광고 플랫폼은 증분성 (incrementality)을 측정하기 위해 무작위 리프트 테스트 (randomized lift tests)를 사용하지만, 프라이버시 보호 보고 시스템은 매칭률 손실 (match-rate loss), 연결 가능성 손실 (linkability loss), 기여 창 손실 (attribution-window loss), 집계 임계값 억제 (aggregation-threshold suppression), 무작위 보고 노이즈 (randomized reporting noise), 그리고 세그먼트 이질적 신호 손실 (segment-heterogeneous signal loss)을 통해 관찰되는 신호를 저하시킵니다. 본 논문은 프라이버시 제약이 있는 광고 측정을 앞서 언급한 신호 손실 하에서의 강건한 인과적 의사결정 문제 (robust causal decision problem)로 공식화합니다. 무작위 실험과 프라이버시로 인한 저하에 대한 모호성 집합 (ambiguity set)이 주어졌을 때, 본 프레임워크는 깨끗하고 필터링되지 않은 실험 세계의 관찰 가능한 파이버 (observation-compatible fiber)를 증분성 함수 (incrementality functional)로 투영하여 인증됨 (certified), 거부됨 (rejected), 그리고 미해결됨 (unresolved) 결정을 반환합니다. 주요 결과는 날카로운 결정 경계 (sharp decision frontier)를 제공합니다. 경계 외부의 보고는 균등하게 유효한 인증 또는 거부를 지원하는 반면, 경계 내부의 보고는 임계값 이상의 증분성을 비증분성과 균등하게 구별할 수 있는 정보가 너무 적습니다. 보조 결과로는 유한 표본 인증 (finite-sample certification), 표본 복잡도 보장 (sample-complexity guarantees), 신호 손실이 유효 정보를 감소시킨다는 것을 보여주는 미니맥스 하한 (minimax lower bound), 그리고 보고 세밀도 트레이드오프 (reporting-granularity tradeoff)를 제공합니다. 200만 개의 Criteo Uplift 행 데이터와 64,000행의 Hillstrom 이메일 실험 데이터에서 깨끗한 전환 리프트 (conversion lift)는 두 데이터셋 모두에서 각각 0.00112와 0.00495로 양수였습니다. 모집단 인증 (Population certification)은 Criteo에서의 경미한 저하와 Hillstrom에서의 심각한 저하에서도 생존하였으나, 두 데이터셋 모두에서 불확실성과 보고 노이즈가 동시에 포함된 모든 고려된 유한 표본 스트레스 설정은 미해결 상태로 남았습니다. 전반적으로, 본 연구는 저하된 광고 신호에 의해 정당화되는 가장 강력한 인과적 주장 (causal-claim)을 출력값으로 하는, 프라이버시를 고려한 증분성 측정을 위한 의사결정 이론적 계층 (decision-theoretic layer)을 기여합니다.