[논문 리뷰] Lockdown effects in US states: an artificial counterfactual approach

Carlos B. Carneiro, Iúri H. Ferreira외 3명|arXiv (Cornell University)|2020. 09. 28.

COVID-19 Pandemic Impacts참고 문헌 21인용 수 5

한 줄 요약

이 논문은 합성 통제 방법을 기반으로 한 인공 역인과적(artificial counterfactual, ArCo) 접근법을 사용하여 미국 주들에서 봉쇄 정책의 단기적 영향을 코로나19 확진자 수와 사망자 수에 대해 추정한다. 봉쇄 시행 시점의 다양성을 활용하여, 평균적으로 봉쇄 정책이 시행되지 않았다면 누적 확진자 수가 두 배 이상 높아졌을 것으로 분석되며, 이는 팬데믹 확산을 상당 부분 완화시켰음을 시사한다.

ABSTRACT

We adopt an artificial counterfactual approach to assess the impact of lockdowns on the short-run evolution of the number of cases and deaths in some US states. To do so, we explore the different timing in which US states adopted lockdown policies, and divide them among treated and control groups. For each treated state, we construct an artificial counterfactual. On average, and in the very short-run, the counterfactual accumulated number of cases would be two times larger if lockdown policies were not implemented.

연구 동기 및 목표

• 미국 주들에서 코로나19 확진자 수와 사망자 수의 변화에 대한 봉쇄 정책의 단기적 영향을 정량적으로 평가하는 것.
• 제한된 신뢰할 만한 데이터와 불확실한 모델 파rameter를 동반한 빠르게 변화하는 팬데믹 기간 동안 정책 평가의 과제를 해결하는 것.
• 불확실한 校정에 의존하는 모델 기반 전염병학적 접근법에 대한 데이터 기반 대안을 제공하는 것.
• 인공 역인과적 방법을 사용한 합성 통제 프레임워크를 통해 다른 동시 정책과의 혼동을 방지하고 봉쇄 정책의 영향을 분리하는 것.
• 관찰된 이동성 감소(특히 실외 및 주거 지역에서의 활동 감소)가 봉쇄 정책이 확진자 증가에 미치는 영향을 어떻게 매개하는지 평가하는 것.

제안 방법

• 각 치료 대상 주에 대해, 사전 봉쇄 추세를 잘 따라오는 비봉쇄 주들(비치료 주들)의 가중 조합을 구성하여, 각 주의 사전 사례 수 추세를 모의하는 인공 역인과적(artificial counterfactual, ArCo) 방법을 적용한다.
• 치료 대상 주의 사전 봉쇄 기간 동안의 사례 수 추세를 정확히 반영할 수 있도록 시간에 따라 변화하는 가중치를 사용하여 합성 통제군을 구성한다. 이는 관측되지 않은 혼란 요인의 편향을 최소화한다.
• 데이터의 비정상성(Nonstationarity)을 보정하기 위해 Masini와 Medeiros(2019)가 제안한 방법을 사용하여 추정의 신뢰도를 향상시킨다.
• 이동성 데이터(Google Mobility)를 핵심 매개 변수로 사용하여, 봉쇄 정책이 행동 반응을 통해 결과에 영향을 미치는 것을 설명하는 감소형 인과 모델을 적용한다.
• 합성 통제군의 가중치가 관측되지 않은 혼란 요인의 경로를 잘 따라온다는 가정 하에, 이 가중치가 관측되지 않은 혼란 요인의 추세를 잘 모의하는지 검증함으로써 인과 해석의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 봉쇄 정책을 시행하지 않았다면 미국 주들에서 누적 코로나19 확진자 수는 어느 정도였을까?
• RQ2 봉쇄 정책는 내재된 행동 변화를 고려한 위험 요소를 초월하여 단기적으로 확진자 수와 사망자 수의 증가를 얼마나 줄였는가?
• RQ3 봉쇄 정책는 인구의 이동성에 어떤 영향을 미치며, 이러한 변화는 팬데믹의 전개에 얼마나 중요한 매개 역할을 하는가?
• RQ4 전염병학적 모델이 불확실한 상황에서 인공 역인과적 방법과 같은 데이터 기반, 모델 독립적 접근법이 봉쇄 정책 효과를 신뢰할 만하게 추정할 수 있는가?
• RQ5 관찰된 봉쇄 정책의 효과가 이동 패턴에 의해 캡처된 행동 변화에 주로 기인하는가?

주요 결과

• 평균적으로, 봉쇄 정책이 시행되지 않았다면 치료 대상 미국 주들에서의 인공 역인과적 누적 확진자 수는 두 배 이상 높아졌을 것이다.
• ArCo 방법은 봉쇄 정책이 단기적으로 확진자 증가를 상당히 줄였음을 확인하며, 초기 팬데믹 확산을 봉쇄 정책이 상당 부분 억제했다는 것을 시사한다.
• 봉쇄 정책는 내재된 행동 변화를 초월하여 이동성에 강력하고 측정 가능한 영향을 미쳤으며, 특히 실외 활동 감소와 주거지에 머무르는 시간 증가를 초래했다.
• 봉쇄 정책이 확진자 수 감소에 미치는 영향은 이동성 변화와의 강력한 연관성으로 인해 주로 행동 변화를 통해 매개된 것으로 확인되었다.
• ArCo 방법에서 사용된 합성 통제군의 가중치는 관측된 사례 추세뿐만 아니라 관측되지 않은 혼란 요인의 경로도 효과적으로 재현하여, 역인과적 추정의 타당성을 뒷받침한다.
• 다양한 제어군 조합과 모델 사양에 대한 결과가 일관되며, 이는 데이터 기반 접근법의 신뢰성을 강화한다.