인과추론(Causal Inference) – Inverse Probability Weight
1 min read

인과추론(Causal Inference) – Inverse Probability Weight

역확률 가중치(Inverse Probability Weighting)

  • 모집단에서 일부 데이터가 유실되었을 때(예: Selection Bias) 남은 데이터로 유사 모집단(Pseudo Population)을 생성해서 통계를 계산하는 기법
  • 1952년에 제시된 꽤 오래된 기법으로 각 데이터에 데이터가 치료군(Treatment)에 속할 가능성의 역수를 가중치(Weight)로 곱해주는 방식
  • 개념만 쉽게 본다고 하면 Propensity Score Matching은 데이터의 수를 줄이는데 반해서 이 것은 데이터를 늘리는 개념
  • 인과추론에서는 Confounding을 제거하기 위한 여러 방법이 있는데(Restriction, Matching, Adjustment, and Weighting) Weigthing 관련 가장 많이 쓰이는 방식이 Inverse Probability Weigthing으로 이를 통해서 표준화를 할 수 있다. 데이터의 분포를 균일하게 맞춰줄 수 있다.
  • 기본적으로 로지스틱 회귀분석 모델에서 사용이 된다.

인과추론에서는?

  • Inverse Probability Weighting(IPW)를 이용하면 특정 개입조건(Z=z)인 상황에서 $ P(Y=do(x))$를 구할 때 X=x에 대한 Y=y값의 빈도를 바탕으로 계산량을 조금 더 줄일 수 있게 된다.