[논문 리뷰] Image-based Treatment Effect Heterogeneity

Connor Jerzak, Fredrik Johansson외 1명|arXiv (Cornell University)|2022. 06. 13.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 변분 베이지안 추론을 사용하여 영상에서의 치료 효과 이질성, 특히 우간다의 빈곤 퇴치 랜덤화 실험(RCT)에서 표준 표본 데이터만을 사용하는 방법보다 더 나은 이질성 탐지 성능을 보이는 확률적 영상 유형 클러스터링 모델을 제안한다. 영상에서 유도된 클러스터를 모델링하여 이질적인 인과 효과를 예측함으로써, 설명 가능하고 불확실성 인식이 가능한 시각화 분석과 샘플 외 정책 대상 설정이 가능해지며, 이는 인과 효과의 이질성을 보다 효과적으로 탐지함을 입증한다.

ABSTRACT

Randomized controlled trials (RCTs) are considered the gold standard for estimating the average treatment effect (ATE) of interventions. One use of RCTs is to study the causes of global poverty -- a subject explicitly cited in the 2019 Nobel Memorial Prize awarded to Duflo, Banerjee, and Kremer "for their experimental approach to alleviating global poverty." Because the ATE is a population summary, anti-poverty experiments often seek to unpack the effect variation around the ATE by conditioning (CATE) on tabular variables such as age and ethnicity that were measured during the RCT data collection. Although such variables are key to unpacking CATE, using only such variables may fail to capture historical, geographical, or neighborhood-specific contributors to effect variation, as tabular RCT data are often only observed near the time of the experiment. In global poverty research, when the location of the experiment units is approximately known, satellite imagery can provide a window into such factors important for understanding heterogeneity. However, there is no method that specifically enables applied researchers to analyze CATE from images. In this paper, using a deep probabilistic modeling framework, we develop such a method that estimates latent clusters of images by identifying images with similar treatment effects distributions. Our interpretable image CATE model also includes a sensitivity factor that quantifies the importance of image segments contributing to the effect cluster prediction. We compare the proposed methods against alternatives in simulation; also, we show how the model works in an actual RCT, estimating the effects of an anti-poverty intervention in northern Uganda and obtaining a posterior predictive distribution over effects for the rest of the country where no experimental data was collected. We make all models available in open-source software.

연구 동기 및 목표

• RCT에서 비정형 영상 데이터를 사용한 인과 효과 이질성 분석을 위한 방법의 부족을 해결하기 위해.
• 이질적인 치료 효과를 예측할 수 있는 영상에서 유도된 클러스터를 모델링하여 해석 가능성과 과학적 통찰을 향상시키기 위해.
• 베이지안 추론을 사용하여 클러스터 할당과 효과 예측의 불확실성 정량화를 가능하게 하기 위해.
• 예측된 치료 효과 클러스터에 가장 영향을 주는 영상 영역을 식별하는 시각화 측정치를 개발하기 위해.
• 표본 데이터 외의 변수를 포함하여 위성 영상 자료를 효과 수정 정보의 원천으로 활용함으로써 인과 추론을 표본 데이터 외로 확장하기 위해.

제안 방법

• 영상 유형 $Z_i$ 가 치료 효과 $\tau(z)$ 에 대한 분포를 생성하는 확률적 영상 유형 효과 클러스터 모델을 제안하며, $\tau(z) = \mu_{\tau,z}$ 와 분산 $\sigma_0^2 + \sigma_1^2 + \sigma_{\tau}^2$ 를 가짐.
• 변분 베이지안 추론을 사용하여 후행 분포 $p(\mathbf{Z}, \boldsymbol{\Theta} \mid \mathbf{D})$ 를 근사하고, 확률적 경사 하강법을 사용하여 Evidence Lower Bound (ELBO) 를 최대화함.
• 이산 잠재 변수(영상 클러스터)를 통해 역전파를 수행하기 위해 재구성 기반 경사도를 적용하여 미분 가능한 추론을 가능하게 함.
• 몬테 카를로 근사를 사용하여 기대 시각화를 계산함: $s_{whk}^{\text{Direction}} = \sum_c \mathbb{E}\left[ \frac{\partial \text{Pr}(Z_i = k \mid M_i = m)}{\partial m_{whc}} \right]$.
• 높은 영향력의 영상 영역을 식별하기 위해 크기 기반 시각화 측정치 $s_{whk}^{\text{Magnitude}} = \sum_c \left( \frac{\partial \mathbb{E}[\text{Pr}(Z_i = k \mid M_i = m)]}{\partial m_{whc}} \right)^2$ 를 도입함.
• 샘플 외 예측 분포를 생성하기 위해 $p(\tau_i^{\text{Out}} \mid M_i^{\text{Out}}, \mathbf{D}) = \sum_z \int p(\tau_i \mid Z_i^\text{Out}=z; \boldsymbol{\theta}) p(Z_i^\text{Out}=z \mid M_i^\text{Out}; \boldsymbol{\theta}) p(\boldsymbol{\theta} \mid \mathbf{D}) d\boldsymbol{\theta}$ 를 사용함.

실험 결과

연구 질문

• RQ1 표본 데이터 외의 요소를 고려할 때, 영상 기반 데이터가 RCT에서 기존에 발견되지 않은 치료 효과 이질성을 드러내는가?
• RQ2 어떻게 영상에서 유도된 클러스터를 모델링하여 확률적이고 설명 가능한 방식으로 이질적인 치료 효과를 요약하고 해석할 수 있는가?
• RQ3 어떤 영상 영역이 예측된 치료 효과 클러스터에 가장 큰 영향을 주며, 그 영향력을 어떻게 정량화할 수 있는가?
• RQ4 클러스터 할당의 불확실성이 시각화 및 정책 권고의 신뢰성에 어떤 영향을 미치는가?
• RQ5 모델이 샘플 외 영상으로 일반화되어 새로운 지리적 또는 맥락적 환경에서 정책 대상 설정을 지원할 수 있는가?

주요 결과

• 모델은 우간다의 빈곤 퇴치 RCT에서 표본 데이터 외의 정보를 제공하는 영상 기반 클러스터를 성공적으로 식별하여, 표본 데이터만으로는 포착되지 않는 이질적인 치료 효과를 드러냄.
• 시각화 분석을 통해 땅 이용 및 인프라 특성 영역이 예측된 치료 효과 클러스터에 가장 큰 영향을 주는 것으로 확인됨.
• 정규화 후에도 클러스터 확률과 표본 데이터 기반 CATE 간 상관계수가 높음(0.85)으로, 위성 영상 자료가 이질성에 대해 독립적이고 중복되지 않는 정보를 제공함을 시사함.
• 전 국가 범위의 사후 예측 평균 클러스터 확률은 치료 효과 이질성의 공간적 패턴을 드러내며, 대규모 정책 대상 설정에 유용함.
• 후행 클러스터링 방법에서는 기울기 전파가 가능한 클러스터 할당이 없기 때문에, 모델의 불확실성 인식 시각화 측정치는 후행 방법으로는 실현 불가능함.
• 새로운 영상에 대해 표본 데이터 없이도 치료 효과에 대한 예측 분포를 형성함으로써, 샘플 외 정책 대상 설정이 가능해짐.