본 논문은 사용자 정의 구조와 언어 모델 정의 메커니즘을 갖춘 인과 모델을 명시하는 프레임워크인 시퀀스 기반 구조적 인과 모델(SD-SCM)을 제시합니다. SD-SCM이 원하는 인과 구조에 따라 관측, 개입, 반사실적 분포에서 샘플링하는 방법을 특징짓고, 이 절차를 활용하여 평균, 조건부 평균 및 개별 치료 효과 추정을 위한 인기 있는 추정 방법들을 테스트하는 개별 수준의 반사실적 데이터를 생성하여 인과 추론 방법을 위한 새로운 유형의 벤치마크를 제안합니다. 수천 개의 데이터셋으로 구성된 예시 벤치마크를 만들어 테스트한 결과, (1) 인과적 방법이 비인과적 방법보다 성능이 우수하고, (2) 최첨단 방법조차 개별 효과 추정에 어려움을 겪는다는 것을 발견했습니다. 이는 이 벤치마크가 인과 추정의 고유한 어려움을 포착한다는 것을 시사합니다. 데이터 생성 외에도, 이 기술은 잘못된 정보나 차별과 같은 (바람직하지 않은) 인과 효과에 대한 언어 모델의 감사를 뒷받침할 수 있습니다. 연속적인 데이터와 제어 가능한 인과 구조가 유용한 모든 응용 프로그램에서 SD-SCM이 유용한 도구 역할을 할 수 있다고 생각합니다.
