[인과추론팀] Casual하게 Causality 이해하기

⚽ Goal

<aside> ➡️ 1. Causal Inference (인과추론, 분석)에 대한 기본적인 개념 학습

문제 or ML 모델에 대한 원인 분석 능력 키우기
공부한 내용을 정리해, 인과추론에 대한 한국어 자료 만들어보기

</aside>

🪄 Greeting

😍 가짜연구소 소개

팀원 소개

출석 체크

📢 Notice

<aside> 📢 해당 스터디는 마무리 되었습니다. 3개월 동안 참여해주신 스터디원분들 모두 수고 많으셨습니다!

→ 가짜연구소 Causal Inference 팀 블로그 : https://pseudolabcausalinference.tistory.com/

→ 참여 링크 : 가짜연구소 Gather Town (스터디룸 C)

→ 자료 링크 : Introduction to Causal Inference

👉 해당 자료를 사용 시, 반드시 출처를 명시해주세요!

</aside>

🧲Reminder

[OT 시작전]
[1주차 - 03.12 공지사항]
[2주차 - 03.19 공지사항]
[3주차 - 03.26 공지사항]
[4주차 - 04.02 공지사항]
[5주차 - 04.09 공지사항]
[6주차 - 04.16 공지사항]
[7주차 - 04.23 공지사항]
[8주차 - 04.30 공지사항]
[9주차 - 05.07 공지사항]
[10주차 - 05.14 공지사항]
[11주차 - 05.21 공지사항]
[12주차 - 05.28 공지사항]
[13주차 - 06.04 공지사항]
[14주차 - 06.11 공지사항]

✅ Ground Rule

스터디 규칙
- 시간을 잘 지켜주세요~!
- 출석체크를 위해 실명으로 참여 부탁드려요.
- 온라인에서 여러분을 만나는 환경이므로 웹캠을 꼭 준비해 주세요~
- 스터디원을 존중해주세요 (사람일은 모릅니다 여러분...)
- 누적 결석 6회시 수료 불가 (OT, 리뷰 제외)
스터디 일정
- 3개월 진행 예정 (22.03.12 ~ 22.06.18)
- 주 1회, 주 2시간 ~ 2시간 30분 비대면 모임
- 시간 : 매주 토요일, 21:30 ~ 23:30
청강 여부
- 청강 가능

🎮 Activities

스터디 (시작전)
- 모두가 해당 주차의 강의를 듣고, 공부합니다.
  - 해당 챕터를 공부하면서 느낀점 or 질문 내용을 준비합니다
  - 해당 챕터를 공부하는데, 참고하거나 좋은 Material이 있다면, 계획표에 링크를 남겨주세요
스터디 (모임)
- 발표자는 해당 주차에 학습한 내용을 노션에 정리합니다.
  - 이해를 못해도, 완벽하지 않아도 됩니다! → 스터디를 통해, 어떻게 이해했는지가 더 중요해요!
- 발표자의 발표가 끝난 후에는,
  - 해당 주차에서 이해가 되지 않았던 부분을 질문 or 같이 알아두면 좋은 내용을 토의, 공유합니다.
  - 스터디원이 선정한 인과관계 사례에 대한 부분을 토론합니다.
스터디 (모임 이후)
- 발표자가 해당 주차의 나온 내용을 노션으로 정리합니다 (Q&A, 자료 링크 포함)
- 권장) 문제 상황 및 다음주 토의 내용에 대해 제안해보는 걸 추천드립니다.
- 권장) 인과관계 내용이 담긴 도서 읽어보는 걸 추천드려요 (저에게 하는 말이에요.....)
  - ex) 데이터 분석의 힘, The Book of Why 등등

📋 Study Plan

<aside> 💡 아래 플랜은 빌더가 작성한 초안이며, 주차별 진행계획은 러너(스터디원)분들과 협의에 의해 변경될 수 있습니다.

</aside>

계획표 및 Q&A

Causal Inference 학습에 도움이 되는 자료 & 링크

[ Causal Inference 자료 ]

Week	자료 설명 및 링크
OT	같이 학습하면 좋은 Lecture Material 정리!!!

박지용 교수님 세미나 : https://sites.google.com/view/causal-inference2021 (교수님 깃헙 : https://github.com/jiyong-park)
Microsoft Research Scientist Amit Sharma의 블로그 : http://www.amitsharma.in/
Uber Engineering 블로그 : https://eng.uber.com/
인과추론 톺아보기 한국어 자료 : https://assaeunji.github.io/bayesian/2020-04-10-causal/

사례 발표시 참고하기 좋은 블로그

https://matheusfacure.github.io/python-causality-handbook/10-Matching.html

Causality 주요 커뮤니티

(1) Facebook : Causal Inference KR : https://ko-kr.facebook.com/groups/causalinferencekr/
(2) Product Analytics PlayGroup : https://playinpap.github.io/
(3) Awesome Causality (인과추론 아카이브 블로그) : https://shubhanshu.com/awesome-causality/ | | | 1주차 - Chapter 1, 2 | 저자 깃허브 주소
(1) Blood Pressure와 Sodium 데이터 예시 : https://github.com/bradyneal (Causal Book Repo 참고) Potential Outcomes 참고 자료
(1) Standford Potential Outcomes Model 설명 : https://scholar.princeton.edu/sites/default/files/jmummolo/files/po_model_jm.pdf | | | 2주차 - Chapter 3 | Graphical Model 참고 텍스트북
(1) Probabilistic graphical models principles and techniques
: https://djsaunde.github.io/read/books/pdfs/probabilistic graphical models.pdf
(2) Bayesian Networks 강의 자료 : https://www.cs.cmu.edu/~aarti/Class/10701/slides/Lecture18.pdf
(3) Collider 관련 적용 NCSoft 적용 사례 : https://danbi-ncsoft.github.io/works/2021/05/13/class_get_causal_analysis.html?fbclid=IwAR3IGjkMmnIMv_zAuMF1o6Sh2tMLc-yLcVhiaBlC1S8AvhRq3oIkNoCXPoU | | | 3주차 - Chapter 4 | Causality Chapter 4 아카이브를 참고해주세요! | | | 4주차 - Chapter 5, 6 | Mediation Modeling
(1) Bayesian 관점에서 접근한 Python 예제 : https://github.com/drbenvincent/pymc3-demo-code/blob/master/mediation_analysis.ipynb | | | 5주차 - Chapter 7 | Propensity Score Matching
(1) 타이타닉과 PSM : https://towardsdatascience.com/propensity-score-matching-a0d373863eec
(2) PyData PSM 강의 및 사례 소개 : https://www.youtube.com/watch?v=gaUgW7NWai8
(3) 제가 본 강의 중, 설명이 대박인 고퀄 강의 : https://www.youtube.com/watch?v=oDjMR1nADNk&t=77s Double Machine Learning
(1) Double ML 간단한 소개 : https://towardsdatascience.com/double-machine-learning-for-causal-inference-78e0c6111f9d Meta Learner & Causal Forest
(1) 메타러너에 대한 방식 요약 : https://towardsdatascience.com/meta-learners-for-estimating-treatment-effect-in-causal-inference-4f7071503401
(2) Causal Forest와 CATE에 대한 강의 : https://www.youtube.com/watch?v=fNjToAQ9v3g

인과추론 관점에서 회귀분석 이해하기

박지용 교수님 설명 : https://www.youtube.com/watch?v=wyeRTd_r8vI | | | 7주차 - Chapter 8 | 본 강의와 이론적 연관도는 떨어지지만 실무에서 실제 발견 가능한 사례(Confounders)들에 관한 마이크로소프트 논문 Microsoft - Common Metric Interpretation Pitfalls in Online Controlled Experiments
(1) 관련 영상 자료 : https://youtu.be/nFfO9bOrp88
(2) 본 논문 : https://exp-platform.com/Documents/2017-08 KDDMetricInterpretationPitfalls.pdf
(3) 한국어 설명 자료 : https://medium.com/bondata/a-b-테스트-결과-해석에서-자주-발생하는-12가지-함정들-2fe273b76a2d

IT 기업에서의 A/B 테스트 활용

인과추론의 데이터 과학 (이윤석님) : https://youtu.be/Q5JzTpSv5jc
Google AI 프로시딩 : http://proceedings.mlr.press/v89/d-amour19a/d-amour19a.pdf (On Multi-Cause Causal Inference with Unobserved Confounding: Counterexamples, Impossibility, and Alternatives)

Sensitivity Analysis

Python 버전 : https://pysensemakr.readthedocs.io/en/latest/index.html
R 버전 : https://evalf21.classes.andrewheiss.com/example/confounding-sensitivity/
예제를 정리한 블로그 : https://towardsdatascience.com/omitted-variable-bias-and-what-can-we-do-about-it-344ac1477699 | | | 8주차 - Chapter 9 | Hausaman Test : https://www.youtube.com/watch?v=PVWuvDKN8Tg | | | 10주차 - Chapter 11 | Markov Equivalence Class 한국어 블로그 요약 자료 https://blog.naver.com/PostView.naver?isHttpsRedirect=true&blogId=sw4r&logNo=221004454219

Nonlinear: https://www.cs.helsinki.fi/u/ahyvarin/papers/Zhang16.pdf / Causal discovery: https://www.youtube.com/watch?v=h1eMKb4iCTk&list=PLKKkeayRo4PWyV8Gr-RcbWcis26ltIyMN&index=42 | | | | | |

[ Causal Inference 라이브러리 및 튜토리얼 정리 ] → 나중에 팀 블로그에 정리 예정

라이브러리	라이브러리 설명 및 링크
Python - causality	Python에서 간단하게 설치 후 활용할 수 있는 Causality 라이브러리 (Observational Datasets 기반)

Github 링크 : https://github.com/akelleh/causality (pip install causality) | | Microsoft - DoWhy | Microsoft에서 만든 Causal Inference End-to-End 라이브러리 (4단계 스텝으로 구성됨)
Github 링크 : https://microsoft.github.io/dowhy/ (pip install dowhy)
Dowhy 설명 : https://arxiv.org/pdf/2011.04216.pdf | | Microsoft - EconML | Microsoft에서 만든 Python ML & 데이터분석 패키지 기반으로 만들어진 Heterogeneous treatment effects 추정 라이브러리
Github 링크 : https://github.com/microsoft/EconML(pip install econml) | | Uber - CausalML | Uber에서 만든 Python Uplift Modeling & ML과 함께 사용할 수 있는 Causal Inference 라이브러리
Github 링크 : https://github.com/uber/causalml (pip install causalml) | | Google - CausalImpact | Google에서 베이지안 Time Series 모델을 사용한 R 기반 Causal Inference 라이브러리
Github 링크 : https://github.com/google/CausalImpact (install.packages("CausalImpact")) | | Google - Bayesian MMM | Google에서 적용한 Media Mix Model 논문을 Python으로 구현한 튜토리얼 자료 (라이브러리 X)
Github 링크 : https://github.com/sibylhe/mmm_stan
관련 논문 : https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/46001.pdf | | R - Dagitty | R에서 DAG 시각화 및 모델링 관련 라이브러리
Github 링크 : https://github.com/jtextor/dagitty
Dagitty를 이용한 시각화(causal inference in statistics : a primer 책 연습문제) : http://www.dagitty.net/primer/#study-question-1.5.1 | | R, Python - causaldata | R, python에서 Causal inference 책(링크 참고)에 있는 데이터를 불러오는 라이브러리
Github : https://github.com/NickCH-K/causaldata | | R - bnlearn | R DAG 베이지안 네트워크 모델링 관련 라이브러리
Github 링크 : https://github.com/erdogant/bnlearn
관련 논문 및 코드 : https://osf.io/vufj4/ | | R - sensemakr / tipr | R sensitivity analysis 관련 라이브러리
sensemakr tutorial : https://cran.r-project.org/web/packages/sensemakr/vignettes/sensemakr.html
관련 논문 : https://carloscinelli.com/files/Cinelli and Hazlett (2020) - Making Sense of Sensitivity.pdf
tipr Github 링크 : https://github.com/cran/tipr | | Python - sensemakr | Python Sensitivity Analysis 관련 라이브러리
라이브러리 설명 링크 : https://pysensemakr.readthedocs.io/en/latest/index.html | | R - Matchlt | R Propensity Score Matching 관련 라이브러리
라이브러리 Tutorial 링크 : https://sejdemyr.github.io/r-tutorials/statistics/tutorial8.html (install.packages("Matchlt")) |

📚 Archives

Causal Inference 아카이빙