이 저장소는 Matheus Facure의 Causal Inference for The Brave and True를 옮긴 것입니다. 용어는 같은 저자의 책을 번역한 『실무로 통하는 인과추론 with 파이썬』(한빛미디어, 2024)을 기준으로 맞췄습니다. 번역을 고치거나 새 장을 옮길 때 아래 원칙을 따라 주세요.
- 노트북 구조(셀 순서, 코드 셀, 출력, 이미지)는 원문 저장소의 최신 버전을 그대로 따릅니다. 번역은 마크다운 셀에만 합니다.
- 원문 문장을 빼거나 요약하지 않습니다. 저자의 농담이나 밈 설명도 옮깁니다.
- 원문에 없는 설명이 꼭 필요하면
> 옮긴이:로 시작하는 인용문으로 따로 표시합니다. 본문에 섞지 않습니다.
- 수식(
$...$, $$...$$), 이미지 경로, 링크 주소, 인라인 코드(`price`)는 손대지 않습니다.
- 참고 문헌 목록은 원문 그대로 둡니다.
- 원문 자체에 오류가 있을 때: 오타나 지칭 실수처럼 뜻이 분명한 것은 뜻대로 옮기고
> 옮긴이:로 밝힙니다. 논리·수치 오류는 본문을 원문대로 옮기고 옮긴이 주로 짚습니다. 수식은 어떤 경우에도 고치지 않습니다.
- 기본은
-습니다체입니다. 한 장 안에서 -해요체와 섞지 않습니다.
- 원문의
we, you를 매번 우리는, 여러분은으로 옮기지 않습니다. 주어가 없어도 뜻이 통하면 뺍니다.
- 번역투를 피합니다.
~하는 것이 가능합니다 → ~할 수 있습니다~에 의해 ~되어집니다 → 능동으로 바꿉니다.그것은, 이것은을 문장마다 쓰지 않습니다.~에 대해서, ~를 통해서가 한 문장에 두 번 이상 나오면 다시 씁니다.
- 영어 단어를 한글 문장 사이에 그대로 남기지 않습니다(
counterfactual을 추정, bias가 생깁니다 등). 아래 용어표의 한국어를 씁니다.
- 핵심 용어는 장마다 처음 나올 때
한국어(English)로 한 번 병기하고, 그 뒤로는 한국어만 씁니다.
- ATE, CATE, DID, OLS 같은 약어는 처음에
평균 처치효과(ATE)처럼 풀어 쓰고 이후에는 약어를 써도 됩니다.
- 장 제목(H1)은 원문 영어 제목을 유지하고, 그 아래 절 제목은 한국어로 옮깁니다.
Key Ideas는 핵심 요약, References는 참고 자료, Contribute는 기여하기로 통일합니다.
- 문장은
-습니다로 맺습니다. 평서문을 -죠., -네요.로 끝내지 않습니다. 독자에게 되묻는 ~죠?는 써도 됩니다.
- white collar / blue collar는
사무직 / 생산직으로 옮깁니다.
- 브라질 화폐는
5헤알처럼 쓰고, 장마다 처음 나올 때만 5헤알(BRL)로 병기합니다.
- 인명은 원어 표기를 기본으로 합니다(예: Joshua Angrist). 본문 흐름상 한글 표기가 자연스러우면 『실무로 통하는 인과추론』의 표기(조슈아 앵그리스트, 알베르토 아바디, 주데아 펄)를 따릅니다.
『실무로 통하는 인과추론 with 파이썬』 찾아보기와 본문에서 쓴 번역어입니다. 띄어쓰기도 표기대로 맞춥니다. 이 표는 웹북의 용어집 페이지로 자동 반영되므로, 용어를 바꾸거나 추가할 때는 이 표만 고치면 됩니다. 비고에 '표기 쓰지 않음'으로 적은 표기는 '다른 표기'로 함께 실려 검색에 걸립니다.
| 원어 |
번역어 |
비고 |
| causal inference |
인과추론 |
|
| causality / causation |
인과관계 |
|
| association |
연관관계 |
correlation은 상관관계 |
| treatment |
처치 |
|
| intervention |
개입 |
|
| treated, treatment group |
실험군 |
처치군, 처치 그룹 쓰지 않음 |
| control group, untreated |
대조군 |
통제군, 통제 그룹 쓰지 않음 |
| outcome |
결과 |
변수를 가리킬 때는 결과변수 |
| potential outcome |
잠재적 결과 |
|
| counterfactual |
반사실 / 반사실적 결과 |
|
| factual outcome |
사실적 결과 |
|
| treatment effect |
처치효과 |
붙여 씀 |
| be treated |
처치받다 |
붙여 씀(처치받은, 처치받지). 목적격을 쓰면 처치를 받다 |
| individual treatment effect (ITE) |
개별 처치효과(ITE) |
|
| average treatment effect (ATE) |
평균 처치효과(ATE) |
|
| average treatment effect on the treated (ATT) |
실험군에 대한 평균 처치효과(ATT) |
|
| conditional average treatment effect (CATE) |
조건부 평균 처치효과(CATE) |
|
| heterogeneous treatment effect |
이질적 처치효과 |
|
| treatment assignment |
처치 배정 |
|
| randomized controlled trial (RCT) |
무작위 통제 실험(RCT) |
|
| randomized experiment |
무작위 실험 |
|
| randomization |
랜덤화 / 무작위 배정 |
|
| observational data |
관측 데이터 |
|
| unit |
분석단위 / 대상 |
문맥에 맞게 |
| covariate |
공변량 |
|
| identification |
식별 |
|
| estimand / causal quantity |
인과 추정량 |
|
| estimator |
추정량 |
|
| parameter |
매개변수 |
모수, 파라미터 쓰지 않음. nuisance parameter는 장애모수, parametric은 모수적 |
| hyperparameter |
하이퍼파라미터 |
머신러닝 관례를 따름. parameter 항목의 예외 |
| estimate (명사) |
추정값 |
추정치 쓰지 않음 |
| SUTVA |
SUTVA |
|
| spillover |
파급 효과 |
|
| 원어 |
번역어 |
비고 |
| bias |
편향 |
|
| selection bias |
선택편향 |
|
| confounding |
교란 |
|
| confounder |
교란 요인 |
교란변수 쓰지 않음 |
| confounding bias |
교란편향 |
|
| collider |
충돌부 |
|
| collider bias |
충돌부 편향 |
|
| mediator |
매개자 |
|
| omitted variable bias (OVB) |
누락 변수 편향(OVB) |
|
| upward / downward bias |
상향 편향 / 하향 편향 |
|
| graphical (causal) model |
그래프 (인과) 모델 |
|
| directed acyclic graph (DAG) |
유향 비순환 그래프(DAG) |
|
| node / edge |
노드 / 엣지 |
|
| chain / fork |
사슬 / 분기 |
|
| parent / child / descendant |
부모 / 자식 / 자손 |
|
| backdoor path / adjustment |
뒷문 경로 / 뒷문 보정 |
|
| front door |
앞문 |
|
| d-separation |
d-분리 |
|
| conditional independence assumption (CIA) |
조건부 독립성 가정(CIA) |
|
| independence assumption |
독립성 가정 |
|
| unconfoundedness |
비교란성 |
|
| ignorability |
무시가능성 |
|
| exchangeability |
교환 가능성 |
|
| positivity |
양수성 |
|
| overlap / common support |
중첩 / 공통 지지 |
|
| extrapolation / interpolation |
외삽 / 내삽 |
|
| sensitivity analysis |
민감도 분석 |
|
| 원어 |
번역어 |
비고 |
| regression |
회귀분석 / 회귀 |
회귀 분석 쓰지 않음 |
| linear regression |
선형회귀 |
|
| ordinary least squares (OLS) |
최소제곱법(OLS) |
|
| regressor |
설명변수 |
|
| intercept |
절편 |
|
| residual |
잔차 |
|
| dummy variable |
더미변수 |
|
| interaction |
상호작용 |
|
| saturated model |
포화모델 |
|
| Frisch-Waugh-Lovell theorem (FWL) |
프리슈-워-로벨 정리(FWL) |
|
| orthogonalization |
직교화 |
|
| de-meaning |
평균 제거 |
|
| standard error |
표준오차 |
붙여 씀 |
| consistency |
일치성 |
|
| partialling out |
부분 제거 |
|
| standard deviation |
표준편차 |
|
| confidence interval |
신뢰구간 |
붙여 씀 |
| hypothesis test |
가설검정 |
|
| null hypothesis |
귀무가설 |
|
| test statistic |
검정통계량 |
|
| p-value |
p 값 |
|
| significance level |
유의수준 |
|
| statistically significant |
통계적으로 유의 |
|
| central limit theorem (CLT) |
중심극한정리(CLT) |
|
| normal distribution |
정규분포 |
|
| sample size |
표본 크기 |
|
| power |
검정력 |
|
| bootstrap / block bootstrap |
부트스트랩 / 블록 부트스트랩 |
|
| heteroskedasticity |
이분산성 |
|
| mean squared error (MSE) |
평균제곱오차(MSE) |
|
| 원어 |
번역어 |
비고 |
| instrumental variable (IV) |
도구변수 |
붙여 씀 |
| first stage / second stage |
1단계 / 2단계 |
|
| reduced form |
축약형 |
|
| two-stage least squares (2SLS) |
2단계 최소제곱법(2SLS) |
|
| exclusion restriction |
배제 제약 |
|
| relevance |
연관성 |
|
| monotonicity |
단조성 |
|
| non-compliance |
불응 |
|
| compliers |
순응자 |
|
| always-takers |
항시 참여자 |
|
| never-takers |
항시 불참자 |
|
| defiers |
반항자 |
|
| local average treatment effect (LATE) |
국지적 평균 처치효과(LATE) |
|
| intention-to-treat effect (ITT) |
처치 의도 효과(ITTE) |
|
| matching / matching estimator |
매칭 / 매칭 추정량 |
|
| propensity score |
성향점수 |
붙여 씀 |
| propensity weighting |
성향점수 가중치 |
|
| inverse probability weighting (IPW) |
역확률 가중치(IPW) |
|
| doubly robust estimation |
이중 강건 추정 |
|
| doubly robust |
이중 강건 |
|
| difference-in-differences (DID) |
이중차분법(DID) |
DiD 대신 DID |
| parallel trends |
평행 추세 |
|
| no anticipation |
비기대 가정 |
|
| panel data |
패널데이터 |
|
| cross-sectional data |
횡단면 데이터 |
|
| fixed effects |
고정효과 |
붙여 씀 |
| two-way fixed effects (TWFE) |
이원고정효과(TWFE) |
|
| staggered adoption |
시차 도입 (설계) |
|
| strict exogeneity |
강외생성 |
|
| synthetic control (method) |
통제집단합성법 |
방법론 |
| synthetic control (unit) |
가상의 대조군 |
합성된 대조 단위 |
| synthetic difference-in-differences (SDID) |
합성 이중차분법(SDID) |
|
| conformal inference |
컨포멀 추론 |
|
| regression discontinuity design (RDD) |
회귀 불연속 설계(RDD) |
|
| running variable |
배정변수 |
실행 변수 쓰지 않음 |
| threshold, cutoff |
임곗값 |
임계값 쓰지 않음 |
| placebo test |
위약 검정 |
|
| sharp / fuzzy RD |
계단형 RD / 경사형 RD |
|
| subclassification estimator |
층화 추정량 |
|
| event study |
이벤트 스터디 |
|
| 원어 |
번역어 |
비고 |
| feature / feature engineering |
특성 / 특성 엔지니어링 |
|
| overfitting |
과적합 |
|
| cross-validation |
교차 검증 |
|
| cross prediction / cross-fitting |
교차 예측 |
|
| out of fold (OOF) |
아웃 오브 폴드(OOF) |
|
| hold-out |
홀드아웃 |
|
| regularization (bias) |
정규화 (편향) |
|
| nuisance parameter |
장애모수 |
|
| meta-learner |
메타러너 |
|
| S-learner / T-learner / X-learner |
S 러너 / T 러너 / X 러너 |
|
| R-loss / R-learner |
R 손실 / R 러너 |
|
| double / debiased machine learning (DML) |
이중 머신러닝 / 편향 제거 머신러닝 |
|
| debiasing |
편향 제거 |
|
| target transformation |
목표 변환 |
|
| cumulative gain curve |
누적 이득 곡선 |
|
| cumulative effect curve |
누적 효과 곡선 |
|
| cumulative sensitivity curve |
누적 민감도 곡선 |
|
| treatment sensitivity |
처치 민감도 |
원문 개정으로 elasticity를 대부분 sensitivity로 바꿈 |
| elasticity |
탄력성 |
원문이 elasticity로 남긴 곳만 |
| uplift modeling |
업리프트 모델링 |
|
| personalization |
개인화 |
|
| calibrated probability |
보정된 확률 |
|
| importance sampling |
중요도 샘플링 |
|
| curse of dimensionality |
차원의 저주 |
|
| nudge |
넛지 |
|
| latent outcome |
잠재 결과 |
potential outcome(잠재적 결과)과 구분 |
| noise |
잡음 |
노이즈 쓰지 않음 |
| ground truth |
참값 |
|
| training / test set |
훈련 셋 / 테스트 셋 |
|
| band (예측값 구간) |
구간 |
신뢰구간과 헷갈리지 않게 문맥 표현 |
| conversion |
전환 |
|
이 책보다 넓은 범위로, 가짜연구소 인과추론팀이 온라인 실험과 제품 분석 자료에서 함께 쓰려고 정리하는 표기입니다. 새 용어나 더 나은 번역어는 용어 제안 이슈로 알려 주세요.
| 원어 |
번역어 |
비고 |
| online controlled experiment |
온라인 통제 실험 |
|
| A/B test / A/A test |
A/B 테스트 / A/A 테스트 |
|
| randomization unit |
무작위 배정 단위 |
사용자, 세션, 지역 등 |
| variant / arm |
실험 조건 |
대조 조건과 실험 조건으로 씀 |
| holdout group |
홀드아웃 집단 |
장기 효과를 보려고 처치를 주지 않고 남겨 둔 집단 |
| metric |
지표 |
|
| primary / secondary metric |
핵심 지표 / 보조 지표 |
|
| guardrail metric |
가드레일 지표 |
실험 때문에 나빠지면 안 되는 지표 |
| north star metric |
북극성 지표 |
|
| overall evaluation criterion (OEC) |
종합 평가 기준(OEC) |
|
| minimum detectable effect (MDE) |
최소 검출 효과(MDE) |
|
| sample size calculation |
표본 크기 계산 |
|
| sample ratio mismatch (SRM) |
표본 비율 불일치(SRM) |
|
| variance reduction / CUPED |
분산 감소 / CUPED |
|
| novelty effect / primacy effect |
신기 효과 / 초두 효과 |
|
| interference / network effect |
간섭 / 네트워크 효과 |
SUTVA 위반 |
| switchback experiment |
스위치백 실험 |
|
| ramp-up |
단계적 확대 |
|
| peeking |
중간 결과 엿보기 |
|
| sequential testing |
순차 검정 |
|
| multiple testing / false discovery rate (FDR) |
다중 검정 / 거짓 발견률(FDR) |
|
| quasi-experiment |
준실험 |
|
- 원문 저장소의 해당 노트북을 내려받아 코드 셀과 출력은 그대로 둡니다.
- 마크다운 셀을 위 원칙대로 옮깁니다.
- 수식, 이미지, 링크 개수가 원문과 같은지 확인합니다.
python book/prepare.py && cd book && quarto preview로 웹북 렌더링을 확인합니다. 새 노트북을 추가했다면 book/prepare.py의 장 제목 목록과 book/_quarto.yml 목차에도 넣어 주세요.- PR에는 원문 커밋과 바뀐 셀을 적어 주세요.
원서 저장소(matheusfacure/python-causality-handbook)가 바뀌면 한국어판도 따라가야 합니다. 이 과정은 자동 알림과 메인테이너 검토로 이루어집니다.
Upstream watch 워크플로가 매월 1일 원서 최신 커밋을 .github/upstream.json의 synced_sha와 비교합니다.- 새 커밋이 있으면
upstream-sync 라벨이 붙은 이슈를 만들어 메인테이너에게 배정합니다. 이슈에는 새 커밋 목록, 바뀐 장, 장별 본문 변경(바뀐 단어와 앞뒤 문맥), 웹북과 원서 비교 링크가 들어갑니다. 원서가 다시 바뀌면 같은 이슈를 갱신하고 댓글로 알립니다.
- 같은 날 검토 이슈가 생긴 경우에만 정리 작업이 이어집니다. 바뀐 장마다 번역에 반영할 문장(기존 번역 → 수정안)과, 원서에서 새로 발견한 오류와 그 수정 방법(원서 저장소에 올릴 PR·이슈 초안 포함)을 문서로 정리해 검토 이슈에 댓글로 연결합니다. 변경이 없는 달에는 아무 알림도 가지 않습니다.
- 반영할 장을 이 가이드대로 고치고 PR을 엽니다. 같은 PR에서
synced_sha를 원서 최신 커밋으로, synced_at을 날짜로 바꿉니다. 오탈자나 링크만 바뀌어 번역을 고칠 필요가 없을 때도 synced_sha만 올리는 PR을 열어 기록을 남깁니다.
- 메인테이너가 검토해 머지하면 웹북이 배포되고, 워크플로가 다시 돌아 이슈를 자동으로 닫습니다.
로컬에서 미리 보려면 원서를 clone한 뒤 python .github/scripts/check_upstream.py --git-dir <원서 경로> --dry-run을 실행합니다.