ATE 대비 CATE는 특정 하위그룹의 인과추론에 집중한다.

ATE 대비 CATE는 특정 하위그룹의 인과추론에 집중한다.
Photo by Ian Schneider / Unsplash

Average Treatment Effect (ATE)

  • $ATE=E[Y(1)]−E[Y(0)]$
  • 전체 인구에서 처치의 평균 효과를 측정하는 지표입니다.
  • ATE는 처치를 받은 경우와 받지 않은 경우의 결과 차이를 평균적으로 나타냅니다.
  • 장점
    1. 단순하고 직관적: 전체 인구에 대한 처치의 평균 효과를 쉽게 이해할 수 있습니다.
    2. 정책 결정에 유용: 전체 인구에 대한 정책 효과를 평가하는 데 유용합니다.
  1. 단점
    1. 세부 정보 부족: 특정 하위 그룹에 대한 정보를 제공하지 못합니다.
    2. 내생성 문제: 처치와 결과 간의 상관관계를 정확히 측정하기 어려울 수 있습니다.

Conditional Average Treatment Effect (CATE)

  • 특정 하위 그룹에서 처치의 평균 효과를 측정하는 지표입니다.
  • CATE는 주어진 조건에서 처치를 받은 경우와 받지 않은 경우의 결과 차이를 평균적으로 나타냅니다.
  • $CATE(X)=E[Y(1)∣X]−E[Y(0)∣X]$
    • 여기서 $X$는 조건 또는 특성을 나타냅니다.
  • 장점
    1. 세부 정보 제공: 특정 하위 그룹에 대한 처치 효과를 분석할 수 있습니다.
    2. 개별화된 정책 결정: 특정 그룹에 맞춘 정책 결정을 지원합니다.
  • 단점
    1. 복잡성 증가: 조건에 따른 처치 효과를 측정하기 위해 더 많은 데이터와 복잡한 모델이 필요합니다.
    2. 해석 어려움: 여러 조건에 따른 효과를 해석하는 것이 어려울 수 있습니다.

Alternatives

  • Instrumental Variables (IV): 도구 변수를 사용하여 내생성을 해결하는 방법입니다.
  • Propensity Score Matching (PSM): 유사한 특성을 가진 처치 그룹과 통제 그룹을 매칭하여 처치 효과를 추정합니다.

Sample Code

import numpy as np  
import pandas as pd  
from sklearn.linear_model import LinearRegression  
from sklearn.model_selection import KFold  
import matplotlib.pyplot as plt  
  
# 데이터 생성  
np.random.seed(42)  
n = 1000  
X = np.random.normal(size=(n, 5))  
T = np.random.binomial(1, 0.5, size=n)  
Y = 2 * T + X[:, 0] + np.random.normal(size=n)  
  
# 교차 검증을 통한 ATE 추정  
kf = KFold(n_splits=5)  
ATEs = []  
  
for train_index, test_index in kf.split(X):  
    X_train, X_test = X[train_index], X[test_index]  
    T_train, T_test = T[train_index], T[test_index]  
    Y_train, Y_test = Y[train_index], Y[test_index]  
      
    model = LinearRegression().fit(T_train.reshape(-1, 1), Y_train)  
    ATEs.append(model.coef_[0])  
  
ATE = np.mean(ATEs)  
print(f"Cross-validated ATE: {ATE}")  
  
# 교차 검증을 통한 CATE 추정  
def cate_cv(X, T, Y, kf):  
    CATEs = []  
      
    for train_index, test_index in kf.split(X):  
        X_train, X_test = X[train_index], X[test_index]  
        T_train, T_test = T[train_index], T[test_index]  
        Y_train, Y_test = Y[train_index], Y[test_index]  
          
        model_treated = LinearRegression().fit(X_train[T_train == 1], Y_train[T_train == 1])  
        model_control = LinearRegression().fit(X_train[T_train == 0], Y_train[T_train == 0])  
          
        CATEs.append(model_treated.predict(X_test) - model_control.predict(X_test))  
      
    return np.concatenate(CATEs)  
  
CATE_values = cate_cv(X, T, Y, kf)  
print(f"Cross-validated CATE (first 10 values): {CATE_values[:10]}")  
  
# 시각화  
plt.figure(figsize=(12, 6))  
  
# ATE 시각화  
plt.subplot(1, 2, 1)  
plt.hist(ATEs, bins=10, edgecolor='black')  
plt.title('ATE Distribution')  
plt.xlabel('ATE')  
plt.ylabel('Frequency')  
  
# CATE 시각화  
plt.subplot(1, 2, 2)  
plt.hist(CATE_values, bins=30, edgecolor='black')  
plt.title('CATE Distribution')  
plt.xlabel('CATE')  
plt.ylabel('Frequency')  
  
plt.tight_layout()  
plt.show()

Read more

[책]Reshuffle: Who wins when AI restacks the knowledge economy

[책]Reshuffle: Who wins when AI restacks the knowledge economy

원래는 Amazon에 가서 Personal Knowledge Managment에 관한 책을 사려고 했다. Sketch Your Mind라는 책이었는데, 그 때 이 책 “Reshuffle”을 발견하였다. AI가 어떻게 Knowledge Economy를 흔들 것가? 라는 부제를 훑어보면서 저자가 쓴 다른 책을 보게 되었는데 거기에 내가 좋아했던 책을쓴 저자라는 것을 알게 되었다. 그래서 크게 고민하지 않고 구매를 하고

By Bongho, Lee
[책]올라운드투자, 누군가의 투자일기

[책]올라운드투자, 누군가의 투자일기

“올라운드 투자”라는 제목을 보았을 때는, “올라운드 플레이어”가 생각이 났다. “올라운드”라는 표현을 오랜만에 들어본 까닭이었다. 그럼에도 불구하고 이 책을 고른 것은 저자가 그간 보여준 컨텐츠에 대한 신뢰가 있던 까닭이었다. 컨텐츠를 다양하게 보는 편이지만 깊이가 아주 있지는 않았다. 여기서 깊이라 함은 기존 전문적인 정량적 분석의 내용의 수준을 말하는 것이다.

By Bongho, Lee
내가 놓치고 있던 미래, 먼저 온 미래를 읽고

내가 놓치고 있던 미래, 먼저 온 미래를 읽고

장강명 작가의 책은, 유학시절 읽고 처음이었다. 유학시절 "한국이 싫어서"라는 책은 동기부여가 상당히 되는 책이었다. 한국을 떠나 새로운 정채성을 학생으로서 Build up 해나가고 있던 상황에서 이 책은 제목부터 꽤 솔깃하였다. 물론 결말이 기억날 정도로 인상깊은 책은 아니었지만 말이다. 그렇게 시간이 흘러 장강명 작가의 책은 더 이상 읽지 않던

By Bongho, Lee