Predicting Heterogeneous Treatment Effects Of Building Energy Saving Retrofits Using Causal Machine Learning

기술 요약: 인과적 머신러닝을 이용한 건축물 에너지 절감 개보수의 이질적 처치 효과 예측

문제 정의
정보 시스템(IS) 연구는 복잡한 사회-기술적 시스템에서의 예측 모델링을 위해 머신러닝(ML)을 점점 더 많이 활용하고 있다. 그러나 표준적인 예측 ML은 인과적 식별보다는 상관관계의 정확성을 최적화하며, 이는 처치 할당이 무작위가 아닌 개입의 영향을 추정하는 데 부적합하다. 이러한 한계는 건축물 에너지 개보수 분야에서 매우 결정적인데, 개보수 결정은 에너지 소비량에 동시에 영향을 미치는 가구 특성(예: 소득, 위치) 및 건물 속성(예: 연식, 크기)에 의해 크게 편향되기 때문이다. 결과적으로 표준 모델은 에너지 절감량에 대해 편향된 추정치를 산출하며, 개보수의 효과와 기저의 혼란 요인(confounding factors)을 구분하지 못한다. 물리적 시뮬레이션이 존재하지만, 이는 자원 집약적이며 모델링되지 않은 거주자 행동으로 인해 실제 절감량과 차이가 발생하는 경우가 많다. 데이터 기반 접근 방식은 확장성을 제공하지만, 일반적으로 인과적 엄밀성이 부족하다. 핵심 과제는 강한 선택 편향(selection bias) 조건 하에서 개별 건물에 대한 다양한 개보수 효과인 이질적 처치 효과(Heterogeneous Treatment Effects, HTE)를 정확하게 복구하는 것이다.

방법론
실제 관측 데이터에서 진정한 반사실(counterfactuals)을 관찰하는 것이 불가능하다는 점을 해결하기 위해, 저자들은 물리적으로 근거한 시뮬레이션 환경을 구축하였다. 이 접근 방식은 진정한 처치 효과와 경험적으로 동기 부여된 채택 편향을 명시적으로 모델링할 수 있게 하여, 엄격한 벤치마킹을 위한 기지의 정답(ground truth)을 가진 합성 데이터셋을 생성한다.

• 데이터 생성: 시뮬레이션은 열 손실과 연간 난방 요구량을 모델링하기 위해 열역학 공식(Kirschbaum et al., 2025)을 적용한다. 이는 다양한 건축 시기(1850~1994년)를 가진 단독 주택의 합성 데이터셋을 생성한다. 데이터셋에는 네 가지 뚜렷한 개보수 개입이 포함된다: 창호만 교체, 창호 및 지붕 교체, 외벽만 교체, 그리고 종합 패키지(창호, 지붕, 외벽 모두 교체).
• 편향 메커니즘: 처치 할당은 실제 채택 패턴을 반영하도록 의도적으로 편향되었다. 처치를 받을 확률은 사회 경제적 결정 요인(소득), 건물 자산 특성(연식, 크기), 그리고 기후 조건을 함수로 모델링하여 설정된다. 이는 처치에 영향을 주는 변수가 결과(에너지 소비)에도 직접 영향을 미치는 진정한 혼란 상황을 생성한다.
• 가정: 본 연구는 건물들이 서로 간섭하지 않으므로 안정적 단위 처치 가치 가정(SUTVA)이 설계상 성립한다고 가정한다. 모든 관련 혼란 변수가 시뮬레이션에 포함되어 있으므로 비혼란성(unconfoundedness) 가정이 충족된다. 성향 점수(propensity score) 분포를 통해 중첩(common support) 가정을 검증하였으며, 처치 그룹 전반에 걸쳐 적절한 중첩을 확인하였다.
• 평가된 모델: 연구는 나이브한 최소제곱법(OLS) 베이스라인과 여러 인과적 ML 추정치를 벤치마킹한다:
  • 메탈러너(Metalearners): 조건부 평균 처치 효과(CATE)를 추정하기 위해 유연한 ML 알고리즘(랜덤 포레스트)을 사용하는 S-Learner, T-Learner, X-Learner.
  • 이중 머신러닝(Double Machine Learning, DoubleML): 잔차 회귀와 교차 적합(cross-fitting)을 활용하여 처치와 결과 모델을 직교화함으로써 혼란 편향을 제거하는 디바이어싱(debiased) 접근 방식.
• 평가: 모델은 합성 데이터로 학습되며, 알려진 진정한 CATE에 대한 평균 절대 오차(MAE) 및 정규화된 MA에 의해 평가된다.

주요 결과
비교 분석 결과, 특히 개보수의 복잡성이 증가함에 따라 추정치들 사이에 뚜렷한 성능 계층이 나타났다:

• 전반적 성능: OLS는 가장 높은 오차(nMAE: 62.0%)를 보였으며, 이는 혼란을 무시할 경우 심각한 편향이 발생함을 확인시켜 준다. 인과적 추정치 중에서는 DoubleML이 가장 낮은 평균 오차(nMAE: 11.6%)를 기록했고, 그 뒤를 T-Learner(11.4%)와 X-Learner(11.5%)가 이었다. S-Learner는 인과적 방법 중 가장 낮은 성능(13.7%)을 보였다.
• 처치 복잡성: 가장 단순한 개입(창호 교체)의 경우 X-Learner가 가장 정확했다. 그러나 진정한 처치 효과의 복잡성과 규모가 커짐에 따라(예: 외벽 개보수 및 종합 패키지), DoubleML이 모든 메탈러너를 압도했다. 종합 개보수의 경우, DoubleML의 오차는 T-Learner보다 170.13 낮았고 X-Learner보다 479.82 낮았다.
• 외삽 및 일반화: 산점도 분석 결과, 메탈러너(S, T, X)는 훈련 데이터 범위를 벗어나는 극단적인 에너지 절감량을 예측하지 못하고 큰 처치 효과를 감쇄시키는 경향이 있었다. 이는 트리 기반 베이스 러너가 관측된 리프 노드의 평균을 넘어 외삽할 수 없는 특성 때문이다. 반면, DoubleML은 잔차에 대한 최종 단계 선형 회귀를 수행하기 때문에 훈련 데이터 범위에 얽매이지 않고 고효율 꼬리 부분(high-saving tail)을 포함한 모든 효과 크기에 대해 진정한 값을 밀접하게 추적했다.
• 표본 크기 민감도: 모든 모델에서 표본 크기가 커질수록 성능이 향상되었다. DoubleML은 메탈러너를 능가하기 위해 더 큰 표본(총 관측치 약 10,000개)이 필요했으나, 그 이후로는 일관되게 가장 낮은 오차를 달성했다.
• 혼란 통제: SHAP 분석은 메탈러너가 CATE 추정 시 혼란 변수(예: 건축 연도)의 잔여 영향력을 유지하고 있는 반면, DoubleML은 직교화를 통해 이러한 영향을 효과적으로 제거했음을 보여주었다.

의의 및 기여
본 논문은 IS 및 에너지 정보학 문헌에 세 가지 주요 기여를 한다:

1. 정량적 평가: 알려진 편향을 가진 개별 주택 개보수 시나리오에 대해 인과적 ML 추정치의 정확성을 평가한 첫 번째 정량적 평가를 제공한다. 평균 처치 효과(ATE)나 타당성 검토에 국한되었던 기존의 경험적 연구와 달리, 본 연구는 알려진 HTE에 대해 성능을 검증한다.
2. 체계적 벤치마킹: OLS, 메탈러너, DoubleML을 체계적으로 비교하여, 메탈러너가 단순한 개입에는 경쟁력이 있지만, 심층 에너지 개보수에 전형적인 높은 혼란도를 가진 복잡한 시나리오에서는 DoubleML이 우월함을 규명한다.
3. 방법론적 토대: 처치 할당을 직교화하는 것(DoubleML과 같이)이 편향된 관측 설정에서 인과적 효과 추정을 크게 개선함을 입증한다. 이는 대규모 에너지 개보수 정책 평가를 위한 인과적 ML 사용의 방법론적 근거를 제공하며, 정확성을 유지하면서도 물리적 시뮬션을 대체할 수 있는 확장 가능한 대안을 제시한다.

한 연구의 한계 및 향후 과제
저자들은 시뮬레이션이 물리 법칙과 경험적 편향 패턴에 근거하고 있음에도 불구하고, 행동적 리바운드 효과, 자본 제약, 또는 상세한 거주자 상호작용과 같은 현실 세계의 전체적인 복잡성을 포착하지 못한다는 점을 인정한다. 또한 본 연구는 오직 랜덤 포레스트만을 베이스 러너로 사용하였으며, R-Learner나 Causal Forest와 같은 다른 인과적 모델은 포함하지 않았다. 향후 연구에서는 이러한 행동 역학을 포함하고, 대안적인 베이스 러너를 테스트하며, 외부 타당성을 강화하기 위해 실제 관측 데이터셋을 통해 발견된 내용을 검증할 것을 제안한다.