무작위 실험에서 일반화 인과 효과의 설계 기반 추정과 회귀 보정

본 논문은 무작위 실험에서 비정규·다변량 혹은 복합 결과를 다루는 경우에 적용 가능한 ‘일반화 인과 효과(Generalized Causal Effect, GCE)’라는 새로운 추정량 프레임워크를 제시한다. GCE는 잠재 결과 벡터 Y_i(a)와 Y_j(1‑a) 사이의 쌍별 대비 함수 w(·,·)를 모든 서로 다른 순서쌍에 대해 평균화한 형태이며, Mann‑Whitney 확률 지표, 인과적 순이익 등 다양한 기존 지표를 포괄한다. 논문은 먼저 GCE를 정의하고, 이를 추정하기 위한 두 가지 접근법을 소개한다. 첫 번째는 개별 쌍(pair‑wise) 관측치를 직접 사용해 λ̂_I(a,1‑a) = 평균_{i∈S(a),j∈S(1‑a)} w(Y_i(a),Y_j(1‑a)) 를 계산하는 방법이다. 두 번째는 각 단위 i에 대해 상대 처리군과의 평균 대비값을 구해 per‑unit pair average 형태인 λ̂_A(a,1‑a) 를 구성한다. 두 방식은 수학적으로 동등하지만, 구현 및 추정 효율성 측면에서 차이가 있다. 각 접근법에 대해 세 종류의 회귀 모델을 적용한다. (1) Neyman형 모델은 처리 지표만을 포함해 전통적인 차이‑평균 추정과 동일하다. (2) Fisher형 모델은 처리 지표와 공변량 X_i를 포함해 ANCOVA 형태이며, (3) Lin형 모델은 처리 지표·공변량·처리‑공변량 상호작용을 모두 포함한다. 이들 모델은 모두 OLS를 이용해 추정되며, 회귀 계수 중 처리 지표에 해당하는 부분이 GCE 추정량에 대응한다. 핵심 이론적 결과는 다음과 같다. 첫째, GCE 추정량은 유한 모집단 U‑통계의 일종이며, 무작위 할당에 의한 변동을 정확히 기술할 수 있다. 이를 바탕으로, 작업 모델이 완전히 틀리더라도 (즉, 모델이 실제 잠재 결과와 무관하더라도) 추정량은 설계 기반 일관성을 유지하고, 점근적으로 정규분포를 따른다. 즉, 회귀 보정은 ‘모델 보조’(model‑assisted) 추정기로서, 모델의 정확성에 의존하지 않는다. 둘째, 비선형 대비 함수 w에 대해 공변량 보정이 효율성을 보장하지 않는다. 즉, Lin형 보정이 ATE에서는 무조건 효율성을 향상시키지만, GCE에서는 공변량이 결과에 얼마나 예측력을 갖는가에 따라 효율성 증감이 달라진다. 이는 Neyman‑type, Fisher‑type, Lin‑type 추정량 간의 점근 분산을 비교한 결과에서 명확히 드러난다. 셋째, 분산 추정에 관한 새로운 발견이 있다. 기존의 이분산 강건(HR) 추정기와 단일 군집 강건(CR) 추정기는 쌍별 의존구조—특히 동일 단위가 여러 쌍에 등장하고, w가 비대칭일 경우 발생하는 역방향 대비—를 반영하지 못해 일관되지 않는다. 두 방향(two‑way) 군집 강건(TW) 추정기는 이러한 의존성을 일부 반영해 λ̂(a,1‑a)와 λ̂(1‑a,a)의 분산을 일관적으로 추정하지만, 두 추정량 사이의 공분산을 무시한다. 따라서 인과적 순이익 τ(a)=λ(a,1‑a)−λ(1‑a,a) 의 분산을 추정할 때는 편향이 발생한다. 이를 해결하기 위해 논문은 ‘완전 양방향(two‑way complete, CTW)’ 군집 강건 분산 추정기를 제안한다. CTW는 정방향·역방향 대비값 간의 공분산까지 모두 포함해 τ(a)의 분산을 일관적으로 추정한다. 시뮬레이션 연구에서는 (i) 공변량이 결과에 강한 예측력을 가질 때 Lin형 보정이 가장 큰 효율성 향상을 보이며, (ii) 비선형 대비 함수(예: 확률 지표)에서는 효율성 차이가 작지만 여전히 보정이 도움이 될 수 있음을 확인한다. 또한 CTW 분산 추정기가 실제 95 % 신뢰구간 커버리지에서 기존 HR·CR·TW 방법보다 현저히 정확함을 보여준다. 결론적으로, 이 논문은 (1) 일반화 인과 효과라는 포괄적 추정량을 설계 기반으로 정의하고, (2) 회귀 보정이 모델 오차에 강건하면서도 효율성은 상황에 따라 달라짐을 이론적으로 증명하며, (3) 기존 분산 추정기의 한계를 지적하고 새로운 CTW 분산 추정기를 제시함으로써, 복잡한 결과 구조를 가진 무작위 실험에서 인과 효과 추정의 정확성과 신뢰성을 크게 향상시킨다.