기술 요약: 시간적 의존성 하의 인과 효과를 위한 이중 강건 적응형 컨포멀 추론 (DR-ACI)

1. 문제 정의

본 논문은 **시간적 의존성(temporal dependence)**이 존재하는 환경에서 이질적 처치 효과(구체적으로 조건부 평균 처치 효과, CATE $\tau(X)$)에 대한 불확실성을 정량화하는 문제를 다룹니다.

표준적인 컨포멀 예측 방법(예: split conformal)은 교환 가능성(exchangeability, 독립 동일 분포 데이터) 가정을 기반으로 합니다. 이 가정은 금융이나 역학 분야에서 흔히 나타나는 시계열 데이터의 인접 관측치 간 상관관계가 존재하는 상황에서는 성립하지 않습니다. 결과적으로, 이러한 종속성에 의한 결함 없이 나이브하게 컨포멀 방법을 인과 추정치에 적용할 경우 유효한 커버리지 보장을 얻을 수 없습니다. 또한, 표준적인 인과 추론 구간(점근적, 부트스트랩, 베이지안 방식)은 의존성 하에서 분포-무관(distribution-free) 보정 능력을 상실하거나, 머신러닝 추정치가 쉽게 충족하기 어려운 정확한 모델 명세(model specification)를 요구한다는 단점이 있습니다.

본 연구의 구체적인 목표는 독립적인 관측치를 가정하지 않으면서도, 노이즈 추정 오차를 완화하기 위해 이중 강건(doubly robust, DR) 의사 결과(pseudo-outcomes)를 활용하여 개별 처치 효과 추정치에 대한 유한 표본, 분포-무관 예측 구간을 구축하는 것입니다.

2. 방법론: DR-ACI

제안된 방법인 **이중 강건 적응형 컨포멀 추론(DR-ACI)**은 세 가지 핵심 구성 요소를 통합합니다.

A. 이중 강건 의사 결과 (Doubly Robust Pseudo-Outcomes)

본 방법은 원시 결과 $Y_t$나 잠재적 CATE $\tau(X_t)$를 기준으로 보정하는 대신, 다음과 같은 이중 강건 의사 결과 $\psi^{DR}_t$를 구성합니다:
$$\psi^{DR}_t = \hat{\mu}_1(X_t) - \hat{\mu}_0(X_t) + \frac{W_t(Y_t - \hat{\mu}_1(X_t))}{\hat{e}(X_t)} - \frac{(1-W_t)(Y_t - \hat{\mu}_0(X_t))}{1 - \hat{e}(X_t)}$$
여기서 $\hat{e}$는 추정된 성향 점수(propensity score)이며, $\hat{\mu}_w$는 추정된 조건부 결과 모델입니다. 적어도 하나의 노이즈 모델이 올바르게 명세되었을 때, $\psi^{DR}_t$는 $\tau(X_t)$의 불편 추정치(unbiased estimate)가 되며, 그 오차는 노이즈 추정 오차의 곱에 의해 제한됩니다.

B. 가드 밴드를 포함한 시간적 블록 교차 적합 (Temporal Block Cross-Fitting with Guard Bands)

DR 추정의 직교성(orthogonality) 특성을 보존하면서 시간적 의존성($\beta$-mixing)을 처리하기 위해, 저자들은 가드 밴드를 포함한 시간적 블록 교차 적합을 제안합니다:

1. 분할(Partitioning): 시계열을 $K$개의 연속적인 블록으로 나눕니다.
2. 가드 밴드(Guard Bands): 특정 블록 세트에서 노이즈 모델을 학습할 때, 홀드아웃(held-out) 보정 블록에 인접한 $g$개의 관측치를 학습에서 제외합니다.
3. 목적: 이는 학습 데이터와 보정 데이터 사이에 최소 $g$ 단계의 시간적 격차를 보장합니다. $\beta$-mixing 조건 하에서, 이는 학습 세트와 보정 세트 사이의 잔여 의존성(결합 오차, coupling error)을 $O(\beta(g)^{\delta/(2+\delta)})$로 감소시킵 ray합니다.

C. 적응형 컨포멀 추론 (Adaptive Conformal Inference, ACI)

본 방법은 미스커버리지(miscoverage) 수준 $\alpha_t$를 동적으로 업데이트하기 위해 ACI 프레임워크(Gibbs and Candès, 2021)를 사용합니다:
$$\alpha_{t+1} = \alpha_t + \gamma(\alpha - \mathbb{1}\{\psi^{DR}_t \notin \hat{C}_t\})$$
이는 스코어 시퀀스가 교환 가능하지 않은 경우에도 결정론적인 장기 커버리지 보장을 제공합니다.

D. 분산 표준화 DR-ACI (Variance-Standardised DR-ACI, VS-DR-ACI)

DR 의사 결과가 구간 폭을 팽창시키는 노이즈 분산($\xi_t$)을 포함하는 문제를 해결하기 위해, 저자들은 분산 표준화를 제안합니다:
$$s^{VS}_t = \frac{|\psi^{DR}_t - \hat{\tau}(X_t)|}{\hat{\sigma}_\xi(X_t)}$$
여기서 $\hat{\sigma}_\xi(X_t)$는 DR 노이즈의 국소 표준 편차를 추정합니다. 이는 구간 폭을 국소적 노이즈 수준에 적응시켜, 노이즈가 낮은 영역에서 불필요하게 구간이 넓어지는 것을 방지합니다.

3. 주요 이론적 기여

A. 3항 커버리지 분해 (Three-Term Coverage Decomposition)

주요 이론적 결과(Theorem 2)는 커버리지 격차를 세 가지 항으로 분해합니다:

1. 믹싱 격차(Mixing Gap): $\min_\tau \{ \tau/T + 2\beta(\tau) \}$. 이는 시간적 의존성으로부터 발생하며, 스위치 계수(switch-coefficient) 바운드에 의해 제어됩니다.
2. 노이즈-편향 세금(Nuisance-Bias Tax): $\|\hat{e} - e\|_2 \cdot \|\hat{\mu} - \mu\|_2$. 이는 노이즈 추정 오차의 곱을 나타냅니다. 본 논문은 가드 밴드를 포함한 시간적 블록 교차 적합이 $\beta$-mixing 하에서도 표준 DML 곱-편향률(product-bias rate)을 유지하며, 명시적인 결합 나머지 항 $O(\beta(g)^{\delta/(2+\delta)})$만을 추가함을 증명합니다.
3. 적응 속도(Adaptation Rate): $O(T^{-1/2})$. 이는 ACI 업데이트 메커니즘에서 발생합니다.

B. 스위치 계수 상속 (Switch-Coefficient Inheritance)

본 논문은 DR 의사 결과로부터 구성된 컨포머티 스코어(conformity scores)가 기저 프로세스의 스위치 계수 바운드를 상속받음을 입증합니다(Lemma 9). 이를 통해 노이즈 모델이 추정되는 상황에서도 커버리지 격차를 데이터의 믹싱 계수에 의해 제한할 수 있습니다.

C. 점근적 CATE 함유 (Asymptotic CATE Containment)

컨포멀 절차가 직접적으로 의사 결과 $\psi^{DR}_t$를 타겟팅함에도 불구하고, 본 논문은 추정량의 일치성($\|\hat{\tau} - \tau\|_{L2} = o_p(1)$) 하에서 생성된 구간이 **점근적으로 보수적인 함유(asymptotically conservative containment)**를 제공함을 보여줍니다(Corollary 6). 즉, 구간은 $\psi^{DR}_t = \tau(X_t) + \xi_t$라는 더 넓은 타겟에 대해 보정되므로 $\tau(X_t)$를 과잉 커버(over-cover)하게 됩니다.

4. 실험 결과

시뮬레이션 연구

• 믹싱 격차: 다양한 자기상관($\rho$)을 가진 정상 상태(stationary) 조건 하에서 모든 컨포멀 방법이 유효한 커버리지를 유지했습니다. 이론적인 믹싱 바운드는 매우 보수적인 것으로 나타났습니다(이론적으로 $\rho=0.99$일 때 커버리지가 67%까지 떨어질 것으로 예측했으나, 실제 관측된 커버리지는 90% 근처를 유지함).
• 노이즈-편향: 오라클(Oracle)과 추정된 DR-ACI는 동일한 커버리지를 보여, 노이즈-편향 세금이 일반적인 샘플 크기와 학습기에 대해 무시할 만한 수준임을 확인했습니다.
• 드리프트 및 의존성 (Regime D): 높은 의존성($\rho=0.95$)과 공변량 드리프트(covariate drift)가 결합된 시나리오에서:
  • VS-DR-ACI는 안정적인 구간 폭과 함께 유효한 커버리지를 유지했습니다(89.9%).
  • 표준 DR-ACI는 커버리지는 유지했으나 구간 폭이 대폭 팽창했습니다(폭이 약 170배 증가).
  • Split Conformal 및 DML-Wald 구간은 유의미한 커버리지 손실을 보였습니다(각각 약 29pp 및 35pp 하락).
  • 메커니-리즘: 분산 표준화는 비정상성(non-stationarity) 상황에서도 스코어를 대략 단위 분산으로 유지함으로써 적응형 분위수(adaptive quantile)의 '스파이럴(spiral)' 현상을 방지했습니다.
• 효율성: VS-DR-ACI는 유효한 커버리지를 유지하면서 split conformal보다 63% 더 좁은 구간을 생성했습니다.

실증적 적용: Nasdaq Dynamic M-ELO

본 방법은 Nasdaq의 Dynamic Midpoint Extended Life Orders (M-ELO) 도입과 관련된 자연 실험에 적용되었습니다.

• 맥락: 주식 코호트별로 단계적으로 도입된 다이내믹 홀드 타이머(hold timers).
• 결과: DR-ACI는 처치 효과의 유의미한 이질성을 식별했습니다. 베이스라인 점근적 추론이 유의미한 효과를 보이는 주식이 12.3%뿐이라고 판단한 반면, DR-ACI는 **33.2%**를 식별했습니다 (실행 가능한 인사이트가 2,000개 주식만큼 증가).
• 정밀도: DR-ACI 구간은 베이스라인 점근적 구간보다 50% 더 좁았으며, 이를 통해 처치 효과에 대한 더 정밀한 주식 단위 분류가 가능했습니다.

5. 의의 및 주장

본 논문은 이중 강건 스코어, $\beta$-mixing 하에서의 유효한 커버리지, 그리고 온라인 적응성을 결합하여 관련 문헌에서 독보적인 위치를 점하고 있다고 주장합니다.

• 이론적 의의: DR 의사 결과에 대한 최초의 $\beta$-mixing 하의 커버리지 보장을 제공하며, 가드 밴드를 통해 의존성의 비용(믹싱 격차)과 DML 편향률의 보존을 명시적으로 정량화했습니다.
• 실무적 의의: 표준적인 가정이 실패하는 시계열 데이터의 인과 추론을 위해 분포-무관하며 유한 표본에서 유효한 방법을 제공합니다. 분산 표준화 변형(VS-DR-ACI)은 의존성과 드리프트 모두에 대해 견고하며, 안정성과 구간 폭 측면에서 기존 방법들을 능가함을 보여주었습니다.
• 한계점: 저자들은 이론적 보장이 정상성(stationarity)을 가정하고 있음을 명시했습니다. 시뮬레이션과 Nasdaq 적용 사례에서 관찰된 드리프트에 대한 강건성은 경험적 증거이며, 메인 정리에서 다뤄지는 내용은 아닙니다. 또한, 믹싱 바운드가 매끄러운 스코어 함수(smooth score functions)에 대해 다소 보수적이라는 점을 인정하며, 이를 더 타이트하게 도출하는 것을 향후 과제로 꼽았습니다. 마지막으로, 금융 시장의 스필오버(spillover) 효과로 인해 SUTVA(Stable Unit Treatment Value Assumption) 가정이 근사적일 수 있음을 언급했습니다.