Model-based standardization using multiple imputation

기술적 요약: 다중 대체를 활용한 모델 기반 표준화

문제 제기
상대적 치료 효과를 추정할 때, 연구자들은 종종 조건부 추정량과 한계 추정량 사이에서 선택을 해야 합니다. 조건부 효과는 다변량 회귀 모델에서 직접 도출되는 반면, 한계 효과는 특히 오즈비와 위험비와 같은 비축적적(non-collapsible) 측정치에 대해 인구 수준의 의사결정을 위해 일반적으로 선호됩니다. 표준 모델 기반 표준화 (종종 G-계산이라고 함) 는 대상 공변량 분포에 대해 평균화함으로써 조건부 모델 예측을 한계 치료 효과로 변환하는 전통적인 방법입니다.

표준 접근법은 결과 모델에 대한 최대우도추정 (MLE) 과 분산 추정을 위한 비모수 부트스트래핑에 의존합니다. 그러나 이 프레임워크는 한계를 지닙니다: 베이지안 추론을 자연스럽게 수용하지 못하여, 사전 증거를 통합하거나, 원칙적인 확률적 방식으로 결측 데이터를 처리하거나, 불확실성을 통합된 프레임워크를 통해 전파하기 어렵습니다. 또한, 표준화는 종종 결과 데이터가 결여된 외부 대상 인구 (예: 실제 세계 데이터) 로 모델 예측을 외삽해야 하며, 이는 개념적으로 결측 데이터 문제와 유사한 시나리오입니다.

방법론: 다중 대체 한계화 (MIM)
저자들은 다중 대체 한계화 (Multiple Imputation Marginalization, MIM) 라는 새로운 범용 방법을 제안합니다. 이 접근법은 표준화 문제를 결측 데이터 문제로 재구성하며, 여기서 관심 있는 치료 하의 대상 인구에 대한 결과값이 체계적으로 결측되어 있습니다. MIM 은 다중 대체의 원리를 활용하여 이러한 결측 결과값을 종합하고 한계 치료 효과를 추정합니다.

이 방법은 두 가지 명확한 단계로 작동합니다:

1. 종합 단계 (데이터 생성):

   • 1 단계 회귀: 치료 효과 추정치의 출처인 인덱스 연구의 개인 수준 데이터에 매개변수 다변량 회귀 모델 (예: 로지스틱 회귀) 을 적합시킵니다. 이 모델은 결과와 기저 공변량 및 치료를 연결하며, 효과 이질성을 포착하기 위해 치료 - 공변량 상호작용을 포함합니다. 이는 사전 분포를 지정할 수 있도록 베이지안 프레임워크 (예: MCMC 를 통해) 를 사용하여 추정됩니다.
   • 결과 예측: "데이터 증강" 단계는 대상 공변량 데이터셋을 복제하여 합성 데이터셋을 생성합니다. 한 복제본은 활성 치료 ($t=1$) 를, 다른 복제본은 대조군 ($t=0$) 을 할당받습니다.
   • 대체: 1 단계 회귀에서 도출된 사후 예측 분포를 사용하여 증강된 대상 데이터셋의 결측 결과값에 대한 타당한 값을 추출합니다. 이 과정은 $M$ 번 반복되어 $M$ 개의 합성 데이터셋을 생성하며, 각 데이터셋에는 대상 공변량, 치료 지표, 그리고 대체된 결과값이 포함됩니다.

2. 분석 단계 (추론):

   • 2 단계 회귀: $M$ 개의 합성 데이터셋 각각에 대해 단순한 한계 회귀를 수행하여, 대체된 결과값을 오직 치료 지표에 대해 회귀함으로써 한계 치료 효과 ($\delta^{(m)}$) 와 그 분산 ($\hat{v}^{(m)}$) 을 추정합니다.
   • 풀링: $M$ 개의 점 추정치와 분산을 결합하여 한계 치료 효과에 대한 사후 분포를 구성합니다. 저자들은 이 특정 맥락에 맞게 적응된 루빈의 규칙 (Rubin's rules) 과 유사한 결합 규칙을 활용합니다. 구체적으로, 평균 추정치 ($\bar{\delta}$), 대체 내 평균 분산 ($\bar{v}$), 그리고 대체 간 분산 ($b$) 을 계산합니다.
   • 추론: 최종 추정치는 $M$ 개의 추정치의 평균입니다. 분산은 대체 내 및 대체 간 변동성을 모두 고려하고 유한한 합성 수에 대해 보정한 공식을 사용하여 추정됩니다. 신뢰 구간은 정규 근사 또는 조정된 자유도를 가진 $t$-분포를 사용하여 도출할 수 있습니다.

주요 기여

• 새로운 프레임워크: 이 논문은 다중 대체와 모델 기반 표준화 사이의 다리 역할을 하는 MIM 을 도입하여, 표준화를 베이지안 통계 프레임워크 내에서 수행할 수 있게 합니다.
• 불확실성 전파: 표준 부트스트래핑 접근법과 달리, MIM 은 사후 예측 분포를 통해 결과 모델 매개변수로부터의 불확실성을 최종 한계 효과 추정치까지 자연스럽게 전파합니다.
• 유연성: 이 방법은 사전 증거 (예: 메타분석이나 전문가 의견에서 비롯된) 를 결과 모델에 통합하는 것을 용이하게 하며, 인덱스 연구에서 결측 데이터를 처리하는 원칙적인 방법을 제공합니다.
• 계산 효율성: 종합 단계와 분석 단계를 분리함으로써, MIM 은 중첩된 시뮬레이션 (예: 베이지안 MCMC 루프 내의 부트스트래핑) 의 계산적 부담을 피합니다.

결과
저자들은 표준 매개변수 G-계산 접근법 (비모수 부트스트래핑을 사용한 MLE) 에 대해 MIM 을 벤치마크하기 위해 시뮬레이션 연구를 수행했습니다. 이 연구는 이진 결과, 연속 공변량, 그리고 로지스틱 결과 모델을 활용하여 한계 로그 오즈비를 대상으로 했습니다. 시나리오는 인덱스 시험의 표본 크기 ($N=500, 1000, 2000$) 와 인덱스 및 대상 공변량 분포 간의 중첩 정도 (제한적 vs. 완전 중첩) 에 따라 변했습니다.

• 편향 없음: 매개변수 모델링 가정이 성립할 때, MIM 은 표준 접근법과 비교 가능한 방식으로 대상 공변량 분포에서 한계 치료 효과에 대한 편향 없는 추정치를 산출했습니다.
• 정밀도 및 효율성: MIM 의 경험적 표준 오차 (ESE) 와 평균 제곱 오차 (MSE) 는 모든 시나리오에서 표준 접근법의 값과 거의 동일했습니다.
• 커버리지: 95% 구간 추정치의 경험적 커버리지 비율은 두 방법 모두에서 명목상 95% 수준에 근접했습니다. 약간의 편차는 작은 표본 크기 ($N=500$) 에서만 발생했는데, 이는 MIM 방법론 자체보다는 로지스틱 회귀의 고유한 작은 표본 편향 때문일 가능성이 높습니다.
• 강건성: 이 연구는 올바른 모델 지정 하에서 유한 표본에서 MIM 이 표준 접근법만큼 잘 수행됨을 입증했습니다.

의의 및 주장
이 논문은 MIM 이 매개변수 가정이 충족될 때 확립된 G-계산 방법과 비교 가능한 성능을 제공하며, 표준 모델 기반 표준화에 대한 통계적으로 유효한 대안을 제공한다고 주장합니다. 주요 의의는 방법론적 확장성에 있습니다: MIM 은 표준화를 확률적 (베이지안) 프레임워크에 통합함으로써 불확실성의 원칙적인 전파와 사전 증거의 통합을 가능하게 합니다.

저자들은 명시적으로 시뮬레이션 연구가 "원리 증명 (proof-of-principle)" 역할을 한다고 밝힙니다. 그들은 연구가 올바른 모델 지정과 함께 "최상의 시나리오"에 초점을 맞추었으며, 모델 오지정 (misspecification) 에 대한 강건성을 조사하지 않았음을 인정합니다. 그들은 MIM 이 결측 데이터 처리와 사전 정보 통합 능력 때문에 매력적이지만, 그 적용은 결과 모델의 올바른 지정과 데이터 소스 전반에 걸쳐 일관되게 정의된 공변량의 존재에 의존한다고 지적합니다. 논문은 MIM 이 대상 공변량 분포에 대한 한계화에 실행 가능한 방법이며, 표준 접근법과 유사한 적절한 추론과 통계적 성능을 제공하면서도 베이지안 프레임워크의 추가적인 유연성을 제공한다고 결론지었습니다.