[논문 리뷰] Linear Estimation of Treatment Effects in Demand Response: An Experimental Design Approach

Pan Li, Baosen Zhang|arXiv (Cornell University)|2017. 06. 29.

Smart Grid Energy Management참고 문헌 21인용 수 3

한 줄 요약

이 논문은 실험 설계 원칙을 활용하여 수요 반응 프로그램에서 평균 치료 효과(Average Treatment Effect, ATE)에 대한 선형 추정 프레임워크를 제안한다. 단순 선형 회귀, 다중 선형 회귀, 및 수정된 공변수 방법을 비교하여, 치료와 공변수 간의 상호작용을 모델링하지 않고 공변수를 포함하는 것은 추정 정확도를 떨어뜨리고 ATE를 과소평가할 수 있음을 보여주며, 치료 효과가 공변수에 대해 선형인 경우 수정된 공변수 방법이 더 신뢰할 수 있는 추론을 제공함을 밝힌다.

ABSTRACT

Demand response aims to stimulate electricity consumers to modify their loads at critical time periods. In this paper, we consider signals in demand response programs as a binary treatment to the customers and estimate the average treatment effect, which is the average change in consumption under the demand response signals. More specifically, we propose to estimate this effect by linear regression models and derive several estimators based on the different models. From both synthetic and real data, we show that including more information about the customers does not always improve estimation accuracy: the interaction between the side information and the demand response signal must be carefully modeled. In addition, we compare the traditional linear regression model with the modified covariate method which models the interaction between treatment effect and covariates. We analyze the variances of these estimators and discuss different cases where each respective estimator works the best. The purpose of these comparisons is not to claim the superiority of the different methods, rather we aim to provide practical guidance on the most suitable estimator to use under different settings. Our results are validated using data collected by Pecan Street and EnergyPlus.

연구 동기 및 목표

• 관측 데이터를 사용하여 수요 반응 신호가 전기 소비에 미치는 평균 치료 효과(ATE)를 추정하기 위해.
• 단순 선형 회귀, 다중 선형 회귀, 및 수정된 공변수 방법을 포함한 다양한 선형 회귀 모델이 ATE를 추정하는 데서의 성능을 평가하기 위해.
• 데이터 특성, 치료 배정 확률, 공변수-치료 상호작용 여부에 따라 가장 적합한 추정기를 선택하는 데 실용적 지침을 제공하기 위해.
• 치료와 공변수 간의 상호작용을 모델링하지 않고 공변수를 포함하는 것이 추정 정확도를 떨어뜨리고 편향된 ATE 추정을 초래할 수 있음을 보여주기 위해.
• Pecan Street 및 EnergyPlus의 실제 데이터를 포함한 합성 데이터를 사용하여 제안된 추정기의 성능을 검증하기 위해.

제안 방법

• 수요 반응 신호를 이元적 치료로 모델링하고, 단순 선형 회귀(SLR), 다중 선형 회귀(MLR), 및 수정된 공변수 방법(MCM)을 사용하여 ATE를 추정한다.
• 중심화된 치료 지표(Ti − p)를 사용하고, 치료와 공변수 간의 상호작용 효과를 포착하기 위해 수정된 공변수(vi = (Ti − p)xi)를 도입한다.
• 각 모델 하에서 치료 효과의 통계적 유의성을 평가하기 위해 t-검정과 F-검정을 적용하며, 치료 계수의 유의성에 대한 귀무가설 검증에 p-값을 사용한다.
• 다양한 데이터 조건에서 모델 간 성능을 비교하기 위해 추정기 분산에 대한 분석적 표현을 유도한다.
• 추정기의 거동과 강건성을 검증하기 위해 합성 데이터와 Pecan Street, EnergyPlus의 실제 데이터를 모두 활용한다.
• 모델 간 추정 정확도 및 유의성 결과를 비교하여 각 추정기가 가장 잘 작동하는 조건을 규명한다.

실험 결과

연구 질문

• RQ1 선형 회귀 모델에 공변수를 포함하는 것이 항상 수요 반응 연구에서 ATE 추정 정확도를 향상시키는가?
• RQ2 다른 선형 회귀 모델—SLR, MLR, MCM—은 치료 배정 확률과 공변수 상관관계가 다양할 때 ATE 추정에 어떻게 성능을 보이는가?
• RQ3 수정된 공변수 방법이 표준 다중 선형 회귀보다 ATE 추정에서 더 우수한 성능을 보이는 조건은 무엇인가?
• RQ4 공변수를 포함하는 것이 ATE를 과소평가할 수 있으며, 만약 그렇다면 그 이유는 무엇인가?
• RQ5 t-검정과 F-검정의 p-값은 다양한 모델링 접근법에서 ATE 추정의 신뢰성 평가에 어떤 역할을 하는가?

주요 결과

• Pecan Street 데이터에서 다중 선형 회귀(MLR) 추정기는 단순 선형 회귀(SLR)의 1.16과 MCM의 0.90에 비해 유의미하게 낮은 ATE 추정치(0.59)를 산출하여, 치료-공변수 상호작용을 잘못 모델링한 탓에 과소평가가 발생할 수 있음을 시사한다.
• MLR에서 치료 계수에 대한 t-검정의 p-값은 1.4e-2로, 유의수준 α = 0.01에서 유의미하지 않음을 나타내어, MLR가 DR 프로그램이 효과가 없다고 잘못 결론내릴 수 있음을 시사한다.
• 수정된 공변수 방법(MCM)은 t-검정에 대해 p-값 2.9e-09를 기록하여 치료 효과가 강력하게 통계적으로 유의하다는 것을 보여주며, 그 추정치(0.90)는 MLR보다 SLR 추정치에 더 가까워진다.
• 모든 모델에서 F-검정의 p-값이 작았으며, 이는 공변수가 모델 적합도를 유의미하게 향상시킨다는 것을 확인하지만, 이는 치료 효과 추론의 향상과는 직접적인 관련이 없다.
• 치료 효과가 공변수에 대해 선형인 경우, 수정된 공변수 방법은 표준 MLR보다 항상 더 신뢰할 수 있는 ATE 추정치를 제공한다.
• 이 연구는 더 많은 데이터나 추가 공변수를 포함한다고 해서 반드시 더 나은 ATE 추정이 보장된다는 것을 보여주지 않으며, 치료-공변수 상호작용을 적절히 모델링하는 것이 핵심임을 입증한다.