[논문 리뷰] Treatment Allocation under Uncertain Costs

Hao Sun, Munro, Evan외 3명|arXiv (Cornell University)|2021. 03. 20.

Advanced Causal Inference Techniques참고 문헌 38인용 수 7

한 줄 요약

이 논문은 치료 비용이 다양하고 불확실할 때 예산 제약 조건 하에서 최적의 치료 배정을 위한 데이터 기반 방법을 제안한다. 치료 비용을 고려한 우선순위 점수—조건부 기대 이득 대 조건부 기대 비용의 비율—를 근거로 하는 임계값 규칙을 도입하며, 이는 인과적 변수 방법(예: 일반화된 랜덤 숲)을 통해 추정된다. 시뮬레이션과 실제 마케팅 실험에서 비용을 간과한 접근 방식보다 뚜렷한 성능 향상을 달성한다.

ABSTRACT

We consider the problem of learning how to optimally allocate treatments whose cost is uncertain and can vary with pre-treatment covariates. This setting may arise in medicine if we need to prioritize access to a scarce resource that different patients would use for different amounts of time, or in marketing if we want to target discounts whose cost to the company depends on how much the discounts are used. Here, we show that the optimal treatment allocation rule under budget constraints is a thresholding rule based on priority scores (those with a higher score are treated first), and we propose a number of practical methods for learning these priority scores using data from a randomized trial. Our formal results leverage a statistical connection between our problem and that of learning heterogeneous treatment effects under endogeneity using an instrumental variable. We find our method to perform well in a number of empirical evaluations.

연구 동기 및 목표

• 치료 비용이 개인 간으로 다양하고 불확실할 때 데이터 기반 치료 우선순위 지정의 격차를 해소하기 위해.
• 고정된 예산 하에서 이질적 치료 효과와 변동 비용을 고려하여 최적으로 치료를 배정하는 방법을 개발하기 위해.
• 이질적 치료 효과에 대한 인과적 변수 추정과 비용 인식 치료 배정 간의 통계적 연결 고리를 확립하기 위해.
• 특히 일반화된 랜덤 숲을 사용한 실용적이고 강력한 추정 기법—랜덤화 시험 데이터로부터 최적의 우선순위 점수를 학습하기 위해—제안하기 위해.
• 실제 및 시뮬레이션 환경에서 비용 이질성을 간과하는 기준 방법에 비해 제안된 방법의 우수성을 실증적으로 검증하기 위해.

제안 방법

• 최적의 치료 규칙은 조건부 기대 증가 수익 대 조건부 기대 증가 비용의 비율인 비용 인식 우선순위 점수를 기반으로 하는 임계값 규칙으로 유도된다.
• 우선순위 점수는 인과적 변수(IV) 방법을 사용하여 추정되며, 비용 인식 배정과 이질적 치료 효과의 인과적 변수 추정 간의 통계적 연결 고리를 활용한다.
• 핵심 기법은 일반화된 랜덤 숲(GRF)을 활용해 치료 수익과 비용의 조건부 기대를 추정함으로써 우선순위 점수의 비모수적 추정을 가능하게 한다.
• 비용의 불확실성을 다루기 위해 비용을 사전 치료 공변량에 의존하는 랜덤 변수로 모델링함으로써 개인화된 비용 인식 우선순위 지정이 가능해진다.
• 예산 제약 조건 하에서 최적의 할당 규칙을 유도하기 위해 Dantzig(1957)의 분수 캐리어 문제 설정을 사용한다.
• 실증 추정은 두 단계 절차를 통해 수행된다: 먼저 조건부 평균 잠재 결과와 비용을 추정하고, 그 다음 비율 기반 우선순위 점수를 계산한다.

실험 결과

연구 질문

• RQ1 치료 비용이 이질적이고 불확실하며 예산 제약 조건이 존재할 때 최적의 치료 배정 규칙은 무엇인가?
• RQ2 비용이 직접 관측되지 않지만 사전 치료 공변량과 관련되어 있을 때, 치료 배정을 위한 최적의 우선순위 점수를 어떻게 추정할 수 있는가?
• RQ3 비용 인식 치료 배정 문제는 이질적 치료 효과에 대한 인과적 변수 추정과 통계적으로 연결될 수 있는가?
• RQ4 비용 이질성을 고려함으로써 비용 이질성을 간과하는 방법에 비해 치료 배정 성능가 향상되는가?
• RQ5 실제 데이터 환경에서 비용 인식 우선순위 점수 추정기의 실증적 및 통계적 성질은 무엇인가?

주요 결과

• 최적의 치료 배정 규칙은 분수 캐리어 문제에서 유도된 조건부 기대 수익 대 조건부 기대 비용의 비율 기반 임계값 규칙이다.
• 인과적 숲을 사용한 제안된 방법은 예산의 20%에만 대상으로 지정함으로써 35%±3%의 보상을 달성했으며, 직접 비율 기반 기준(28%±3%)과 비용을 간과한 기준(21%±4%)에 비해 뚜렷이 뛰어난 성능을 보였다.
• 쌍체 부트스트랩 검정 결과, 인과적 숲 방법과 직접 비율 기준 간에 통계적으로 유의미한 성능 차이가 존재함을 확인했다(p = 5×10⁻⁶).
• 추정된 비용과 보상 간의 강한 일치를 보였으며, 최적의 규칙은 비용-수익 공간에서 대각선 위에 있는 단위를 우선순위로 삼았다.
• 배제 제약 조건이 성립하는 환경에서는 우선순위 점수 ρ(x)가 비용에 대한 국소 평균 치료 효과와 정확히 일치하여 인과적 해석이 가능하다.
• 다중 치료 상황으로의 일반화는 다중 선택 캐리어 문제 설정을 통해 가능하지만, 이러한 확장의 실증적 성질에 대한 추가 연구가 필요하다.