https://siuunni.github.io/tags/causal-inference/Causal InferenceHugoBlox Kit (https://hugoblox.com)ko-krTue, 02 Dec 2025 00:00:00 +0000https://siuunni.github.io/media/icon_hu_1c0e9cb08cfb822a.pnghttps://siuunni.github.io/tags/causal-inference/https://siuunni.github.io/projects/causal-10/Tue, 02 Dec 2025 00:00:00 +0000https://siuunni.github.io/projects/causal-10/<div style="display:grid;grid-template-columns:130px 1fr;gap:1rem 1.5rem;margin-bottom:2rem;"> <div style="font-weight:700;">개요</div> <div>『실무로 배우는 인과추론 with Python』을 함께 공부하며, 인과추론 핵심 기법을 Synthetic 데이터와 실무형 예제로 직접 구현·비교한 스터디 프로젝트입니다.</div> <div style="font-weight:700;">활동</div> <div>가짜연구소 10기 인과추론 팀 (오픈소스 협업 스터디)</div> <div style="font-weight:700;">기간</div> <div>2025.03~2025.08</div> <div style="font-weight:700;">담당 역할</div> <div><strong>대안적 실험설계 파트 발표 · 분석 코드 제작 및 업로드</strong> (기여도 15%)</div> <div style="font-weight:700;">기술 스택</div> <div>Python · pandas · NumPy · scikit-learn · CausalML · Git/GitHub</div> <div style="font-weight:700;">성과</div> <div><strong>가짜연구소 10기 Project of the Season 수상</strong></div> </div> <hr> <h2 id="무엇을-왜-했나">무엇을, 왜 했나</h2> <p>상관관계만으로는 &ldquo;이 처치가 정말 결과를 바꿨는가&quot;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, <strong>이론을 공부하는 데 그치지 않고 직접 데이터에 적용해 실용성을 확인</strong>하는 것을 목표로 삼았습니다.</p> <p>저는 책의 <strong>대안적 실험설계</strong> 파트를 맡아 발표했고, 주요 기법들의 분석 코드를 직접 작성해 공유했습니다.</p> <hr> <h2 id="다룬-기법">다룬 기법</h2> <p>처치효과를 추정하는 서로 다른 접근들을 하나씩 구현하며, 어떤 상황에 어떤 방법이 맞는지를 비교했습니다.</p> <ul> <li><strong>Synthetic 데이터 실습:</strong> 정답(true effect)을 아는 가상 데이터를 만들어, 각 기법이 실제 인과효과를 얼마나 잘 복원하는지 검증했습니다.</li> <li><strong>Uplift Tree:</strong> 처치에 대한 <strong>고객 반응 차이</strong>를 세분화해, 처치가 효과적인 집단과 그렇지 않은 집단을 구분했습니다.</li> <li><strong>CEVAE:</strong> 관측되지 않은 <strong>잠재 교란 변수</strong>를 보정하는 인과 추론 모델을 실습했습니다.</li> <li><strong>도구변수(IV)·2SLS:</strong> 내생성 문제가 있을 때 도구변수와 2단계 최소제곱법으로 인과효과를 추정했습니다.</li> <li><strong>Meta-learner 비교:</strong> S·T·X-learner 등 메타러너 계열의 처치효과 추정 성능을 비교했습니다.</li> <li><strong>DragonNet vs Meta-learner:</strong> 신경망 기반 DragonNet과 메타러너의 추정 성능을 정량적으로 비교 분석했습니다.</li> </ul> <hr> <h2 id="핵심-요약">핵심 요약</h2> <ul> <li><strong>이론 → 적용:</strong> 책으로 배운 인과추론 기법을 Synthetic·실무형 데이터에 직접 적용해 실용성을 확인했습니다.</li> <li><strong>다양한 기법 비교:</strong> Uplift Tree·CEVAE·IV/2SLS·Meta-learner·DragonNet을 한 흐름 안에서 비교해, 상황별 적합한 방법을 정리했습니다.</li> <li><strong>오픈소스 기여:</strong> 대안적 실험설계 파트 발표와 분석 코드 업로드로 팀 결과물에 기여했고, <strong>10기 Project of the Season</strong>을 수상했습니다.</li> </ul> <hr> <ul> <li> </li> </ul>https://siuunni.github.io/projects/causal-11/Mon, 01 Dec 2025 00:00:00 +0000https://siuunni.github.io/projects/causal-11/<div style="display:grid;grid-template-columns:130px 1fr;gap:1rem 1.5rem;margin-bottom:2rem;"> <div style="font-weight:700;">개요</div> <div>흩어져 있던 다양한 DiD(이중차분) 방법론을 Python 코드로 통합·정리해, 누구나 바로 따라 쓸 수 있는 인과추론 코드집으로 만들어 배포한 프로젝트입니다.</div> <div style="font-weight:700;">활동</div> <div>가짜연구소 11기 인과추론 팀 (오픈소스 코드집 제작·배포)</div> <div style="font-weight:700;">활동</div> <div>2025.09~2025.12</div> <div style="font-weight:700;">담당 역할</div> <div><strong>DiD 파트 코드 제작 (기여도 85%) · 팀원 코드 리뷰 (15%)</strong></div> <div style="font-weight:700;">기술 스택</div> <div>Python · pandas · NumPy · statsmodels · linearmodels · DoubleML · LightGBM · Git/GitHub</div> <div style="font-weight:700;">기대 효과</div> <div>R 중심이던 인과추론 학습을 <strong>Python으로 확장</strong>하고, 여러 DiD 방법을 한곳에 통합해 재현성·학습 효율 향상</div> </div> <hr> <h2 id="무엇을-왜-했나">무엇을, 왜 했나</h2> <p>DiD(Difference-in-Differences)는 정책·처치의 효과를 추정하는 대표적인 인과추론 방법이지만, 막상 공부하려 하면 <strong>자료가 대부분 R 중심</strong>이라 Python 사용자에게는 진입 장벽이 높았습니다. 게다가 Basic DiD부터 최신 Staggered DiD·머신러닝 DiD까지 방법론이 흩어져 있어, 한눈에 비교하며 배우기 어려웠습니다.</p> <p>그래서 <strong>다양한 DiD 방법론을 Python으로 일관되게 구현하고, 한 저장소에 통합해 배포</strong>하기로 했습니다. 저는 그중 <strong>DiD 파트 코드 제작을 주도</strong>했습니다.</p> <hr> <h2 id="작업-내용">작업 내용</h2> <ul> <li><strong>데이터 준비:</strong> 지역 단위 패널데이터를 전처리하고, 처치 전후 구간을 구분해 모든 방법론이 공통으로 쓸 수 있는 형태로 정리했습니다.</li> <li><strong>DiD 방법론 구현·비교:</strong> 아래 방법들을 같은 데이터 위에서 구현해 결과를 비교했습니다. <ul> <li><strong>Basic DiD</strong> — 가장 기본적인 2×2 이중차분</li> <li><strong>회귀 기반 DiD</strong> — 회귀식으로 표현한 DiD</li> <li><strong>TWFE</strong> — 양방향 고정효과 모형</li> <li><strong>DRDiD</strong> — 이중 강건(Doubly Robust) DiD</li> <li><strong>Staggered DiD</strong> — 처치 시점이 집단마다 다른 경우를 보정</li> <li><strong>Event Study</strong> — 처치 전후 시점별 동적 효과 추정</li> <li><strong>DoubleML</strong> — 머신러닝으로 교란을 통제하는 이중 머신러닝</li> <li><strong>LightGBM 기반 ML DiD</strong> — 부스팅 모델을 결합한 DiD</li> </ul> </li> <li><strong>코드 리뷰·배포:</strong> DiD 파트 코드를 제작하고 팀원 코드를 리뷰한 뒤, Python 인과추론 코드집으로 정리해 GitHub에 공개 배포했습니다.</li> </ul> <hr> <h2 id="핵심-요약">핵심 요약</h2> <ul> <li><strong>Python으로의 확장:</strong> R 위주이던 인과추론 학습 자료를 Python으로 옮겨, Python 사용자의 진입 장벽을 낮췄습니다.</li> <li><strong>방법론 통합:</strong> Basic·TWFE·Staggered·DoubleML·ML DiD까지 8가지 방법을 한 저장소에 모아, 재현성과 학습 효율을 높였습니다.</li> <li><strong>주도적 기여:</strong> DiD 파트 코드 제작(85%)을 주도하고 팀원 코드를 리뷰해, 배포 가능한 오픈소스 코드집으로 완성했습니다.</li> </ul> <hr> <ul> <li> </li> <li> </li> <li> </li> </ul>