Principal stratification with U-statistics under principal ignorability

기술 요약: 주성분 무시성(Principal Ignorability) 하에서의 U-통계량을 이용한 주성분 층화(Principal Stratification)

문제 정의
주성분 층화는 중간 변수(예: 처치 불이행 또는 생존 상태)가 존재하는 인과 추론의 표준 프레임워크이다. 기존 문헌은 주로 특정 주성분 층 내에서의 잠재적 결과의 기대 차이로 정의되는 '주성분 평균 인과 효과(PACE)'에 집중해 왔다. 그러나 과학적 관심사가 평균 차이보다는 결과의 상대적 순위에 있는 경우, 이 지표는 불충분할 수 있다. 이는 서열 척도(ordinal outcomes), 복합 종점(composite endpoints), 또는 평균 차이에 민감한 두꺼운 꼬리나 이상치를 가진 분포가 있는 경우 특히 중요하다. 또한, 일반화된 인과 효과(예: 확률적 지수 또는 승률)에 대한 기존 방법론들이 주성분 층화 설정으로 완전히 확장되지 않았으며, 이는 비모수적 식별 및 효율적 추정에 있어 공백을 남기고 있다.

방법론
저자들은 $\tau^s_h = E[h\{Y_1(1), Y_2(0)\} | S_1 = S_2 = s]$로 정의되는 **주성분 일반화 인과 효과(PGCE)**를 추정하기 위한 프레임워크를 제안한다. 여기서 $h$는 임의의 대조 함수(잠재적으로 비선형)이며, $S$는 주성분 층을 나타낸다. 방법론은 다음 단계로 진행된다:

1. 식별(Identification): 처치 무시성(Treatment Ignorability), 단조성(Monotonicity, "반항자" 또는 "해를 입은" 층 제외), 그리고 **쌍별 평균 주성분 무시성(Pairwise Mean Principal Ignorability)**이라는 세 가지 구조적 가정을 바탕으로, 저자들은 비모수적 식별 공식을 도출한다. 쌍별 평균 주성분 무시성 가정은 비선형 대조 함수를 수용하기 위해 이전 연구(예: Jiang et al., 2022)에서 발견된 단위별 가정을 일반화한 것이다. 이는 공변량 조건 하에서, 동일한 관측 데이터 층으로 매핑되는 특정 잠재 주성분 층 쌍들 사이에서 기대 대조 함수가 교환 가능함을 의미한다.
2. 효율적 영향 함수(Efficient Influence Functions, EIFs): 저자들은 PGCE 추정량에 대한 EIF를 도출한다. 이 함수들은 준모수적 효율적 경계를 특징지으며, 최적 추정량 구축의 기초가 된다. 유도 과정은 많은 PGCE(예: 승률)가 갖는 비율 구조와 관측치 쌍에 정의된 교란 함수(nuisance functions)에 대한 의존성을 고려한다.
3. U-통계량을 이용한 추정: EIF가 관측치 쌍에 정의된 교란 함수를 포함하므로, 저자들은 U-통계량을 사용하여 추정량을 구성한다.
   • 다중 강건 추정량(Multiply Robust Estimators): 세 가지 교란 모델(처치 성향 점수, 주성분 점수, 또는 쌍별 결과 평균) 중 두 가지만 정확하게 지정되어도 일관성과 점근적 정규성을 유지하는 "삼중 강건(triply robust)" 추정량을 개발한다.
   • 편향 제거 머신러닝(Debiased Machine Learning, DML): 유연한 데이터 적응형 교란 함수 추정을 통해 완전한 점근적 효율성을 달弦하기 위해, 저자들은 교차 적합(cross-fitting, 표본 분할)과 함께 U-통계량 프레임워크를 통합한다. 이를 통해 머신러닝 알고리즘(예: 랜덤 포레스트, SuperLearner)을 사용하면서도 완만한 정규성 조건 하에서 $n^{1/2}$-일관성과 점근적 정규성을 유지할 수 있다.
4. 민감도 분석: 단조성 가정의 검증 불가능한 특성을 다루기 위해, 저자들은 "해를 입은" 층의 비율을 정량화하여 단조성 위반 시 편향 수정 추정을 가능하게 하는 민감도 함수 $\eta(X)$를 도입하는 민감도 분석 전략을 제안한다.

주요 기여

• 추정량의 일반화: 본 논문은 표준 PACE를 넘어 확률적 지수 및 승률을 포함하여 임의의 대조 함수를 수용할 수 있는 클래스인 PGCE를 도입함으로써, 주성분 층 내의 일반화된 인과 효과를 다룬다.
• 이론적 확장: Jiang et al. (2022)의 이론적 결과를 선형 대조에서 주성분 무시성 하의 더 넓은 비선형 대조 클래스로 확장하여, 이진 중간 변수가 존재하는 상황에서 이러한 일반화된 효과에 대한 최초의 비모수적 식별 공식을 제공한다.
• 효율적 영향 함수: PGCE에 대한 EIF 도출은 이들 추정량의 준모수적 효율 경계를 확립한다.
• 삼중 강건 U-통계량: 저자들은 제안된 U-통계량 기반 추정량이 삼중 강건 속성(세 모델 중 두 개가 맞으면 일관적임)을 가지며, 모든 모델이 맞을 때 국소적 효율성을 달성함을 입증한다.
• 머신러닝과의 통합: 본 연구는 교차 적합을 통한 디바이어스드 머신러닝(DML) 적용을 위한 엄격한 이론적 토대를 제공하며, 교차 적합된 U-통계량이 표준 머신러닝 수렴 속도 하에서 효율 경계를 달성함을 증명한다.

결과
제안된 방법론은 시뮬레이션 연구와 실제 데이터 적용을 통해 평가되었다:

• 시뮬레이션: 연속형 및 서열형 결과 시나리오에서, 삼중 강건 및 DML 추정량은 세 가지 교란 모델 중 하나가 잘못 지정되었을 때도 일관성을 보여주었다. 반면, 표준 플러그인 모멘트 추정량은 이러한 오지정 하에서 편향되었다. DML 추정량은 일반적으로 매개변수적 삼중 강건 추정량에 비해 낮은 편향과 개선된 정확도를 보였으며, 특히 유한 표본에서 그러했다.
• 데이터 사례 (Jobs Corps): 제안된 방법론은 비이행(noncompliance)과 고용 상태(사망에 의한 절단)를 고려하여 직업 훈련이 소득에 미치는 인과 효과를 추정하기 위해 미국 Jobs Corps 연구에 적용되었다.
  • 항상 고용된 참가자들 사이의 **생존 확률 지수(Survivor Probabilistic Index, SPI)**의 경우, DML 및 삼중 강건 방법은 처치받은 개인이 대조군 개인보다 높은 소득을 가질 확률을 0.539로 추정하였으며(95% 신뢰구간이 0.5를 포함하지 않음), 이는 양(+)의 처치 효과를 시사한다.
  • 서열형 소득을 고려한 **주성분 승률(Principal Win Ratio, PWR)**의 경우, 분석 결과 층(strata) 간의 이질적인 효과가 드러났다. 순응자(compliers)는 유의미한 양의 효과(승률 ~1.27)를 보인 반면, 불이행자(never-takers)는 중립적인 효과를 보였다. 주목할 점은, 항상 처치받는 집단(always-takers) 또한 유의미한 양의 효과를 보였다는 것이며, 이는 처치 배정 자체의 심리적 영향을 시사한다.
  • 민감도 분석: PWR 추정량은 단조성 가정 위반에 대해 강한 강건성을 보였으나, SPI 추정치는 "해를 입은" 층의 비율이 증가함에 따라 크기가 약간 변화하는 모습을 보였다.

의의 및 주장
본 논문은 평균 대조를 넘어 서열 및 복합 결과를 수용할 수 있는 주성분 층화에서의 인과 추론을 위한 포괄적인 프레임워크를 제공한다고 주장한다. 효율적 영향 함수를 확립하고 삼중 강건 U-통계량 추정량을 개발함으로써, 본 연구는 일반화된 인과 효과의 식별 및 효율적 추정에 관한 기존 문헌의 중요한 공백을 메운다. 저자들은 자신들의 접근 방식이 모델 오지정(misspecification)에 대한 강건성을 유지하면서 비선형 대조와 복합 종점을 다루는 원칙적인 방법을 제공한다고 강조한다. 머신러닝을 교차 적합을 통해 통합함으로써, 복잡한 교란 함수를 유연하게 모델링할 수 있어 고차원 데이터 환경에도 적용 가능하다. 저자들은 현재의 개발이 독립 동일 분포(i.i.d.) 데이터를 가정하고 있으며, 이러한 방법론을 클러스터링되거나 종단적 데이터 구조로 확장하는 것이 향후 연구 과제임을 겸허히 밝힌다.