본 논문은 관측 데이터에서의 인과 추론을 위한 새로운 두 단계 해석 가능 매칭(TIM) 프레임워크를 제시합니다. TIM은 첫 번째 단계에서 모든 공변량에 대한 정확 매칭을 수행하고, 정확 매칭이 불가능한 경우 두 번째 단계에서 가장 중요하지 않은 혼란 변수를 반복적으로 제거하며 나머지 공변량에 대한 정확 매칭을 시도합니다. 제거된 공변량에 대한 거리 측정값을 학습하여 각 층 내에서 처리 단위와의 근접성을 정량화합니다. 이렇게 얻은 고품질 매칭을 사용하여 조건부 평균 처리 효과(CATE)를 추정합니다. 합성 데이터와 CDC의 실제 의료 데이터 세트를 사용한 실험을 통해 TIM이 CATE 추정의 편향을 줄이고 다변량 중첩을 증가시키며 고차원 데이터에도 효과적으로 확장됨을 보여줍니다.
