GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations

기술 요약: GEEPERs – 주성분 점수와 적층 추정 방정식을 이용한 주성분 층화

문제 제기
주성분 층화 (Principal stratification) 는 치료 자체에 의해 영향을 받을 수 있는 치료 후 변수 (예: 순응 행동) 로 정의된 하위 집단에 대한 치료 효과를 추정하도록 설계된 인과 추론 프레임워크입니다. 이 분야의 주요 과제는 주성분 층 (예: "순응자" 대 "절대 비순응자") 이 관찰되지 않은 반사실적 변수라는 점입니다. 연구자들은 다른 치료 배정이 주어졌을 때 피험자의 순응 상태가 어떻게 되었을지를 관찰할 수 없습니다.

주성분 효과를 추정하는 기존 추정량들은 종종 강력한 구조적 가정이거나 복잡한 모델링 기법에 의존하여 응용 연구자들의 접근성을 제한합니다. 구체적으로:

1. 모수적 혼합 모델: 이러한 모델들은 종종 베이지안 마르코프 연쇄 몬테 카를로 (MCMC) 방법을 요구하며, 명세가 어렵고 분포 가정 (예: 정규성) 이 위반될 경우 심각한 편향을 초래할 수 있습니다.
2. 주성분 점수 가중치: 구현이 더 쉽지만, 이러한 방법들은 "주성분 무관성" 가정 (공변량을 조건으로 할 때 주성분 층 소속이 잠재적 결과와 독립적임) 에 의존합니다. 이는 관찰 연구에서 요구되는 것과 유사한 강력하고 검증 불가능한 가정으로, 무작위 대조 시험이 특히 피하려는 가정입니다.

방법론: GEEPERs
저자들은 치료군에서는 주성분 층 소속이 관찰되지만 대조군에서는 관찰되지 않는 일방향 비순응 시나리오를 위한 새로운 추정량인 GEEPERs(Regressions 를 이용한 주성분 효과에 대한 일반 추정 방정식) 를 소개합니다. 이 방법은 M-추정과 적층 추정 방정식에 의존하여 주성분 점수 추정과 주성분 효과 추정을 결합합니다.

GEEPERs 절차는 단일 회귀 모델로 구현되는 3 단계 논리를 따릅니다:

1. 주성분 점수 추정: 치료군의 관찰된 순응 데이터와 치료 전 공변량 ($x$) 을 사용하여 "순응자" 층 ($S_T=1$) 에 속할 확률을 예측하는 모델 (예: 로지스틱 회귀) 을 적합합니다. 이 확률을 $e(x)$라고 합시다.
2. 누락된 층 추정: 대조군에서 관찰되지 않은 층 소속을 위한 대리 변수 $R_i$를 구성합니다:
   • $Z_i=1$(치료군) 인 경우, $R_i = S_i$(관찰된 순응).
   • $Z_i=0$(대조군) 인 경우, $R_i = e(x_i)$(추정된 주성분 점수).
3. OLS 를 통한 효과 추정: 결과 변수 $Y$를 치료 지표 $Z$, 추정된 층 대리 변수 $R$, 그리고 이들의 상호작용에 대해 일반 최소제곱법 (OLS) 회귀를 적합합니다. 독립성 가정을 완화하기 위해 공변량 $g(x)$를 포함할 수도 있습니다:
   $$Y_i = \beta_0 + \beta_1 R_i + \beta_2 Z_i + \beta_3 (Z_i R_i) + \gamma' g(x)_i + \epsilon_i$$
   주성분 효과는 계수의 선형 결합으로 복원됩니다: $\hat{\tau}_0 = \hat{\beta}_2$ 및 $\hat{\tau}_1 = \hat{\beta}_2 + \hat{\beta}_3$.

주요 가정 및 기술적 특성

• 강한 단조성: 일방향 비순응 (예: 모든 $i$에 대해 $S_{Ci}=0$) 을 가정하며, 이는 치료군으로 배정되지 않았을 때 순응하지 않는다면 대조군으로 배정되었을 때 순응하지 않는다는 것을 의미합니다.
• 잔차화된 공변량 독립성: 이 방법은 공변량의 선형 조정을 허용함으로써 엄격한 "공변량 독립성" 가정을 완화합니다. 공변량을 조정한 후 잠재적 결과가 층 내에서 공변량과 평균적으로 독립적임을 가정합니다.
• 분포 가정 없음: 혼합 모델과 달리 GEEPERs 는 회귀 오차에 대한 특정 분포를 가정하지 않습니다.
• 표준 오차: 이 방법이 2 단계 과정 (점수 추정 후 효과 추정) 을 포함하기 때문에, 저자들은 적층 추정 방정식을 활용합니다. 이를 통해 첫 번째 단계 (점수 추정) 의 불확실성이 두 번째 단계 (효과 추정) 로 올바르게 전파되는 "샌드위치" 표준 오차를 계산할 수 있습니다.

시뮬레이션 결과
저자들은 다양한 조건 하에서 GEEPERs 를 모수적 혼합 모델링 (PMM) 과 주성분 점수 가중치 (PSW) 와 비교하는 시뮬레이션 연구를 수행했습니다:

• 분포 위반에 대한 강건성: GEEPERs 는 회귀 오차가 정규, 로그정규, 또는 균등 분포인지 여부에 관계없이 일관되게 잘 수행되었습니다. 반면, PMM 은 오차가 비정규 (특히 균등 분포) 일 때 심각한 편향, 이모달 샘플링 분포, 그리고 낮은 신뢰구간 커버리지를 보였습니다.
• 측정되지 않은 교란에 대한 강건성: "주성분 무관성" 가정이 위반되었을 때 (순응과 결과 모두를 예측하는 측정되지 않은 공변량으로 인해), PSW 는 상당한 편향을 보였습니다. GEEPERs 는 PMM 과 PSW 보다 편향이 적었으나, 공변량과 치료 배정 간의 상호작용에 대해서는 일부 민감성을 보였습니다.
• 표본 크기와 예측 가능성: GEEPERs 는 표본 크기에 걸쳐 거의 편향되지 않았습니다. 작은 표본이나 공변량이 순응을 잘 예측하지 못할 때 PMM 보다 약간 더 높은 분산을 보였지만, 이 효율성 격차는 표본 크기와 공변량의 예측력이 증가함에 따라 줄어듭니다.
• 민감도 분석: 저자들은 공변량과 치료 배정 간의 상호작용 (효과 조절자) 이 의심되는 경우, 분석에서 해당 특정 공변량을 제외함으로써 GEEPERs 추정치의 타당성을 회복할 수 있음을 보여주었습니다. 이는 실용적인 민감도 검증을 제공합니다.

실제 데이터 적용
이 방법은 ASSISTments 온라인 수학 플랫폼의 세 가지 무작위 대조 시험 (RCT) 을 재분석하는 데 적용되었으며, "비디오 발판 (scaffolding)"이 학생의 숙달 속도에 미치는 영향을 평가했습니다.

• 결과: GEEPERs 는 모든 모델 명세에 걸쳐 "순응자"(발판을 사용한 학생) 에 대해 양의 효과를 추정했으며, 추정치는 0.30 에서 0.50 표준편차 범위였습니다. "절대 비순응자"에 대한 추정치는 0 에 가깝고 표준 오차가 커서 효과가 없다는 것과 일치했습니다.
• 비교: PMM 은 순응자에 대해 유사한 점 추정을 산출했으나, 모델 명세 오류 검사로 인해 의심스러운 것으로 지적된 비순응자에 대해 놀라울 정도로 큰 양의 효과를 제시했습니다. PSW 는 비순응자에 대해 큰 양의 효과와 순응자에 대해 더 작은 효과를 산출했는데, 이는 주성분 무관성 위반 (도움이 필요한 학생들은 본질적으로 더 어려움을 겪고 있음) 으로 인한 것으로 보입니다.

의의 및 주장
이 논문은 GEEPERs 가 기존 문헌의 세 가지 중요한 격차를 해소한다고 주장합니다:

1. 접근성: 주성분 층화를 표준 로지스틱 및 선형 회귀로 축소함으로써, 이 방법은 베이지안 MCMC 또는 가능도 최적화에 대한 고급 훈련 없이도 응용 연구자들이 접근할 수 있습니다.
2. 강건성: 이 방법은 분포 가정과 관련하여 모수적 혼합 모델의 취약성과 가중치 방법이 요구하는 강력하고 검증 불가능한 주성분 무관성 가정을 피합니다.
3. 유연성: 널리 이용 가능한 회귀 도구를 활용하면서도 샌드위치 분산 추정량을 통해 2 단계 추정의 불확실성을 처리하는 엄격한 방법을 제공하는 통합 프레임워크를 제공합니다.

저자들은 GEEPERs 가 모든 위반 (특히 모델링되지 않은 효과 조절자와 관련된 위반) 에 면역은 아니지만, 일방향 비순응이 있는 교육 및 기타 무작위 시험에서 주성분 효과를 추정하기 위한 강건하고 해석 가능하며 계산적으로 직관적인 대안을 제공한다고 결론지었습니다.