스트레스 테스트를 위한 머신러닝: 인과 패널 예측에서의 불확실성 분해

Machine Learning for Stress Testing: Uncertainty Decomposition in Causal Panel Prediction

규제 기관의 스트레스 테스트는 가상 거시 경제 시나리오 하에서 예상되는 신용 손실을 예측하는 것을 요구하며, 이는 근본적으로 인과 관계에 대한 질문이지만, 일반적으로 예측 문제로 취급됩니다. 본 논문에서는 패널 데이터 분석에서 데이터로부터 학습할 수 있는 부분과 혼란 변수에 대한 가정으로 인해 발생하는 부분을 명확하게 분리하는 정책 경로에 대한 반사실 추론 프레임워크를 제안합니다. 제안하는 접근 방식은 다음과 같은 네 가지 구성 요소로 이루어집니다. (i) 반복 회귀를 통해 경로 조건부 평균을 관찰적으로 식별하여, 제어 그룹 없이도 연속적인 거시 경로 간의 비교를 가능하게 합니다. (ii) 경계된 혼란 변수 하에서 인과 집합을 식별하여, 해석 가능한 기준값을 제공하며, 단일 숫자를 통해 강건성을 나타내는 명확하게 정의된 집합을 얻습니다. (iii) 재귀적 롤아웃 오류가 수평에 의존하는 증폭 계수에 의해 결정된다는 점을 보여주는 오라클 부등식을 제시하여, 스트레스 상황에서 얼마나 멀리까지 신뢰성 있게 예측할 수 있는지에 대한 구체적인 답변을 제공합니다. (iv) 중요도 가중 컨포멀 교정 대역을 사용하여, 외삽 비용을 정량화하고, 신뢰도 보장이 저하될 경우 회피를 유도하는 진단 기능을 제공합니다. 최종 결과는 추정 오류와 혼란 오류를 명확하게 분리하는 세 가지 계층의 불확실성 분해를 제공합니다. 모든 결과는 실제 실업 데이터와 함께 시뮬레이션 및 준 합성 실험을 통해 검증되었으며, 특히 코로나19 관련 과거 데이터를 사용하여 극단적인 시나리오에서도 프레임워크의 진단적 가치를 입증했습니다.

Regulatory stress testing requires projecting credit losses under hypothetical macroeconomic scenarios -- a fundamentally causal question typically treated as a prediction problem. We propose a framework for policy-path counterfactual inference in panels that transparently separates what can be learned from data from what requires assumptions about confounding. Our approach has four components: (i) observational identification of path-conditional means via iterated regression, enabling continuous macro-path contrasts without requiring a control group; (ii) causal set identification under bounded confounding, yielding sharp identified sets with interpretable breakdown values that communicate robustness in a single number; (iii) an oracle inequality showing that recursive rollout error is governed by a horizon-dependent amplification factor, providing a concrete answer to how far ahead one can reliably predict under stress; and (iv) importance-weighted conformal calibration bands with diagnostics that quantify extrapolation cost and trigger abstention when coverage guarantees degrade. The final output is a three-layer uncertainty decomposition that cleanly separates estimation uncertainty from confounding uncertainty. We validate all results through simulation and semi-synthetic experiments with real unemployment data, including a Covid retrospective demonstrating the framework's diagnostic value under extreme scenarios.