 (치료 효과 추정량의 점근적 분산 최소화) 을 극대화하는 것입니다.
  • 저자들은 특정 가정 (고정된 큐 비율, 안정적인 예산, 독립적인 도착) 하에서 점근적 치료 성향 점수가 $\theta$의 아핀 함수임을 유도합니다.
  • 그들은 큐링 과정으로 인해 유도된 치료 할당의 의존성에도 불구하고, 표준 추정기 (예: 이중 강건 ATE, IV 추정기) 의 점근적 분산이 표준 i.i.d. 효율성 경계와 일치함을 보여줍니다. 이는 이러한 경계를 최적화를 위한 실용적인 목적 함수로 사용할 수 있게 합니다.
  • 문제는 불확실성을 처리하기 위해 방해 함수 (예: 결과 분산) 에 대한 강건한 최적화 문제로 제시되며, 이를 통해 볼록 (또는 오목) 최적화 문제가 도출되어 표준 방법으로 해결 가능합니다.

주요 기여

1. 인과적 동정의 특성화: 본 논문은 우선순위 큐 배분 하에서 어떤 인과 효과가 동정 가능한지를 엄밀하게 특성화합니다. 외생적 도착은 표준 ATE 동정을 허용하는 반면, 내생적 도착은 큐 할당이 치료를 도구화하여 특정 LATE 를 동정하는 IV 접근이 필요함을 확립합니다.
2. 최적화된 실험 설계: 저자들은 통계적 효율성과 고위험 지원자의 우선순위 배정 간의 균형을 맞추기 위해 큐 할당 확률을 최적화하는 방법을 개발합니다. 치료 할당이 큐링 메커니즘으로 인해 의존적이더라도 표준 i.i.d. 효율성 경계가 유효한 설계 목적 함수임을 증명합니다.
3. 이론적 보장: 본 논문은 추정량의 점근적 정규성에 대한 증명을 제공하며, 큐링 시스템으로 인한 의존성이 주요 차수 분산 항을 증가시키지 않음을 보여, 설계 최적화를 위한 표준 효율성 경계 사용의 타당성을 입증합니다.

결과
저자들은 미국 한 대형 군의 공공 주거 배정 프로그램 데이터 (2,317 명) 를 사용하여 제안된 설계들을 휴리스틱 기준선 ("Switch" 휴리스틱 및 "Greedy Softmax" 휴리스틱) 과 무작위 대조 시험 (RCT) 기준선에 대해 평가합니다.

• 효율성 대 효용: 최적화된 설계들은 다양한 큐 구성에서 휴리스틱 방법보다 더 유리한 파레토 프론티어를 달성하여, 더 높은 통계적 효율성 (낮은 분산) 과 더 높은 효용 (고위험 개인의 더 나은 우선순위 배정) 을 제공합니다.
• 강건성: 내생적 도착 조건 하에서 IV 기반 설계는 편향되지 않은 반면, 도착 내생성을 무시하는 외생적 설계는 특히 고우선순위 큐의 치료 확률이 낮을 때 상당한 편향을 보입니다.
• 큐 구성: 내생적 설계의 효율성은 큐 간 치료 확률의 분산에 민감한 것으로 나타났으며, 큐 간 치료 확률의 분산이 클수록 IV 추정기의 효율성이 향상됩니다.

의의 및 주장
본 논문은 우선순위 큐 배정 체계에 무작위화를 통합함으로써 정책 입안자들이 자원 배분의 타겟팅을 희생하지 않고도 프로그램 효과성에 대해 학습할 수 있는 실행 가능한 메커니즘을 제공한다고 주장합니다. 큐 할당을 무작위화 레버로 간주함으로써, 이 프레임워크는 (온라인 도착, 고정 예산과 같은) 동적 환경의 운영 제약을 수용하면서도 신뢰할 수 있는 인과적 추론을 가능하게 합니다. 저자들은 그들의 접근 방식이 통계적 검정력과 우선순위 배정 효용 사이의 파레토 프론티어를 확장하여, 중요한 공공 서비스의 더 광범위한 평가와 개선을 가능하게 할 것이라고 주장합니다. 이 연구는 우선순위와 학습 간의 균형을 다룬 선행 연구 (Wilder and Welle, 2025) 를 동적, 우선순위 기반 배정 환경으로 확장하며, 용량 제약 하의 시장 설계 및 실험 설계에 관한 문헌에 기여합니다.