BART 기반 기계학습 인과효과 추정 사례 연구

A case study of estimating a causal effect using machine learning with Bayesian Additive Regression Trees

본 연구는 일반 교육학자들에게 기계학습을 활용한 인과추정 방법을 소개하고 실제 교육데이터에 활용할 수 있는 실질적인 정보를 제공하는 데 주요 목적이 있다. 특히 베이지안 가법 회귀 나무 알고리즘(BART)에 기반한 인과효과 추정에 대한 이론과 실제에 초점을 두었다. 실증자료 분석의 예시를 위해 한국아동청소년패널조사 2018 공개 자료를 활용하였으며, 자기(인성)계발 관련 활동 참여가 학생의 삶의 만족도와 자아존중감에 미치는 영향에 대한 인과효과 추정을 위해 BART 인과효과 추정을 적용해 봄으로써 그 활용가능성을 탐색하였다. 끝으로 전통적인 경향점수 및 인과효과 추정 방법과 비교하여BART 기반 기계학습 인과추론에 대한 교육학 분야에서의 응용 가능성을 논의하였으며, 향후 연구 분야 및 연구 제한점을 제시하였다.

The study aims to introduce a causal inference method using machine learning to general education researchers, and in particular, focus on the theory and practice of Bayesian Additive Regression Trees algorithm. To analyze the empirical data, public data from the Korean Children and Youth Panel Survey 2018 were used. For an illustrative purpose, this study estimated the causal effect of participation in activities related to self (personality) development on students’ life satisfaction and self-esteem and discussed the feasibility of the BART method in educational impact studies. The applicability of the BART-based machine learning causal inference technique in the field of education was discussed in comparison with model-based propensity score and causal effect estimation. Finally future research topics and limitations of the study were addressed.