0. Overview

기존의 ATE는 "전체" 모집단에 대한 처치 효과 관련 정보만 제공해준다.
- 개인 별, 상황 별 처치 효과가 어떻게 다른지에 대한 관심이 증가하면서, ATE보다 더 많은 정보를 주고 싶은 desire이 발생했다.

${\rightarrow}$ 개인마다 처치에 다르게 반응하는 "이질적 효과"를 고려해 조건부 처치 평균 효과(Conditional average treatment effect ; CATE) 및 이질적 처치 효과(Heterogeneous treatment effect ; HTE)를 추정해보자!

1. CATE 및 HTE의 정의

2. 메타 러너(Meta-learner)

메타 러너는 기존의 예측 ML Algorithm(i.e Base-learner)를 활용해, 처치 효과를 추정하는 방법이다.
- Uplifting model이라 지칭하기도 한다.
Meta-learner의 종류
- S-learner
- T-learner
- X-learner
- R-learner

TMI) 메타몽이 여러 형태로 변할 수 있듯이, CATE를 추정하기 위해 사용하는 base-learner들이 여러 형태를 띌 수 있어 "메타 러너"라는 이름을 가지게 되었다고 합니다.

2-1. S-learner

2-2. T-learner

2-3. X-learner

2-4. R-learner

3. Metrics for Heterogeneous effect estimation

CATE 혹은 HTE를 추정했을 시, Meta-learner들의 성능을 평가할 수 있는 대표적인 지표로 Uplift curve(누적 이득 곡선)가 있다.
- Uplift curve 아래 면적(i.e Uplift coefficient)이 넓을수록 추정이 잘 되었다고 판단한다.

4. Applications

4-1. Using uplift modeling for consumer personalization and targeting

HTE model 구축을 통해, 진행할 promotion에 더 긍정적으로 반응할 subset을 찾음.
Promotion 비용 / 추구하는 효과 등의 limit등을 설정하면, promotion cost를 절약할 수 있을 것이다.
- 위 예시에서는, 5%의 audience reach를 목표로 설정하여 promotion cost를 33% 절감 시킬 수 있었다고 한다.

4-2. Social Pressure and voter turnout

5. Special case - Multiple treatment groups

5-1. Meta-learners for multiple treatment groups

5-2. Meta-learners for multiple treatment groups with different costs

그 동안의 uplifting model은 각 treatment 별 드는 비용이 동일하다고 가정함
하지만, 두 가지 treatment cost structure를 고려할 수 있다.
- Impression cost(고정 비용) : 모든 treated unit에 들어가는 비용(ex. Paid channels)
- Triggered cost(변동 비용) : Triggered cost for each converted user(ex. 구매 금액 별 할인률)
Net value(순 가치)
- (Target metric - Treatment cost)로 정의 된다.
- cost를 고려할 때는 순 가치(net value)를 최적화 하는데 집중한다.
Notation 정의

CausalInferenceLab / causal-inference-practice

Week8_이질적 처치 효과와 메타 러너 #6