Data integration of non-probability and probability samples with deterministic predictive mean matching

기술 요약: 결정론적 예측 평균 매칭을 이용한 비확률 표본과 확률 표본의 데이터 통합

문제 정의
본 논문은 확률 표본(표본 추출 확률은 알려져 있으나 대상 변수 $Y$가 결여된 경우가 많음)과 비확리 표본(대상 변수 $Y$를 포함하고 있으나 알려진 표본 추출 메커니즘이 없음)의 데이터를 통합하여 모집단 특성을 추정하는 과제를 다룬다. 기존 문헌은 역확률 가중치(IPW), 예측 추정량(PE), 이중 강건(DR) 방법들을 제안해 왔으나, 본 연구는 질량 대치(Mass Imputation, MI) 추정량에 초점을 맞춘다. 특히, 비확률 표본의 관측된 값을 사용하여 확률 표본 내 단위의 값을 대치하는 기법으로서 **결정론적 예측 평균 매칭(Predictive Mean Matching, PMM)**을 조사한다. 저자들은 파라메트릭/비파라메트릭 회귀 대치와 최근접 이웃(Nearest Neighbour, NN) 대치 사이의 간극을 메우고자 하며, 기존 문헌에서 충분히 탐구되지 않았던 데이터 통합 맥락에서의 엄격한 이론적 성질을 제공하고자 한다.

방법론
저자들은 확률 표본($S_P$)의 단위를 비확률 표본($S_{NP}$)에 매칭하기 위한 두 가지 준모수적 결정론적 PMM 알고리즘을 제안하고 분석한다:

1. PMM A ($\hat{y}-\hat{y}$ 매칭): $E[Y|X] = m(X, \beta)$인 회귀 모델로부터 도출된 예측 값($\hat{y}$)의 유사성에 기초하여 $S_P$의 단위를 $S_{NP}$의 단위와 매칭한다. 매칭 거리는 $d(\hat{y}_i, \hat{y}_j)$이다.
2. PMM B ($\hat{y}-y$ 매칭): $S_P$ 단위의 예측 값과 $S_{NP}$ 단위의 관측 값 사이의 유사성에 기초하여 단위를 매칭한다. 매칭 거리는 $d(\hat{y}_i, y_j)$이다.

두 접근 방식 모두에서, 각 단위 $i \in S_P$에 대해 $S_{NP}$ 내의 $k$개의 최근접 이웃을 식별하며, 대치되는 값은 이 이웃들의 관측된 $Y$ 값의 평균이다. 최종적인 모집단 평균 추정량은 확률 표본의 설계 가중치를 사용하여 이러한 대치된 값들의 가중 평균으로 계산된다.

이론적 분석은 초모집단 모델(superpopulation model)과 일련의 유한 모집단에 의존한다. 주요 가정은 다음과 같다:

• 회귀 파라미터에 대한 일치 추정량 $\hat{\beta}$의 존재.
• 회귀 잔차의 점근적 소멸(A2).
• 회귀 함수의 국소 리프시츠 연속성(Lipschitz continuity)(A3).
• NN 방법에서 흔히 요구되는 엄격한 "양의 확률(positivity)" 가정을 대체하는, 비확률 표본의 대표성에 관한 완만한 정칙성 조건(A4).
• 기증자 가중치의 안정성(B3) 및 $\hat{\beta}$의 영향 함수(B2)에 관한 PMM A를 위한 특정 조건들.

주요 기여

1. 이론적 일치성: 저자들은 올바른 모델 명세 하에서 PMM A와 P한 PMM B 추정량의 일치성을 증명한다. 결정적으로, 그들은 모델이 오설정(misspecification)된 경우에도 특정 볼록성(convexity) 및 컴팩트성(compactness) 조건을 지지 집합(support)에 대해 만족한다면 PMM A ($\hat{y}-\hat{y}$) 추정량이 일치성을 유지함을 입증한다.
2. 비모수 모델로의 확장: 본 논문은 회귀 함수 추정량이 균등하게 수렴한다는 조건 하에, PMM B ($\hat{y}-y$) 추정량의 일치성이 비모수 회귀 기법(예: Nadaraya–Watson 커널 회귀, 신경망)으로 확장됨을 보여준다.
3. 분산 분해: 전체 분산을 다음으로 나누는 새로운 분산 분해를 도출한다:
   • $V_1$: 설계 기반 분산 성분 (대치된 값의 Horvitz-Thompson 분산과 유사함).
   • $V_2$: 대치 과정의 무작위성(기증자 선택 및 회귀 추정)에서 발생하는 추가적인 분산 성분.
4. 분산 추정: 저자들은 다음을 제안한다:
   • $V_1$을 위한 부분적 해석적 추정량.
   • $V_2$에 필요한 공분산 항을 추정하기 위한 "미니 부트스트랩(mini-bootstrap)" 절차(알고리즘 2).
   • 두 성분을 결합한 전체 부트스트랩 절차(알고리즘 3).
   • 제안된 $V_1$의 해석적 분산 식이 표준 NN 추정량에도 적용될 수 있음을 보여줌으로써 이전의 결과들을 확장한다.
5. NN과의 차이점: 본 논문은 PMM과 NN을 엄격히 구분하며, 두 방법이 단일 공변량을 가진 선형 모델의 특수한 경우에만 동일하다고 명시한다. PMM은 "차원의 저주"에 덜 취약하며 엄격한 양의 확률 가정을 요구하지 않음을 보여준다.

결과

• 시뮬레이션 연구: 단순 무작위 추출 하에서 $N=10^5$를 대상으로 PMM 추정량을 NN 및 회귀 예측(GLM) 추정량과 비교하는 광범-한 시뮬레이션을 수행하였다.
  • 올바르게 설정된 모델: PMM 추정량은 GLM과 유사한 성능을 보였다. PMM B ($\hat{y}-y$)는 일반적으로 PMM A ($\hat{y}-\hat{y}$)보다 낮은 표준 오차를 나타냈다.
  • 모델 오설정: 선형 모델이 비선형 데이터 생성 과정에 대해 오설정되었을 때, PMM A는 NN 및 GLM에 비해 낮은 편향을 유지하며 우수한 강건성을 입증했다.
  • 분산 성분: $V_2$ 성분(대치 불확실성)의 기여도는 유한 표본에서 무시할 수 없는 수준이었으며, 실증 연구에서 매칭 추정량의 전체 분산을 약 40–60% 증가시켰다.
  • 포괄 범위(Coverage Rates): 해석적 및 부트스트랩 분산 추정량은 명목된 95% 포괄 범위를 달 Achieve 했다.
• 실증 연구: 폴란드에서 구인 수요 조사(확률 표본)와 중앙 구인 데이터베이스(비확률 표본)를 통합하여 우크라이나 노동자를 위한 구인 비중을 추정하기 위해 이 방법들을 적용하였다.
  • 모든 방법(GLM, NN, PMM, IPW, DR)의 점 추정치는 약 22% 근처에서 일관되게 나타났다.
  • 미니 부트스트랩을 통해 $V_2$ 성분을 포함함으로써 표준 오차가 크게 증가하였으며, 이는 매칭 불확실성을 고려하는 것의 중요성을 강조한다.
  • PMM A와 PMM B는 이 특정 응용 사례에서 구별할 수 없는 결과를 나타냈다.

의의 및 주장
본 논문은 결정론적 PMM, 특히 모델 오설정 하에서도 일치성을 유지하는 PMM A 변형이 데이터 통합을 위한 강력한 대안이 될 수 있다고 주장한다. 이는 표준 회귀 대치나 고차원에서의 NN이 보장하지 못하는 특성이다. 저자들은 엄격한 분산 분해 및 추정 접근 방식이 질량 대치에서의 불확실성 정량화를 위한 실용적인 프레임워크을 제공하며, NN 및 PMM 추정량의 분산을 설계 오차와 대치 오차로 분리하여 설명하는 기존 문헌의 공백을 메운다고 강조한다. 오픈 소스 소프트웨어(nonprobsvy 패키지)의 가용성은 이 방법들의 적용을 용이하게 한다. 저자들은 미니 부트스트랩을 일반적인 일치 추정량이라기보다 휴리스틱한 유한 표본 교정으로 규정하며 겸손한 태도를 유지하고, 다중 강건(multiply robust) PMM 절차 및 최적의 $k$ 하이퍼파라미터 선택을 위한 추가 연구가 필요함을 언급한다.