Content 구성

1. Causal Inference Framework

<aside> ➡️ Potential Outcome Framework & Structural Causal Model

</aside>

• Potential Outcome Framework (Rubin Causal Model)

  • Design-based approach
    • Quasi-experiment : RCT없이도, 적절한 실험 디자인을 할 수 있는 방법이 없을까?
  • Counterfactuals (만약) : Fundamental problem of Causal Inference
    • 하나의 실험 대상에 대해 Potential Outcomes을 동시에 관측하는 것은 불가능…
    • Counterfactual과 가장 유사한 (비교 가능한) Control group 찾기
  • 인과추론을 방해하는 요인 : Selection Bias (실험군과 대조군이 비교가능하지 않아 발생)
    • Selection Bias : Control group과 Counterfactual의 차이

• Structural Causal Model (Pearl Causal Model)

  • 변수들의 관계를 Graph를 통해 모델링함으로, 확률적으로 인과관계를 계산 (DAG)
  • 인과추론을 방해하는 요인 : Backdoor Path
    • Frontdoor Adjustment : 만약 Confounders가 관측되지 않는다면?
    • Do-calculus : Front/Backdoor Criterion처럼 쉬운 케이스 이외의, 확장된 경우는 어떻게 파악할까?
  • Do-operator : Causal Effect에 영향을 주는 Confounders를 통제 (Backdoor path를 차단) → 인과효과를 추정 < $P(Y|do(T=t))$ >

• Statistics : Regression

  • 인과추론을 방해하는 요인 : Endogeneity (내생성) → 오차항 (Error Term)과 원인변수 (Independent Variable)간의 Correlation이 있는 경우
  • ex) $Y_i = βX_i + ε_i$, 내생성이 존재하는 경우 → $E[ε_i|X_i] \neq 0$
  • 결과변수 ($Y$)에 영향을 미치지만 관찰되지 않은 모든 변수 ($U$)는 Error Term에 포함

  <aside> ➡️ Backdoor Path가 없다 ⇔ Selection Bias가 없다 ⇔ 내생성이 존재하지 않는다 (관점이 다를뿐 모두 같은 이야기!)

  

  </aside>

• Randomised Experiments에서, Association은 Causation

  • Randomized experiments are magic
  • Randomization ⇒ Covariate balance ⇒ “Association is causation”

  

2. Causal Inference Flow - Dowhy

• Experiment Design / 데이터 분석 리뷰

  • Data Generating Process

    • Domain Knowledge
    • Ex) 로그가 이게 어떻게 남아요?? 몰루…..??

  • 정보 수집

    • Ex) Cambridge Analytica

  • 지표 설정

    • Business / Operational Metrics
    • Short / Long-term (LTV)
    • Simple (Interpretable) / Stable

  • Research Design

    

<aside> ⚙ DoWhy 라이브러리

• Model causal mechanisms

  • Research Design & Framework (Chapter 1~4)
    • Fundamental Problem of Causal Inference
    • 도메인 지식을 기반으로 Causal graph 만들기
  • 인과 그래프 구조를 어떻게 찾나요? (Chapter 10~12, Causal Discovery)

• Identify the target estimand

  • Causal model 기반으로 Causal Estimand를 공식화 (Chapter 2, 4, 5)
  • Bias Adjustment & Identification Strategy

• Estimate causal effect

  • 적절한 방법을 통해, causal effect 추정 (Chapter 7)

• Refute estimate

  • 가정 위배에 대한 추정치의 Robustness 확인 (Chapter 8, Sensitivity Analysis)

  

</aside>

3. Causal Hierarchy

<aside> ➡️ Causal Inference의 목적 : Intervention을 잘 디자인해서, Outcome 향상을 도모

• 유저 경험 개선
• Personalised Recommendation

</aside>

• RCT와 Quasi-Experiment의 목표는 근본적으로 동일
  • 목표 : Selection Bias를 없애기 위한 Control group을 구성
    • 관찰되지 않은 요인들까지 고려하는 전략
  • 차이점 : 비교가능한 Control group을 어떻게 구성할 것인가
    • RCT : Random Assignment
    • Quasi-Experiment : 연구자가 RCT 처럼 직접 구성할 수는 없지만, 간접적으로 구성 (Causal Experiment Design)