[논문 리뷰] Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning

Kwang‐Ho Kim, José R. Zubizarreta|arXiv (Cornell University)|2023. 06. 06.

Health Systems, Economic Evaluations, Quality of Life인용 수 5

한 줄 요약

이 논문은 일반적인 공정성 제약 조건 하에서 이질적 치료 효과의 비모수적 추정을 위한 볼록 최적화 프레임워크를 제안하며, 双중 로버스트성(doubly robust)을 달성하고 강력한 정책 학습을 가능하게 한다. 공정성과 복지 사이의 트레이드오프를 규명하여, 공정성 제약 조건이 그룹 간 격차를 줄이되 정책 효과성에 미치는 영향은 최소화함을 보여준다.

ABSTRACT

We propose a simple and general framework for nonparametric estimation of heterogeneous treatment effects under fairness constraints. Under standard regularity conditions, we show that the resulting estimators possess the double robustness property. We use this framework to characterize the trade-off between fairness and the maximum welfare achievable by the optimal policy. We evaluate the methods in a simulation study and illustrate them in a real-world case study.

연구 동기 및 목표

• 이질적 치료 효과 추정에서 알고리즘 공정성과 원인 인과 추론 간의 통합 부족을 해결한다.
• 공정성 제약 조건 하에서 조건부 평균 치료 효과(CATE)를 추정하기 위한 일반적이고 유연하며 구현 가능한 프레임워크를 개발한다.
• 최적 정책이 달성할 수 있는 최대 복지와의 공정성 간 트레이드오프를 규명한다.
• 유연한 머신 러닝 도구를 사용할 때도 모델 잘못 설정에 대해 강건한 이중 로버스트성을 통해 강건성을 확보한다.
• 실제 응용 분야인 범죄 사법 및 헬스케어와 같은 분야에서 공정하고 효율적인 정책 학습의 실용적 구현을 가능하게 한다.

제안 방법

• 공정성 제약 조건을 페널티 항으로 통합하여 CATE 추정을 볼록 최적화 문제로 공식화한다.
• 결과 회귀 모델과 성향 스코어 모델을 조합한 이중 로버스트 추정 방정식을 사용하여 강건성을 확보한다.
• 공정성과 복지 사이의 트레이드오프를 제어하기 위해 공정성 페널티 파라미터 δ를 도입하며, δ=0은 엄격한 공정성을 요구하고 δ=∞는 공정성 제약 조건을 허용하지 않는다.
• 기본적인 정규 조건 하에서 표준적인 반사적 최적화 기법을 활용하여 이중 로버스트인 추정량을 유도한다.
• 사전에 준비된 솔버를 활용하여 추정량을 효율적으로 계산함으로써 확장성과 실용적 구현을 가능하게 한다.
• 성능 평가의 편향을 방지하기 위해 별도의 학습 및 평가 샘플을 사용하여 회귀와 부정확성의 정도를 추정한다.

Figure 1: When the optimal policy is applied, only less than $7$ % of individuals with $S=0$ are treated while more than $95$ % of individuals in the untreated group are $S=0$ .

실험 결과

연구 질문

• RQ1 어떻게 하면 모델 잘못 설정에 대해 강건하면서도 공정한 이질적 치료 효과를 추정할 수 있는가?
• RQ2 최적 정책이 달성할 수 있는 최대 복지와의 공정성 간 트레이드오프는 무엇인가?
• RQ3 다양한 공정성 기준을 CATE 추정에 통합할 수 있는 일반적 프레임워크를 개발할 수 있는가, 이때 통계적 효율성은 손상되지 않는가?
• RQ4 기존 방법과 비교해 볼 때 제안된 방법은 이중 로버스트성과 수렴 속도 측면에서 어떻게 성능을 발휘하는가?
• RQ5 공정성 제약 조건이 실제 정책 응용에서 격차를 얼마나 줄일 수 있으며, 정책 성능에 상당한 영향을 주지 않고서도 가능한가?

주요 결과

• 제안된 추정량은 이중 로버스트성을 확보하여, 결과 회귀 모델 또는 성향 스코어 모델 중 하나가 잘못 설정된 경우에도 일관된 추정을 보장한다.
• COMPAS 사례 연구에서 δ=0일 경우, 독립성과 양의 균형 불균형 모두 70% 이상 감소시키며, 기준선 대비 재범 위험은 단지 7% 증가한다.
• 제안된 방법의 회귀는 샘플 크기가 증가함에 따라 경쟁 방법보다 더 빠르게 감소함을 확인하여 이론적 이중 로버스트성 특성을 뒷받침한다.
• 시뮬레이션 결과, δ>0일 경우 다양한 δ 수준에서도 낮은 부정확성을 유지하면서 기준선 이중 로버스트 추정량과 비교해 유사하거나 더 우수한 성능을 기록한다.
• 실제 사례 연구에서 보여시피, 이 프레임워크는 독립성 및 양의 균형과 같은 다수의 공정성 기준을 동시에 탄력적으로 통합할 수 있다.
• 연구는 공정성의 비용을 정량화하여, 높은 공정성(δ=0)을 달성할 경우 재범 위험은 단지 7% 증가할 뿐이며, 이는 공정성과 복지 사이의 관리 가능한 트레이드오프임을 보여준다.

Figure 2: Densities of $\widehat{\tau}(W)$ for $\delta=\infty$ and $\delta=0$ . In each figure, two dashed vertical lines correspond to $\mathbb{P}_{n}\left\{\widehat{\tau}\mid S=0\right\}$ and $\mathbb{P}_{n}\left\{\widehat{\tau}\mid S=1\right\}$ .