[논문 리뷰] A Deep Causal Inference Approach to Measuring the Effects of Forming Group Loans in Online Non-profit Microfinance Platform

Thai Pham, Yuanyuan Shen|arXiv (Cornell University)|2017. 06. 08.

FinTech, Crowdfunding, Digital Finance인용 수 9

한 줄 요약

이 논문은 Kiva의 온라인 마이크로파이낸스 플랫폼에서 그룹 대출이 자금 조달 속도에 미치는 인과적 영향을 측정하기 위해 딥 러닝과 이중으로 강력한 추정기 및 대상 최적화 최대우도 추정기를 조합한 딥 캐주얼 인퍼런스 프레임워크를 제안한다. 자연어 처리 기반 텍스트 임베딩을 활용한 대출 설명서 분석을 통해, 그룹 대출이 평균 자금 조달 시간을 3.3일 단축시킨다는 것을 발견하여, 기부 기반 크라우드펀딩 환경에서 그룹 대출이 자금 조달 속도를 상당히 향상시킨다는 것을 입증한다.

ABSTRACT

Kiva is an online non-profit crowdsouring microfinance platform that raises funds for the poor in the third world. The borrowers on Kiva are small business owners and individuals in urgent need of money. To raise funds as fast as possible, they have the option to form groups and post loan requests in the name of their groups. While it is generally believed that group loans pose less risk for investors than individual loans do, we study whether this is the case in a philanthropic online marketplace. In particular, we measure the effect of group loans on funding time while controlling for the loan sizes and other factors. Because loan descriptions (in the form of texts) play an important role in lenders' decision process on Kiva, we make use of this information through deep learning in natural language processing. In this aspect, this is the first paper that uses one of the most advanced deep learning techniques to deal with unstructured data in a way that can take advantage of its superior prediction power to answer causal questions. We find that on average, forming group loans speeds up the funding time by about 3.3 days.

연구 동기 및 목표

• Kiva에서 개인 대출 대비 그룹 대출을 구성할 경우 자금 조달 시간이 단축되는지 조사하기 위해.
• 기부 기반 비영리 온라인 마이크로파이낸스 환경에서 그룹 대출의 인과적 영향을 평가하기 위해.
• 비정형 텍스트 데이터(대출 설명서)를 모델링하기 위해 딥 러닝을 인과 추론 방법과 통합하여 치료 효과 추정을 향상시키기 위해.
• 그룹 대출이 대출자들의 리스크 노출을 줄이고 현장 파artner의 자금 지급 효율성을 향상시키는지 평가하기 위해.
• 모금을 가속화하기 위해 빌린 사람들을 그룹으로 묶는 것이 현장 파artner에게 실질적인 통찰을 제공할 수 있는지 분석하기 위해.

제안 방법

• 비정형 대출 설명서 텍스트에서 임베딩을 추출하기 위해 딥 러닝—특히 장기 숏텀 메모리(LSTM) 네트워크와 다층 퍼셉트론(MLP)—를 사용하여 인과 추론 모델에 활용한다.
• 이중으로 강력한 추정기(DRE)와 대상 최적화 최대우도 추정기(TMLE)를 적용하여 평균 치료 효과를 추정하며, 딥 러닝을 통해 의사결정 확률 모델 및 결과 모델 추정에 활용한다.
• 영향 곡선을 사용하여 표준 오차를 추정하고 치료 효과 추정치의 신뢰구간을 구성한다.
• 모델 안정성 확보와 편향 감소를 위해 결측치를 보간하고, 의사결정 확률이 [0.01, 0.99] 범위 외부에 있는 관측치를 필터링한다.
• 성능과 강인성을 평가하기 위해 딥 러닝 기반 추정기와 전통적 방법(예: 정규화된 선형 회귀, 랜덤 포레스트)을 비교한다.
• 일반화 능력을 확보하기 위해 보류 테스트 세트를 사용하여 모델 성능을 검증하고, F1 점수와 예측 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 Kiva에서 그룹 대출을 구성할 경우 개인 대출 대비 자금 조달 속도가 빠른가?
• RQ2 대출 설명서에서 추출한 텍스트 정보를 포함시킬 경우 마이크로파이낸스 환경에서 인과 효과 추정 성능이 얼마나 향상되는가?
• RQ3 딥 러닝 기반 인과 추론 모델은 전통적 통계 모델 대비 자금 조달 시간에 대한 치료 효과 추정에서 어떻게 비교되는가?
• RQ4 농업 또는 소매 분야의 대출자와 같은 특정 하위 집단 간에 그룹 대출의 치료 효과가 일관된가?
• RQ5 대출 금액 및 기타 공변량을 통제할 때 그룹 대출의 평균 치료 효과의 크기는 얼마인가?

주요 결과

• 평균적으로 그룹 대출을 구성할 경우 자금 조달 시간이 3.3일 단축되어 자금 지급 속도 향상에 상당한 긍정적 영향을 미친다.
• 딥 러닝 모델—특히 딥 LSTM—은 의사결정 확률 모델 및 결과 모델 추정 모두에서 전통적 방법(예: RLR, RF)을 능가하는 성능을 보인다.
• 텍스트 데이터의 포함이 모델 성능 향상에 크게 기여하며, 특히 의사결정 확률 추정에서 높은 F1 점수를 통해 이를 입증한다.
• 딥 러닝 구성 요소를 포함한 이중으로 강력한 추정기(DRE)와 대상 최적화 최대우도 추정기(TMLE)는 낮은 표준 오차를 가진 일관되고 정밀한 ATE 추정치를 도출한다.
• 순수한 추정기 및 기준 추정기는 효과가 없거나 심지어 부정적인 영향이 있다고 잘못 추정하여, 고급 인과 모델링의 중요성을 강조한다.
• 딥 LSTM를 사용한 TMLE는 ATE 추정치로 -3.29일, 표준 오차 0.167을 기록하여 딥 러닝 강화 인과 추론 프레임워크의 강인성과 정밀성을 확인한다.