가짜연구소 인과추론 팀 10기 — 실무 인과추론 기법 학습·적용

무엇을, 왜 했나

상관관계만으로는 “이 처치가 정말 결과를 바꿨는가"를 답할 수 없습니다. 인과추론은 바로 그 질문에 답하기 위한 방법론으로, 마케팅·의료·정책 등 실무에서 의사결정의 근거가 됩니다. 다만 이론서만으로는 실제 데이터에 적용했을 때의 감을 잡기 어렵기 때문에, 이론을 공부하는 데 그치지 않고 직접 데이터에 적용해 실용성을 확인하는 것을 목표로 삼았습니다.

저는 책의 대안적 실험설계 파트를 맡아 발표했고, 주요 기법들의 분석 코드를 직접 작성해 공유했습니다.

다룬 기법

처치효과를 추정하는 서로 다른 접근들을 하나씩 구현하며, 어떤 상황에 어떤 방법이 맞는지를 비교했습니다.

• Synthetic 데이터 실습: 정답(true effect)을 아는 가상 데이터를 만들어, 각 기법이 실제 인과효과를 얼마나 잘 복원하는지 검증했습니다.
• Uplift Tree: 처치에 대한 고객 반응 차이를 세분화해, 처치가 효과적인 집단과 그렇지 않은 집단을 구분했습니다.
• CEVAE: 관측되지 않은 잠재 교란 변수를 보정하는 인과 추론 모델을 실습했습니다.
• 도구변수(IV)·2SLS: 내생성 문제가 있을 때 도구변수와 2단계 최소제곱법으로 인과효과를 추정했습니다.
• Meta-learner 비교: S·T·X-learner 등 메타러너 계열의 처치효과 추정 성능을 비교했습니다.
• DragonNet vs Meta-learner: 신경망 기반 DragonNet과 메타러너의 추정 성능을 정량적으로 비교 분석했습니다.

핵심 요약

• 이론 → 적용: 책으로 배운 인과추론 기법을 Synthetic·실무형 데이터에 직접 적용해 실용성을 확인했습니다.
• 다양한 기법 비교: Uplift Tree·CEVAE·IV/2SLS·Meta-learner·DragonNet을 한 흐름 안에서 비교해, 상황별 적합한 방법을 정리했습니다.
• 오픈소스 기여: 대안적 실험설계 파트 발표와 분석 코드 업로드로 팀 결과물에 기여했고, 10기 Project of the Season을 수상했습니다.

• GitHub — causal-inference-with-causalML