본 논문은 대규모 언어 모델(LLM)을 사용하여 합성 표 형식 데이터를 생성하는 방식을 탐구하며, 기존 방식이 평균 치료 효과(ATE)와 같은 주요 인과 관계 매개변수를 보존하는 데 실패할 수 있음을 지적한다. 이를 해결하기 위해, 모델 기반 공변량 합성, 성향 및 결과 모델을 결합한 하이브리드 생성 프레임워크를 제안하여 (W, A, Y) 삼중항이 기본 인과 구조를 유지하도록 보장한다. 또한 긍정성 위반을 완화하기 위한 합성 페어링 전략과 복잡한 공변량 분포 하에서 전통적인 추정기(IPTW, AIPW, 대체)를 벤치마킹하는 현실적인 평가 프로토콜을 제시한다.
