arXiv:2606.07093v1 cs.LG

개발도상국 여성 고용 참여가 출산율에 미치는 영향 규명: 패널 데이터 접근법

The discovery of the effects of women employment participation on the fertility of developing countries: A panel data approach

Thi Kim Ngan Nguyen

제출 2026-06-05

한국어 초록

개발도상국의 출산율 추세는 지난 수십 년간 크게 하락했으며, 동시에 직장에서 여성의 역할은 개선되었다. 개발도상국의 노동시장 여성 참여율이 총출산율에 미치는 인과 관계를 더 잘 이해하기 위해, 본 논문은 1991-2018년 기간 115개 개발도상국 데이터셋을 네 대륙 그룹(아프리카, 북/남미, 아시아/태평양, 유럽)으로 나눈 뒤, 누락된 바이어스를 완화하기 위해 데이터 기반 패널 데이터 계량경제학 절차를 적용한다. 결과에 따르면 북·남미 대륙 여성의 출산 행동은 직업 선택의 영향을 받는 한편, 다른 지역 사회에서는 자녀를 둘 것인지 고민할 때 다른 요인이 더 중요할 수 있다. 결론적으로 정책 입안자들은 본 논문을 참고하여 출산 결정에 더 많은 인센티브를 제공하는 정책을 수립할 수 있으며, 해당 분야의 후속 연구에서는 개발도상국의 가족 정책과 부계 거주(patrilocality)를 중요한 데이터로 고려해야 한다.

원문 초록

The fertility trend in developing countries has experienced a significant decline in the last few decades; at the same time, the role of women in the workplace has improved. To have a better insight of the causality of the rate of women participation in the labor market on the total fertility rate in developing world, this paper divides the dataset of 115 developing countries in the period of 1991-2018 into four continents group (Africa, North/South America, Asia/Pacific, Europe) and then applies a data-driven panel data econometric procedure to mitigate omitted bias. The results suggest that the fertility behaviors of women in the North/South America continents are influenced by their career choice; meanwhile in society of other regions, other factors might be more important to women when thinking of having children. In conclusion, policymakers can reference to the paper and formulate policies to have more incentives in making reproductive decisions and further research in the field needs to consider family policies and patrilocality of developing countries as important data.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.07093v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14940v2cs.LG공통 태그 Causal Inference, Time Series Analysis, panel data

간섭과 잠재 교란 하에서 순차 설정에 대한 인과 추론

Causal Inference for Sequential Settings under Interference and Latent Confounding

본 연구는 순차적·관측적 설정에서 결과 간섭(outcome interference) 하의 인과 추론을 다룬다. 구체적으로, N개 단위에 대한 이진 결과가 T개 시간 단계에 걸쳐 Markovian인 설정을 고려한다. 각 시간 단계에서 N개 단위의 결과는 Ising 모델을 통해 포착되는 의존성을 갖으며, 각 결과는 또한 해당 처치(treatment)의 효과와 잠재 교란 요인(latent confounders)의 영향을 반영하는 외부장(external field)의 영향을 받는다. 패널 데이터(panel data) 문헌과 유사하게, 이러한 잠재 교란 요인은 저계수(low-rank) 요인 구조를 갖도록 모델링된다. 우리의 데이터는 이러한 고차원 분포로부터의 단일 샘플이다. 관심 있는 인과량을 추정하기 위해, 모델 매개변수를 학습하기 위한 최대 유사-가능도 추정(Maximum Pseudo-Likelihood Estimation, MPLE)에 기반한 계산 효율적인 방법을 제시한다. 완화된 가정 하에서, 매개변수 추정에 대한 비점근(non-asymptotic) 일관성을 확립하고, 이것이 학습된 모델로부터 샘플링한 후 관심 있는 인과량의 충실한 추정으로 이어짐을 보인다. 합성 실험과 함께, 미국 전역 카운티(county) 내 백신 접종률이 COVID-19 사망률에 미치는 인과 효과를 조사하는 실세계 사례 연구를 통해 방법의 효과를 입증한다.

arXiv:2610.13430v1eess.SP공통 태그 Causal Inference, Time Series Analysis

하나가 다른 하나로 이어진다: 시계열 인과 발견의 핵심 요소

One Thing Leads to Another: The Essentials of Time Series Causal Discovery

시계열 인과 발견(time series causal discovery) --- 시계열들 간의 인과관계를 탐지하는 과정 --- 은 반세기도 더 전의 신호 처리(signal processing) 연구에 그 뿌리를 두고 있다. 이후 이 분야는 활발하고 폭넓은 관심을 받아왔으며, 통계학, 동역학계(dynamical systems), 머신러닝 등 여러 분야에서 서로 다른 형태로 발전해왔다. 이처럼 파편화되어 끊임없이 변화하는 연구 지형에 처음 발을 들이는 것은 부담스러울 수 있다. 본 튜토리얼은 여러 연구 공동체에 걸친 시계열 인과 발견에 대한 통합적인 개요를 제공한다. 우리는 현대의 발견 방법들이 기반으로 삼는 핵심 원리들을 소개하고, 그 한계와 가정들을 논의한다. 또한 발견 방법들이 어떻게 평가, 벤치마크, 파인튜닝(fine-tuning)되는지도 논의한다. 더 나아가 시계열에 대한 인과 발견이 농업 및 지구과학, 헬스케어, 그리고 인공지능 시스템에서의 다운스트림 작업(downstream task)에 어떻게 점점 더 중요해지고 있는지를 논의한다. 우리는 본 튜토리얼이 최근 쏟아지는 인과성(causality) 연구들을 탐색하는 데 유용한 자료가 될 뿐만 아니라, 신호 처리 분야의 독자들이 인과 문제에 기여하도록 초대하는 역할을 할 것이라고 믿는다. 독자들에게 추가적인 도움을 주기 위해, 우리는 유용한 코드 패키지와 자료들을 연결해주는 동반 저장소(companion repository)를 https://github.com/CHAI-UK/Awesome-Time-Series-Causal-Discovery 에서 운영하고 있다.

arXiv:2609.25924v1stat.ML공통 태그 Causal Inference, Time Series Analysis

조건부 텐서 확산: 분포적 반사실 학습 및 추론

Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference

인과 추론은 운영 및 관리 의사결정을 이끌지만, 고차원 패널 또는 텐서 설정에서는 여전히 어렵고, 이때 의사결정은 누락된 통제(control) 결과의 결합 조건부 분포에 의존할 수 있다. 본 연구는 처리(treatment) 마스크와 잠재 Tucker 구조를 조건부 확산에 통합하여, 관측된 통제 결과가 주어졌을 때 저차원 코어에서의 효율적인 비선형 score 학습을 통해 이 분포를 복구하는 Counterfactual Tucker Diffusion(CFTDiff)를 제안한다. 마스킹된 Tucker score는 텐서 모드 간 의존성을 유지하면서, 비선형 score 학습의 차원을 모드 차원의 곱에서 Tucker rank의 곱이라는 훨씬 작은 규모로 줄인다. Tucker rank, 최대 모드 차원, 요인 강도(factor-strength)로 조정된 누락 결과 수에 의존하는 조건부 score 추정의 고확률(high-probability) 오차 상계를 확립하고, 이 상계가 누락된 통제 결과의 조건부 분포 복구 보장으로 어떻게 이어지는지 보인다. 다양한 누락률에서의 시뮬레이션은 일반적인 인과 패널 및 행렬/텐서 completion 방법보다 더 정확한 점(point) 복구를 보여 주며, 중첩 확산 명세와의 비교는 마스킹 조건화와 Tucker 차원 축소의 이득을 추가로 뒷받침한다. 노르웨이 iFlex 실험에서 CFTDiff는 경쟁 방법보다 누락 결과를 더 정확하게 복구한다. 인과 분석에 적용하면 추정된 조건부 분포로부터 반사실(counterfactual) 예측 구간과 목표 달성 확률을 얻을 수 있어, 가격 개입을 수요 감소 규모와 신뢰성(reliability) 측면에서 평가할 수 있다.

arXiv:2607.22640v1cs.CY공통 태그 Causal Inference, Time Series Analysis

All of Us Research Program에서 주관적 인지 어려움의 환경·심리사회적 결정요인에 대한 AI 보조 인과 추론 및 매개 분석

AI-Assisted Causal Inference and Mediation Analyses of Environmental and Psychosocial Determinants of Subjective Cognitive Difficulties in the All of Us Research Program

단기 환경 노출은 인지 및 행동 결과와 연관된 것으로 보고되었지만, 많은 보고된 연관성은 더 넓은 지리적·맥락적 차이를 반영할 수 있다. All of Us Research Program(2018--2024)의 종단 데이터를 사용하여, 일별 기상 및 대기오염 노출을 반복 측정된 주의력 관련 및 주관적 인지 결과와 연결했다. 연관성은 pooled, 고정효과(fixed-effects), 시차(lagged), 이벤트 연구(event-study) 분석을 사용하여 평가했다. 잠재적 이질성과 잠재 심리사회적 구조를 탐색하기 위해 추가적인 머신러닝 분석을 수행했다. 2024 Behavioral Risk Factor Surveillance System(BRFSS)을 사용하여 재현 분석을 수행했다. 여러 환경 노출 지표는 pooled 분석에서 인지 결과와 작은 연관성을 보였지만, 대부분은 위치 내 시간적 변이를 통제한 후 상당히 약화되었다. 매개, 민감도, 머신러닝 분석은 유사한 결론을 도출했다. 반면, 정신건강 부담, 외로움, 사회적 기능은 주관적 인지 어려움과 일관되게 연관되어 있었으며 환경 노출보다 실질적으로 더 큰 효과 크기를 보였다. BRFSS에서도 유사한 패턴이 관찰되었다. 탐색적 AI 보조 분석은 1차 종단 분석과 대체로 일치하는 결과를 도출했다. 이 결과는 위치 내 변이를 통제한 후 단기 환경 교란은 인지 결과와 제한적인 연관성을 가질 수 있음을 시사하는 반면, 심리사회적 요인은 주관적 인지 부담과 더 일관되게 연관되는 것으로 보인다.

arXiv:2607.21833v1stat.ME공통 태그 Causal Inference, Time Series Analysis

향상된 인과 전방향 네트워크 재구성(RECON)

Reconstruction of Enhanced Causal Omnidirectional Network (RECON)

동역학 시스템을 학습하고 $p$개의 이산적으로 관측된 상태 궤적로부터 기저 조절 네트워크를 재구성하는 것은 여전히 어려운 문제이다. 기존 접근법은 종종 많은 수의 허위 엣지를 생성하고 여러 방법론적 한계를 겪었다. 우리는 적분 기반 가법적 비모수 ODE 모델을 활용하여 $p$개의 시계열 데이터로부터 조절 네트워크를 재구성하는 새로운 접근법인 향상된 인과 전방향 네트워크 재구성(RECON)을 제안한다. RECON은 다섯 가지 방법론적 발전을 포함한다. 첫째, 진짜 조절 엣지는 보존하면서 허위 엣지를 실질적으로 줄이는 새로운 데이터 기반 엣지 선택 절차를 포함한다. 둘째, 단순한 통계적 연관이나 노이즈 아티팩트가 아니라 인과적 조절 관계를 포착하는 전방향 네트워크를 재구성한다. 셋째, 조밀한 규칙적 및 희소한 불규칙적 종단 샘플링 시나리오를 모두 수용함으로써 표준 ODE 기반 접근법의 적용 범위를 실질적으로 넓힌다. 넷째, 노드 궤적과 엣지 조절 효과 모두를 시변 함수로 모델링하여 동적 조절 네트워크를 강조한다. 다섯째, 부호 및 가중치가 있는 조절 네트워크를 재구성하고, 양방향 방향, 활성화/억제 지표, 강도와 함께 키스톤 노드 식별 및 위상 구조를 통해 포괄적인 네트워크 해석을 제공한다. 다섯 가지 시뮬레이션 연구에서 RECON은 거의 모든 허위 엣지를 제거하면서 거의 모든 진짜 조절 엣지를 유지하여 매우 정확한 네트워크 재구성을 달성함으로써 GRADE를 일관되게 능가한다. 가장 어려운 시나리오에서 허위 엣지의 수는 239개에서 0개로 줄어든다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.