정보시스템(IS) 연구자들은 관찰 패널 데이터에서 인과 효과를 추정하기 위해 차분의 차분(DiD) 및 도구 변수(IV) 같은 준실험(quasi-experimental) 방법을 점점 더 많이 사용한다. 이러한 설계를 정당화하는 검정력(power) 계산은 i.i.d. 오류를 가정하지만, 더 근본적인 문제는 클러스터-강건(robust) 계산기조차 포착하지 못하는 것이다. 우리는 9837개 매개변수 조건(약 980만 개 데이터셋)에 걸친 Monte Carlo 연구를 보고하고, 계획 대비 달성 검정력 격차를 분해한다. 시계열 상관(serial-correlation) 성분은 rho가 알려져 있을 때 AR(1)을 고려한 계산기로 복원 가능하며, rho를 짧은 사전 기간에서 추정해야 할 때는 부분적으로 가능하지만, 패널 이탈(attrition), 시차 도입(staggered-adoption) 바이어스, 평행 추세(parallel-trends) 사전검정은 어떤 폐형식 공식으로도 포착되지 않는다; 외생적 이탈만으로도 IS 연구에서 흔히 쓰는 수백~수천 규모 표본에서 약 8~11 퍼센트포인트를 잃는다. 처치와 상관되고 결과에 의존하는 이탈은 검정력 손실뿐 아니라 바이어스를 유발한다. IV의 경우 1단계 F를 고정하면 더 큰 N은 검정력을 높이지도 배제 제약(exclusion restriction) 바이어스를 줄이지도 않지만, 고정된 도구 변수에 더 많은 데이터는 1단계를 더 날카롭게 하므로, 식별은 표본 크기가 아니라 도구 변수 강도에 달려 있다.
본 연구는 LLM을 사용해 서면 텍스트에서 도출된 다변량 행동 측정치가 결과 변수이고 네트워크 형성이 내생적인 경우 동료 효과를 추정하는 새로운 프레임워크를 제시한다. 저보안 교정시설 거주자들 간 20만 건 이상의 서면 교환에 대해 LLM 임베딩과 제로샷(zero-shot) 분류를 구축한다. LASSO와 LoRA 미세조정을 사용할 때 LLM 임베딩은 입소 전 공변량만 사용하는 경우 대비 표본 외 재범 예측을 최대 30%까지 개선하며, 텍스트 표현이 의미 있는 신호를 포착함을 보여준다. 동료 효과 추정을 위해 다변량 결과, 희소 네트워크, 다차원 잠재 동질성(homophily)을 수용하는 새로운 도구변수 추정량을 개발한다. 이 추정량은 동료 효과 문헌에서 널리 쓰이는 밀집 네트워크 가정을 완화하는 희소성 조건 하에서 $\sqrt{N}$-일치성 및 점근적 정규성을 갖음을 보인다. 이어 제한된 인간 주석을 LLM 제로샷 벡터와 결합한 새로운 예측 기반 동료 추론(PPPI, prediction-powered peer inference) 접근법으로 편향이 제거된 추정치와 유효한 추론을 얻는다. 결과는 행동 프로파일에서 유의한 동료 효과를 드러낸다.
$X$의 결합 밀도 $p(x)$를 두고, $ψ(x)=\nabla_x\log p(x)$를 그 점수 필드(score field)라 하자. $p$와 $ψ$만으로 구성된 기하학은 인과 방향을 식별할 수 없다. 동일한 관측 분포를 갖는 구조 모델은 동일한 점수 기하학을 갖기 때문이다. 본 연구에서는 이에 대한 개입적 대응 개념을 제안한다. 하드 개입 $\operatorname{do}(X_k=ξ)$는 결합 법칙(joint law)을 단순히 재가중하는 것이 아니라, 분포를 부분 다양체 ${x_k=ξ}$로 제한한다. 따라서 그 점수는 남은 $d-1$개의 자유 좌표 위에서 정의되어야 한다. 인과 영향 $X_k\rightsquigarrow X_j$를 $ξ$에 따른 $X_j$의 개입 주변 분포(interventional marginal distribution)의 변화로 정의하고, 주변 개입 점수(marginal interventional score)의 해당 도함수가 영향에 대한 국소적 충분 조건을 제공함을 보인다. 관측 점수(observational score)를 허용 가능한 개입 방향으로 투영하는 것만으로는 일반적으로 인과 반응(causal response)을 복원할 수 없다. 두 모델이 동일한 관측 점수와 허용 집합을 공유하면서도 다르게 반응할 수 있기 때문이다. 따라서 구조적 정보에 의해 제공되는 개입 반응 필드(interventional response field)를 도입한다. 인과 측도(causal metric)는 공통 목표를 갖는 개입군(family of interventions) 위의 Fisher 정보 측도(Fisher information metric)로 정의하여, 목표 간의 부적정(ill-posed) 비교를 피한다. 이 프레임워크는 무작위 시험(randomized trials), 도구 변수(instrumental variables), 조건부 독립 설계(conditional-independence designs)에 대한 기하학적 사전(geometric dictionary)을 제공하며, 각 설계가 무엇을 식별하고 무엇을 식별하지 못하는지를 명확히 한다. 이변량 Gaussian 예시에서는 동일한 관측 점수를 갖지만 서로 다른 개입 점수 도함수를 갖는 두 모델을 제시한다. 이 프레임워크는 설계, 개입, 점수 필드 간의 관계를 체계화하지만, 기저 가정을 넘어서는 식별(identification)을 추가하지는 않는다. Pearl의 인과의 사다리(Ladder of Causation)에서 관측 점수 기하학은 연관(association)에 속하고, 개입으로 색인된 점수 필드는 개입(intervention)에 속하며, 단위 수준 반사실(counterfactual) 기하학은 향후 연구로 남겨둔다.
도구 변수(IV) 접근법은 측정되지 않은 교란 요인이 존재할 때 인과 효과를 추론하는 데 일반적으로 사용됩니다. 기존 방법들은 일반적으로 평균 인과 효과를 추정하는 것을 목표로 하며, 소수의 다른 방법들은 분위수 처치 효과에 초점을 맞춥니다. 이 연구의 목표는 전체 개입 분포를 추정하는 것입니다. 우리는 비선형 도구 변수 설정에서 생성 모델링을 사용하는 분포적 도구 변수(DIV)라는 방법을 제안합니다. 우리는 일반적인 가정 하에서 개입 분포의 식별 가능성을 확립하고, DIV가 인과 효과를 식별할 수 있지만 2단계 최소제곱법(2SLS)은 실패하는 '과소 식별(under-identified)' 사례를 입증합니다. 실험 결과는 DIV 방법이 다양한 시뮬레이션 데이터에 대해 잘 수행함을 보여주며, 평균 또는 분위수 처치 효과의 식별 가능성 및 추정 오차 측면에서 기존 IV 접근법에 비해 장점을 나타냅니다. 또한, 우리는 제도적 품질과 경제 발전 사이의 인과 관계를 조사하기 위해 경제 데이터셋에 DIV를 적용했으며, 우리의 결과는 원래 연구와 잘 일치합니다. 우리는 또한 단일 세포 데이터셋에 DIV를 적용하여, 보이지 않는 개입 하에서 유전자 발현을 예측할 때의 일반화 가능성과 안정성을 연구합니다. DIV의 소프트웨어 구현은 R과 Python으로 제공됩니다.