An average-case sensitivity analysis for unmeasured confounding

기술 요약: 미측정 교란에 대한 평균 사례 민감도 분석

문제 정의
관찰 연구에서 인과 추론은 처치 할당이 관측된 공변량에 대해 잠재적 결과와 독립적이라는 무교란(unconfoundedness, ignorability) 가정에 의존한다. 이 가정은 검증이 불가능하므로, 무교란 가정이 위배될 경우 결론이 어떻게 변할지 평가하기 위한 민감도 분석이 필요하다. 기존의 접근 방식, 특히 한계 민감도 모델(Tan, 2006; Zhao et al., 2019)은 관측된 성향 점수와 전체 데이터 성향 점수의 로그 차이의 $L_\infty$-노름을 제한하는 "최악의 경우(worst-case)" 파라미터($\Gamma$)를 일반적으로 채택한다. 이 방식은 수학적으로 다루기 용이하지만, 최악의 경우 모델은 극단적이고 (잠재적으로 드문) 공변량 값에 의해 경계가 결정되므로, 미측정 교란의 평균적인 강도를 포착하지 못하고 지나치게 비관적일 수 있다.

방법론
저자들은 성향 점수 비율의 2차 모멘트인 $\Sigma$로 매개변수화된 새로운 **평균 사례 민감도 모델(average-case sensitivity model)**을 제안한다. 이 모델은 최대 편차를 제한하는 대신, 성향 점수 비율의 기대 제곱값을 다음과 같이 제한한다:
$$E \{ \nu_{1,h}(X) \} \le \Sigma,$$
여기서 $\nu_{1,h}(X) = E\{h^2(X, Y) \mid X, Z=1\}$ 이고 $h(X, Y) = e(X)/e(X, Y)$ 는 성향 점수 비율이다. 이 공식은 미측정 교란의 평균적인 강도가 제한되어야 한다는 조건만을 요구한다.

본 논문은 평균 잠재적 결과 $E\{Y(1)\}$ 및 $E\{Y(0)\}$에 대한 날카로운 경계(sharp bounds)를 도출하기 위해 관련 민감도 분석을 최적화 문제로 다룬다.

1. 모집단 해법: 저자들은 라그랑주 정식화(Lagrangian formulations)를 사용하여 최적화 문제를 분석적으로 해결한다.
   • 그들은 성향 점수 비율의 "위험(risk, 2차 모멘트)"과 "수익(return, 1차 모멘트)" 사이의 절충안을 최소화하는 문제로 재구성하였으며, 이는 마코위츠의 포트폴리오 문제(Markowitz portfolio problem)와 유사하다.
   • 저자들은 최적의 성향 점수 비율 함수 $h^*(X, Y)$에 대한 폐쇄형 해법(closed-form solutions)을 도출한다. 최악의 경우 모델에서의 최적해가 조각마다 일정한(piecewise constant) 함수(계단 함수)인 것과 달리, 평균 사례의 최적해는 결과 $Y$에 대한 조각마다 선형인(piecewise linear) 함수이다.
   • 저자들은 이러한 해법이 **날카로운 경계(sharp bounds)**를 제공함을 입증한다. 즉, 제약 조건을 만족하는 유효한 데이터 생성 분포에 의해 도출된 구간 내의 모든 값은 달성 가능하다.
2. 추정 및 추론:
   • 저자들은 두 모델(평균 사례 및 최악의 경우 모델) 모두에 대해 경계값과 민감도 값에 대한 **효율적 영향 함수(Efficient Influence Functions, EIFs)**를 도출한다.
   • 이들은 누설 파라미터(성향 점수 및 조건부 결과 밀도 등)를 처리하기 위해 교차 적합(cross-fitting)을 활용하여, EIF 기반의 **원스텝 추정량(one-step estimators)**을 제안한다. 이 접근 방식은 누설 파라미터가 더 느린 속도(예: $o_P(n^{-1/4})$)로 추정되는 경우에도 $\sqrt{n}$-일치성과 점근적 정규성을 허용한다.
   • 민감도 파라미터 범위에 대한 추론을 용이하게 하기 위해, 저자들은 **멀티플라이어 부트스트랩(multiplier bootstrap)**을 적용하여 민감도 곡선에 대한 동시 신뢰 밴드(simultaneous confidence bands)를 구축한다.

주요 결과

• 더 좁은 경계: "게이트 교란(gated confounding)" 구조를 포함한 수치 예제를 통해, 저자들은 평균 사례 모델이 최악의 경우 모델에 비해 평균 처치 효과(ATE)에 대해 현저히 더 좁은 경계를 제공함을 보여준다. 최악의 경우 파라미터 $\Gamma$는 극단적인 이상치에 의해 좌우되는 반면, 평균 사례 파라미터 $\Sigma$는 인구 대다수를 위한 교란 강도를 더 잘 반영한다.
• 효율성: 시뮬레이션 연구는 EIF 기반의 제안된 원스텝 추정량이 직접 플러그인(plug-in) 추정량에 비해 더 빠르게 수렴하고 더 낮은 평균 제곱근 오차(RMSE)를 가짐을 확인시켜 준다. 이는 특히 누설 파라미터가 비모수적 방법으로 추정될 때 더욱 두드러진다.
• 실제 데이터 적용: 어류 섭취가 혈중 수은 수치에 미치는 영향을 추정하는 연구(NHANES 2013-2014)에서, 저자들은 관측된 공변량(교육, 소득, 연령)을 기준으로 민감도 파라미터를 보정한다. 평균 사례 모델은 어류 섭취가 미측정 교란의 정도가 관측된 공변량과 유사한 수준일 때도 결론(어류 섭취가 수은을 증가시킨다)이 견고함을 시사하는 반면, 최악의 경우 모델은 해당 결론이 취약하다고 시사한다. 평균 사례의 경계는 눈에 띄게 더 낙관적이며 좁다.

의의 및 주장
본 논문은 제약 조건을 완화하여 최적화를 용이하게 만드는(결과적으로 날카롭지 않은 경계를 만드는) 기존의 일반화된 한계 민감도 모델들과 달리, 최악의 경우에서 평균 사례로 전환함으로써 더 현실적이고 덜 비관적인 민감도 분석 프레임워크를 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 분석적 용이성: 제약 조건을 완화하여 최적화를 가능하게 하는 기존 모델들과 달리, 본 논문은 평균 사례 문제에 대해 폐쇄형의 날카로운 해법을 제공한다.
2. 통합적 관점: 도출된 해법은 최악의 경우 모델과 평균 사례 모델에 대한 통합적 관점을 제공하며, 조각마다 일정한(최악의 경우) 가중치와 조각마다 선형인(평균 사례) 가중치의 구조적 차이를 강조한다.
3. 실용적 유용성: 동시 신뢰 밴드 구축을 가능하게 하고 관측된 공변량을 사용하여 민감도 파라미터를 보정하는 방법을 제공함으로써, 이 접근 방식은 수학적 엄밀성을 훼손하지 않으면서도 관찰 연구 결과에 대해 더 미묘하고 낙관적인 해석을 가능하게 한다.

저자들은 평균 사례 모델이 더 낙관적일 수는 있으나, 이론적인 최악의 경우보다 과학적 및 정책적 추론에 더 관련성이 높은 "평균적인" 미측정 교란의 범위를 포착하는 유효한 민감도 분석 도구라는 점을 유지한다.