[논문 리뷰] Cost-Aware Optimized Front-Door Experimental Design

Leopold Mareis, Mathias Drton|arXiv (Cornell University)|2026. 03. 23.

Advanced Causal Inference Techniques인용 수 0

한 줄 요약

다변량 선형 front-door 모델에서 비관측 교란 하에 효율적 영향 함수(influence functions)를 도출하고 예산 제약 하에서 점근적 분산을 최소화하는 비용 인지 최적 샘플링 설계를 제시하여 naive full-sampling 대비 5.3%에서 31.9%의 효율 향상을 보인다.

ABSTRACT

Causal effect estimation often succeeds cost-constrained sequential data collection. This work considers multivariate linear front-door models with arbitrary unobserved confounding on treatment and response. We optimize the experimental design by balancing the statistical efficiency and measurement costs through partial data. The full-data efficient influence function for the causal effect is derived, together with the geometry of all observed-data influence functions. This characterization yields a closed-form optimal sampling policy and an estimator to minimize the asymptotic variance of regular asymptotically linear (RAL) estimators within a class of augmented full-data influence functions. The resulting design also covers back-door estimation. In simulations and applications to biological, medical, and industrial datasets, the optimized designs achieve substantial efficiency gains ($5.3\%$ to $31.9\%$) over naive full-sampling strategies.

연구 동기 및 목표

• 다변량 선형 front-door 모델에서 비관측 교란 하에 비용 제약이 있는 인과 효과 추정의 필요성을 동기화한다.
• 인과 효과에 대한 전체 데이터의 효율적 영향 함수(influence function)를 도출하고, 관찰 데이터의 영향 함수를 특징짓는다.
• 고정된 예산 하에서 점근적 분산을 최소화하는 폐쇄 형식의 최적 샘플링 정책(경향성)을 제안한다.
• 비용 효율적 추론을 달성하는 증강된 전체 데이터 영향 함수 프레임워크 내 추정기를 제시한다.
• 시뮬레이션과 실제 데이터 세트를 통해 실용적 개선 및 백도어 추정에의 적용 가능성을 보여준다.

제안 방법

• 경향성 함수 pi_1 및 pi_2에 의해 좌우되는 관찰된 축소/결측이 있는 다변량 선형 front-door 모델을 정의한다.
• 인과 효과 xi에 대한 효율적인 전체 데이터 영향 함수를 계산하고 이를 beta_Mt와 beta_rM를 목표로 하는 두 구성요소로 분해한다.
• 관찰 데이터 영향 함수의 기하학적 구조를 특징짓고 pi에 대한 폐쇄 형식의 최적 증강 영향 함수(Theorem 4.6)를 도출한다.
• 예산 b_0 하에서 점근적 분산을 최소화하는 최적 샘플링 정책(pi*)을 얻기 위한 비용 제약 최적화를 도출한다(Theorem 4.6, Corollary 4.7).
• 샘플링 설계 하에서 beta_Mt 및 beta_rM에 대한 추정 방정식을 해결하여 구축된 최적화된 관찰 데이터 추정기 hat xi_n을 제공한다.
• 시뮬레이션 및 실제 데이터 세트에서 최적화된 설계가 전체 데이터 수집 대비 5.3%에서 31.9%의 효율 향상을 달성함을 보여준다.

실험 결과

연구 질문

• RQ1 제한된 측정 예산하에서 front-door 설정에서 인과 효과 추정기의 점근적 분산을 어떻게 최소화할 수 있는가?
• RQ2 다단계 관찰 과정에서 정보 이득과 측정 비용의 균형을 맞추는 최적 샘플링 정책의 형태는 무엇인가?
• RQ3 비용 제약하에서 관찰 데이터 영향 함수 증강이 어떻게 작동하며 이를 통해 비용 효율적 추정기를 어떻게 구성할 수 있는가?
• RQ4 동일한 비용 인식 front-door 설계 프레임워크 내에서 백도어 추정이 보조로 다뤄질 수 있는가?
• RQ5 부분 측정 설계가 실제 생물학, 의학 및 산업 데이터에서 상당한 효율 향상을 제공하는가?

주요 결과

• 인과 효과 xi에 대한 효율적인 전체 데이터 영향 함수가 도출되고 beta_Mt와 beta_rM를 향하는 두 직교 구성요소로 분해된다.
• 폐쇄 형식의 최적 관찰 데이터 영향 함수 증강이 확인되어 고정 예산에서 점근적 분산을 최소화하는 최적 샘플링 정책 pi*를 산출한다.
• 최적 정책은 중간 추정기의 정밀도와 측정 비용의 균형을 맞추고 언제 X_M 및 X_r를 샘플링할지에 대한 지침을 제공한다.
• 최적화된 추정기 hat xi_n은 beta_Mt 및 beta_rM에 대한 증강 추정기를 사용하고 전체 데이터 수집 대비 예산 하에서 더 낮은 점근적 분산을 달성한다.
• 추론의 밀접한 결과인 코릴리가 최적 설계가 백도어 추정에도 확장되며 샘플링 결정의 유사한 구조를 가진다는 것을 보인다.
• 생물학, 의학, 산업 데이터의 시뮬레이션 및 실증 결과가 순진한 전체 샘플링 설계에 비해 5.3%에서 31.9%의 효율 향상을 보여준다.