📊 [CausalImpact로 COVID-19 데이터를 분석해보자] 이번 포스팅은 PAP 오거나이저 이은지님께서 Google이 2015년에 발표한 CausalImpact 방법론을 바탕으로 한국의

📊 [CausalImpact로 COVID-19 데이터를 분석해보자] 이번 포스팅은 PAP 오거나이저 이은지님께서 Google이 2015년에 발표한 CausalImpact 방법론을 바탕으로 한국의 코로나 확진자수 데이터를 적용시켜보신 글입니다. 구체적으로는 한국 사회에서의 코로나를 생각해보면 사회적 거리두기 정책이나 N차 유행인 시기가 있었는데요. “사회적 거리두기가 강화된 시기에 효과가 있었을까?” 혹은 “N차 유행 때 특정 사건으로 인해서 코로나가 얼마나 확산되었을까?”에 대한 답을 가볍게 파악해보았습니다. 💡 CausalImpact?! CausalImpact는 시계열 자료에서 어떤 개입 (Intervention)으로 인한 효과를 파악하기 위한 방법론입니다. 개입이라는 말이 좀 낯설지만, 코로나로 예를 들면 한국에서 사회적 거리두기 정책, 특정한 사건 (Ex. 광복절 집회로 인한 코로나 확산 등)이 개입이 될 수 있습니다. 이 개입 효과를 파악하기 위해 CausalImpact 방법론은 관측된 결과 (Observed outcome)와 개입이 없었다면 생길 가상의 결과 (Expected outcome, Counterfactual) 간의 차이를 계산합니다. 즉, 현재는 사회적 거리두기 완화 정책으로 코로나 확진자수가 몇 명인데, 만약 이 완화 정책이 없었다면 몇 명이 되었을지 가상의 결과를 예측하고, 그 차이를 개입 효과라 보는 것입니다. 이를 위해 CausalImpact에서는 개입 효과를 확인하고자 하는 시계열(Ex. 한국의 사회적 거리두기 정책에 따른 코로나 확진자수)과 개입에 영향받지 않는 대조 대상 (Control)이 되는 시계열 (Ex. 미국의 코로나 확진자수)가 주어졌을 때, 베이지안 구조적 시계열 모형(Bayesian Structural time-series model)을 구축합니다. CausalImpact 를 활용해 사회적 거리두기 정책이 COVID-19 확진자 수에 미친 인과 효과가 어떠했는지 분석한 내용, 본문에서 확인해보세요!