초록
본 논문은 관찰 데이터에서 치료 효과를 추정하기 위해 신경망을 사용하는 방법에 대해 다룹니다. 일반적으로, 추정 과정은 두 단계로 진행됩니다. 첫 번째 단계에서는 각 단위의 예상 결과와 치료 확률(성향 점수) 모델을 적합합니다. 두 번째 단계에서는 이러한 적합된 모델들을 치료 효과 추정기의 하류에 연결하여 최종 추정값을 도출합니다. 신경망은 첫 번째 단계에서 사용되는 모델에 대한 자연스러운 선택입니다. 본 논문이 다루는 질문은 다음과 같습니다: 첫 번째 단계에서 사용되는 신경망의 설계와 학습 방법을 어떻게 조정하여 치료 효과의 최종 추정 품질을 개선할 수 있을까요? 우리는 치료 효과 추정에 관한 통계학 문헌에서 얻은 통찰력을 바탕으로 두 가지 조정 방안을 제안합니다. 첫 번째는 성향 점수의 충분성을 활용한 새로운 아키텍처인 Dragonnet입니다. 두 번째는 비모수적으로 최적의漸近特性을 갖는 모델로 편향을 유도하는 정규화 절차인 타겟 정규화(targeted regularization)입니다. 인과관계 추론 벤치마크 데이터셋에 대한 연구들은 이들 조정 방안이 기존 방법보다 우수한 성능을 보임을 입증하고 있습니다. 코드는 github.com/claudiashi57/dragonnet에서 제공됩니다.注：在最后一句中，“渐近特性”是中文术语，正确的韩文术语应该是“漸近特性”（asymptotic properties）。为了保持专业性和准确性，我在这里使用了正确的韩文术语。