기술 요약: 연속형 처치를 활용한 다중 강건 인과 매개 분석 (Multiply Robust Causal Mediation Analysis with Continuous Treatments)

1. 문제 정의

인과 매개 분석은 처치가 결과에 미치는 총 효과를 매개 변수(intermediate variable)를 통한 자연 직접 효과(NDE)와 자연 간접 효과(NIE)로 분해하는 것을 목표로 한다. 이 방식은 효율적이지만, 이진(binary) 처치에 대해서는 다중 강건 추정량(multiply robust estimators)이 존재하나(Tchetgen Tchetgen and Shpitser, 2012), **연속형 처치(continuous treatments)**의 경우 강력한 모수적 가정 없이는 적용하기 어렵다.

연속형 처치 설정에서 관심 파라미터인 $\psi_0(a, a') = E[Y(a, M(a'))]$는 비모수 모델에서 **불규칙(irregular)**하다. 이진 처치에서는 영향 함수(influence function)가 지시 함수(indicator functions)에 의존하는 반면, 연속형 처치는 $a$와 $a'$라는 특정 값에서의 점 평가(point evaluation)를 필요로 한다. 이는 유한 분산을 가진 영향 함수의 부재로 이어지며, 표준적인 $\sqrt{n}$ 수렴 속도를 방해한다. 기존의 연속형 매개 접근법(예: Huber et al., 2020)은 결과 회귀(outcome regression)에 의존하여 머신러닝 방법의 느린 수렴 속도 문제를 겪거나, 혹은 모수적 용량-반응 곡선(parametric dose-response curves)에 의존하여 오설정(misspecification) 하에서의 편향 문제를 겪는다. 또한, 이전의 연속형 매개 연구들은 다중 강건성(multiple robustness)이 결여되어 있거나 혼란 변수(nuisance parameter) 추정치의 느린 수렴 속도를 그대로 물려받는 경우가 많았다.

2. 방법론

저자들은 영향 함수 기반 전략에서 영감을 얻되, 연속형 처치에 적합하도록 변형된 **커널 평활화된 다중 강건 추정량(kernel-smoothed, multiply robust estimator)**을 제안한다.

2.1 식별 및 프레임워크

이 방법은 표준적인 인과 매개 가정(일관성, 순차적 교환 가능성, 양의성)과 자연 직접 및 간접 효과를 식별하는 데 필요한 "교차 세계(cross-world)" 교환 가능성 가정을 기반으로 한다. 대상 추정량(estimand)은 다음의 매개 공식을 통해 식별된다:
$$\psi_0(a, a') = \int \int E[Y|A=a, M=m, X=x] f_{M|A,X}(m|a', x) f_X(x) \, dm \, dx$$

2.2 추정량 구성

핵심 혁신은 이진 처치 영향 함수에 포함된 지시 함수를 **커널 가중치(kernel weights)**로 대체하는 것이다.

1. 커널 평활화(Kernel Smoothing): 처치 값 $a$와 $a'$에 대해, 저자들은 대역폭(bandwidth) $h$를 갖는 커널 함수 $K_h(\cdot)$를 정의한다. 효율적 영향 함수는 $K_h(A-a)$와 같은 항을 포함하도록 수정되어, $a$의 근방에 대한 점 평가를 평활화한다.
2. 혼란 함수(Nuisance Functions): 추정량은 세 가지 혼란 함수를 사용한다:
   • $\gamma(X, M, a) = E[Y | A=a, M, X]$ (결과 회귀)
   • $\alpha(a, M, X) = f_{M|A,X}(M | a, X)$ (매개체 밀도)
   • $\lambda(a, X) = 1/f_{A|X}(a | X)$ (역 처치 밀도)
   • 참고: 저자들은 명시적인 매개체 밀도 추정을 피하기 위해 처치 밀도 비율을 사용하는 대안적 파라미터화를 논의하지만, 주요 공식은 밀도 비율을 사용한다.
3. 교차 적합(Cross-Fitting): 혼란 함수의 평활성 요구 조건을 완화하고 더 느린 수렴 속도를 허용하기 위해, 저자들은 교차 적합(cross-fitting) 전략(Chernozhukov et al., 2018)을 채택한다. 샘플을 폴드(fold)로 나누고, 한 세트의 폴드에서 혼란 함수를 추정하여 다른 세트의 계산에 적용한다.
4. 최종 추정량: 제안된 추정량 $\hat{\psi}_{MR}(a, a')$는 평활화된 영향 함수로부터 유도된 추정 방정식의 폴드별 해(solution)들의 평균이다.

2.3 정규성 및 수렴성

이 방법은 커널에 대한 특정 조건(가정 2)과 혼란 추정치의 수렴 속도(가정 4 및 5)를 요구한다. 결정적으로, 이 방법은 **곱 연산 속도 조건(product-rate conditions)**에 의존한다: 두 혼란 추정치의 오차 곱이 $(nh^{d_A})^{-1/2}$보다 빠르게 수렴해야 하며, 여기서 $d_A$는 처치의 차원이다. 이를 통해 하나의 혼란 추정치가 충분히 빠르게 수렴한다면 다른 하나가 느리게 수렴하더라도 "다중 강건성" 특성을 유지할 수 있다.

3. 주요 기여

• 연속형 처치로의 확장: 본 논문은 이진 처치에서 연속형 처치로 영향 함수 기반 매개 프레임워크를 확장하여, 점적 기능(pointwise functionals)의 불규칙성 문제를 해결한다.
• 다중 강건성(Multiply Robustness): 제안된 추정량은 세 가지 혼란 모델(결과, 매개체 밀도, 처치 밀도) 중 두 가지만 정확하게 지정되어도 일관성을 유지하는 다중 강한 강건성을 보유한다.
• 느린 혼란 속도 허용: 교차 적합과 커널 평활화를 활용함으로써, 이 방법은 혼란 파라미터가 타겟 파라미터보다 느린 속도로 추정되는 것을 허용하며, 이는 유연한 머신러닝 추정치를 수용할 수 있게 한다.
• 점근적 정규성: 저자들은 추정량이 $(nh^{d_A})^{-1/2}$의 수렴 속도를 가지며 점근적으로 정규 분포를 따른다는 것을 입증한다. 이는 커널 평활화의 국소적 특성으로 인해 표준 $\sqrt{n}$ 속도보다 느리다.
• 실제 구현: 본 논문은 신뢰 구간 구축, 언더스무딩(undersmoothing) 또는 민감도 분석을 통한 편향 처리, 그리고 Hájek 유형의 추정량 및 클리핑(clipping)을 통한 가중치 안정화 프레임워크를 제공한다.

4. 결과

4.1 시뮬레이션 연구

• 일관성 및 강건성: 샘플 크기 $n=2000, 5000, 8000$에서의 시뮬레이션은 적어도 두 개의 혼란 모델이 올바르게 지정되었을 때 추정량이 일관적이며 최소한의 편향을 보임을 입증한다.
• 비교: 제안된 추정량($\hat{\psi}_{MR}$)은 모델이 잘못 지정된 시나리오, 특히 결과 모델이 잘못 지정되었을 때 일반화된 성향 점수 가중 추정량($\hat{\psi}_H$) 및 회귀 전용 추정량($\hat{\psi}_\eta$)보다 낮은 편향과 RMSE를 보이며 우수한 성능을 나타낸다.
• 민감도: 커널 기반 방법에서 예상되는 바와 같이, 처치 분포의 꼬리 부분처럼 처치 중첩(overlap)이 부족한 영역에서는 성능이 저하된다. 언더스무딩된 대역폭을 사용할 때 95%에 가까운 커버리지 확률이 유지되지만, 대역폭이 커질수록 편향은 증가한다.

4.2 적용 사례: Job Corps 연구

이 방법은 Job Corps 훈련 기간(연속형 처치)이 범죄 체포(결과)에 미치는 영향을 매개 변수인 **고용 주수(employment weeks)**를 통해 연구하는 데 적용되었다.

• 결과: 분석 결과, 더 긴 훈련은 범죄 체포를 감소시키는 것으로 나타났다.
  • 모수적 혼란 모델(M1) 하에서는 고용을 통한 자연 간접 효과와 자연 직접 효과 모두 음의 값을 보였다.
  • 유연한 RKHS 기반 혼란 모델(M2) 하에서는 간접 효과 신호가 약화되었으나(0에 가까워짐), 직접 효과는 여전히 음의 값을 유지하면서 신뢰 구간이 넓어졌다.
• 민감도: 결과는 대역폭 및 가중치 클리핑 임계값의 변화에 전반적으로 강건했으나, 효과의 크기는 변동이 있었다. 분석은 연속형 처치 설정에서 중첩(overlap) 및 유효 샘플 크기를 확인하는 것의 중요성을 강조했다.

5. 의의 및 주장

본 논문은 처치가 연속적인 상황(용량, 기간, 강도 연구 등에서 흔함)에서 인과 매개 분석을 수행하기 위한 엄격한 프레임워크를 제공한다고 주장한다.

• 이론적 기여: 비모수적 연속형 처치 모델의 불규칙한 기능적 문제를 점근적 정규성과 다중 강건성을 달성하는 커널 평활화된 영향 함수를 도입함으로써 해결한다.
• 실용적 유용성: 이 방법은 용량-반응 곡수에 대한 강력한 모수적 가정 없이도 매개 표면(mediation surfaces)을 추정할 수 있게 하며, 복잡한 혼란 함수를 머신러닝을 통해 수용할 수 있게 한다.
• 한계 인정: 저자들은 이 방법이 처치 변수의 "차원의 저주"를 겪을 수 있음을 겸허히 언급한다(처치 변수가 스칼라이거나 저차원일 때 가장 실용적임). 또한 교차 적합이 혼란 추정의 오류는 처리할 수 있지만, 처치 분포의 저밀도 영역에서 발생하는 근본적인 데이터 지원 부족 문제는 해결하지 못하므로 주의 깊은 진단과 민감도 분석이 필요함을 강조한다.

이 연구는 모든 연속형 매개 문제(예: 고차원 매개체 또는 사전 지정된 그리드 없는 완전 데이터 적응형 곡선 추정)를 해결한다고 주장하는 것이 아니라, 점적 추정(pointwise estimation)을 위한 기초적인 다중 강건 접근법을 확립하는 데 목적이 있다.