본 글은 Korea Summer Workshop on Causal Inference 2023의 내용을 주관적으로 정리한 글입니다. 추가적인 설명이 필요한 분들을 위해 원래 영상 링크를 같이 첨부합니다.

Week 4. Research Design for Causal Inference

4-1. Various Approaches to Causal Inference

잠재적 결과 프레임워크 관점에서 인과추론은 selection bias를 없애 treatment group과 control group이 비교 가능하도록 하는 것.
하지만 주어진 또는 관측가능한 요인(; observable confounders) 만으로 selection bias를 설명하기에는 한계가 있음.
- selection bias는 unobservable 요소에 의해서도 발생할 수 있음.
- 이를 이해하기 위해서는 데이터가 어떻게 수집되었는지, 어떻게 생성되었는지에 대한 프로세스(= data generation process, selection process)에 대한 이해가 필요함.
- 예시. ‘보조금 승인에 대한 인과분석’의 Data Generation Process
  - ‘No application’에 대한 data는 unobservable 함.
```
  graph TD
A[Individual] -->|No Application| B[Control Group without Grant]
A -->|Application| C[Applicant]
C -->|Rejected| B
C -->|Accepted| D[Treatment Group with Grant]
```
데이터 생성 프로세스를 설명하기 위한 관점
- Selection on Observables
  - selection process에 관여하는 모든 요인이 observable하다는 관점.
  - (예시) regression, matching, graphical causal model 등.
- Selection on Unobservables
  - selection process의 일부 요인은 unobservable하다는 관점 → 이를 제거해 인과 효과를 추론.
  - (예시) RCT, design-based approach(; quasi experiment - 준실험 디자인 기반), selection bais correction method(; statistical modeling) 등.

RCT
- 대수의 법칙 기반, 무작위 배정을 통해 selection bias를 제거함.
(Natural) quasi-experiment
- 자연 발생한 요인으로 인해 treatment group과 control group이 무작위 배정처럼 구분됨.

Firm	Output without certification (Yi(0))	Output with certification (Yi(1))	Treatment effect (E[Yi(1) - Yi(0)])
Both actual and potential outcomes are known
Firm A (noncertified)	400	500	100
Firm B (certified)	700	800	100
Only actual outcomes are known
Firm A (noncertified)	400	—	?
Firm B (certified)	—	800	?

Selection on observables
- 회사의 ISO 인증과 관련된 8가지 기준 → 각 회사의 8가지 기준에 대한 데이터 (모두) 존재.
- 8가지 변수 기반 Propensity Score 산출.
- 특정 점수(; 예제에서는 50점) 기준으로 Matched group 1 & 2 구분.
- 각 서브 그룹 별 treatment effect에 대한 PSM 추정량 계산.
Selection on unobservables
- Difference in Difference.
- Regression Discontinuity.