이 논문에서는 개인의 성과가 자신의 처치뿐 아니라 네트워크상의 다른 개체들의 처치에도 영향을 받는 간섭 효과가 존재하는 상황에서 회귀 불연속 설계(RDD)를 사용하여 인과 효과를 식별하고 추정하는 방법을 제시합니다.
본 논문에서는 연속 시간에서 시간에 따른 교란 요인을 적절히 조정하여 잠재적 결과를 예측하는 새로운 신경망 방법인 SCIP-Net을 제안합니다.
단순히 개인별 치료 효과를 추정하는 것만으로는 최적의 치료법을 선택하기에 충분하지 않으며, 불확실성 측정 및 예측 조건을 통합해야 더 효과적인 의사 결정 지원이 가능하다.
이 논문에서는 연속 치료법을 사용한 인과 매개 분석을 위한 커널 기반의 다중 로버스트 추정기를 제안하고, 제안된 추정기의 일치성, 점근적 정규성 및 다중 로버스트 특성을 증명합니다.
본 논문에서는 복잡하고 알려지지 않은 네트워크 간섭을 고려하여 인과 효과를 모델링하고 분석하기 위한 새로운 프레임워크인 인과 메시지 전달(Causal-MP)을 제안합니다. 이 프레임워크는 고차원 근사 메시지 전달 방법론을 기반으로 하며, 특히 다수의 단위와 네트워크 간섭이 널리 퍼져 있는 다중 기간 실험에 효과적입니다.
결측값이 있는 데이터에서 인과 효과를 추정할 때, 특히 결측값이 결과와 관련된 요인에 의해 발생하는 MNAR 상황에서는 기존의 방법론(완전 사례 분석, 다중 대체)이 편향된 결과를 초래할 수 있으며, 이를 해결하기 위해 데이터 생성 과정에 대한 가정 없이도 적용 가능한, 인과 효과의 샤프 바운드를 계산하는 방법론을 제시합니다.
관찰 데이터에서 인과 관계를 추론할 때, 완벽한 플라시보 처치 및 결과를 가정하는 기존 방법론의 한계를 지적하고, 불완전한 플라시보 처치 및 결과를 활용하여 인과 효과를 부분적으로 식별하는 새로운 접근 방식을 제시한다.
소프트웨어 품질 보증(SQA) 분야에서 인과 추론(CR)의 활용이 증가하고 있으며, 특히 결함 지역화 및 테스트 분야에서 두드러지게 나타나고 있지만, 요구사항 분석 및 설계 단계에서는 아직 충분히 활용되지 못하고 있다.
본 논문에서는 고차원적이고 복잡한 도구 변수를 활용하여 치료 효과에 대한 타당하고 유익한 상한 및 하한을 추정하는 새로운 인과 추론 방법을 제시합니다.
본 논문에서는 동적 시스템에서 시간에 따른 개입의 인과적 효과를 추정하기 위해 SCM(구조적 인과 모델)과 VAR(벡터 자기회귀 모델)을 결합한 실용적인 프레임워크를 제안합니다.