AI 도입 효과 인과추론 (고급 PYTHON)

개요

AI 기술 도입이 기업 생산성에 미치는 인과 효과(ATE)를 Python의 DoWhy 라이브러리로 추정한다. 교란 변수를 통제하고 성향점수매칭(Propensity Score Matching)으로 인과 효과를 식별한다.

분석 절차

1단계: 인과 모형 정의

처치(AI 도입), 결과(생산성), 교란 변수(기업 규모, 산업, 기존 기술 투자, 직원 기술 수준), 도구 변수(AI 보조금 수여)를 정의한다.

2단계: 인과 효과 식별

backdoor criterion으로 교란 경로를 차단하여 인과 효과를 식별한다.

3단계: 인과 효과 추정

성향점수매칭으로 도입 기업과 비도입 기업을 매칭하여 ATE(Average Treatment Effect)를 추정한다.

4단계: 반박 검정

무작위 교란 변수 추가, 위 타당성 검정 등으로 추정 결과의 강건성을 검증한다.

코드 예제

import dowhy
from dowhy import CausalModel
import pandas as pd

# 데이터 로드
df = pd.read_csv('ai_adoption_data.csv')

# 인과 모형 정의
model = CausalModel(
    data=df,
    treatment='ai_adopted',
    outcome='productivity_score',
    common_causes=['firm_size', 'industry', 'prior_tech_investment', 'employee_skill'],
    instruments=['ai_subsidy_received']
)

# 인과 효과 식별
identified_estimand = model.identify_effect()

# 인과 효과 추정 (이중 강건 추정)
estimate = model.estimate_effect(
    identified_estimand,
    method_name="backdoor.propensity_score_matching"
)
print(f"ATE: {estimate.value}")

# 반박 검정
refute_results = model.refute_estimate(
    identified_estimand, estimate,
    method_name="random_common_cause"
)

참고문헌

Pearl, J., & Mackenzie, D. (2018). The Book of Why. Basic Books. Imbens, G. W., & Rubin, D. B. (2015). Causal Inference for Statistics, Social, and Biomedical Sciences. Cambridge University Press.

심화 내용

고급 분석에서는 다음을 추가로 고려해야 합니다:

• 부트스트래핑(Bootstrapping)을 통한 강건성 검증
• 교차 검증(Cross-validation)으로 모형 일반화 성능 평가
• 민감도 분석(Sensitivity Analysis)으로 가정 위반 시 영향 평가