Bridging Binarization: Causal Inference with Dichotomized Continuous Exposures

기술 요약: 이진화의 가교: 이분화된 연속 노출에 대한 인과 추론

문제 제기
인과 추론에서 평균 처치 효과(Average Treatment Effect, ATE)는 이진 노출에 대해 정의되는 표준 매개변수입니다. 그러나 많은 과학 분야에서는 연속적인 노출(예: 소득 불평등, 알코올 소비량, 농약 수치)에 대한 인과적 효과를 정량화하고자 합니다. 이를 해결하기 위한 일반적인 관행은 "이진화"(또는 이분화)로, 연속적인 노출 변수 $A$를 특정 절단값(예: $A \geq c$이면 $T=1$, 그렇지 않으면 $0$)을 기준으로 이진 더미 변수$T$로 변환하는 것입니다. 연구자들은$T$를 사용하여 ATE를 추정하며, 이를 "이진화된 ATE"(Binarized ATE, BATE)라고 부릅니다.

이러한 보편성에도 불구하고, 이진화는 방법론적인 비판에 직면해 있습니다. 비판론자들은 단일한 이진 범주 내에 여러 버전의 처치가 존재하는 것으로 암시함으로써 이진화가 안정적 단위 처치 가치 가정(SUTVA)을 위반한다고 주장합니다. 또한, 범주 내 위험의 동질성을 가정하고 개입의 구체적인 메커니즘을 모호하게 만든다는 비판을 받기도 합니다. 결과적으로 많은 연구자가 이 접근법을 사용하는 것을 주저하게 되지만, 공중 보건 및 사회 과학 분야에서는 여전히 널리 사용되고 있습니다.

방법론
저자들은 BATE를 **수정된 처치 정책(Modified Treatment Policies, MTPs)**의 관점에서 재해解함으로써 이진화를 검증하는 프레임워크를 제안합니다.

1. 수정된 처치 정책과의 등가성:
   본 논문은 BATE가 두 가지 특정 MTP 간의 평균 결과 차이와 수학적으로 동일함을 입증합니다. 이러한 정책은 단순히 고정된 값을 할당하는 것이 아니라, 교란 요인 $W$에 대한 연속 노출 $A$의 기저 분포를 변화시킵니다.

   • 정책 1 ($\tilde{A}_1$): 노출을 $T=1$인 영역(예: $A \geq c$)으로 제한합니다.
   • 정책 0 ($\tilde{A}_0$): 노출을 $T=0$인 영역(예: $A < c$)으로 제한합니다.
   • 핵심 가정: 두 정책 모두 **상대적 자기 선택의 보존(Preservation of relative self-selection)**을 가정합니다. 이는 허용된 영역 내에서 임의의 두 노출 값 사이의 확률 밀도 비율이 관찰된 세계와 비교하여 변하지 않음을 의미합니다. 형식적으로, 임의의 $a, a' \in \text{허용된 영역}$에 대하여, $\frac{p(\tilde{A}|W=a)}{p(\tilde{A}|W=a')} = \frac{p(A|W=a)}{p(A|W=a')}$입니다. 이는 루스(Luce)의 무관한 대안으로부터의 독립성(IIA)과 유사합니다.

2. 식별(Identification):
   표준적인 인과 가정(양의성 및 조건부 독립성/미측정 교란 없음) 하에서, BATE는 이 두 MTP 하에서의 기대 결과 차이인 $\Psi_{BATE} = E[Y^{\tilde{A}_1}] - E[Y^{\tilde{A}_0}]$로 식별됩니다. 이 공식은 노출 분포가 어떻게 변화하는지를 명시적으로 정의함으로써 SUTVA 위반 문제를 해결하고 투명한 인과 메커니즘을 제공합니다.

3. 새로운 매개변수: 이진화의 인과적 귀속 효과(Causal Attributable Effect of Binarization, CAB):
   저자들은 하나의 MTP(예: "처치된" 정책)와 관찰된 세계(현상 유지) 간의 차이로 정의되는 새로운 매개변수인 CAB ($\Psi_{CAB}$)를 도입합니다. 즉, $\Psi_{CAB} = E[Y^{\tilde{A}_t}] - E[Y]$입니다.

   • 저자들은 CAB가 두 개의 가상적인 대조 세계를 비교하는 BATE보다 더 관련성이 높다고 주장하는데, 이는 특정 정책 개입을 현재의 현실과 비교하기 때문입니다.
   • CAB의 식별은 BATE(양방향 양의성 필요)보다 더 약한 가정(단방향 양의성)을 요구합니다.

4. 추정:
   본 논문은 BATE와 CAB 모두에 대해 네 가지 추정량인 회귀 조정(Regression Adjustment), 역확률 가중(IPW), 증강 역확리 가중(AIPW), 그리고 표적 최대 가능도 추정(TMLE)을 상세히 설명합니다.

   • 중요한 기술적 발견은 이 매개변수들을 추정하는 데 연속 노출 $A$의 전체 밀도를 추정할 필요가 없다는 점입니다. 이진화된 ATE와의 등가성 덕분에, 연구자들은 이진 변수 $T$의 성향 점수(즉, $P(T=1|W)$)와 결과 회귀 $E[Y|T, W]$만을 추정하면 됩니다. 이는 전체 분포의 밀도 추정이 필요한 다른 MTP들에 비해 구현을 크게 단순화합니다.

결과

• 시뮬레이션 연구: 저자들은 표본 크기 150, 300, 500인 5,000개의 반복 샘플을 사용하여 시뮬레이션 연구를 수행했습니다. 결과에 따르면 회귀, IPW, AIPW 추정량은 모두 편향이 거의 없이 일관된 결과를 보였습니다. 표준 오차는 방법론 간에 유사했으며, 추정량은 작은 표본 크기에서도 잘 작동했습니다. 결정적으로, 시뮬레이션은 연속 노출 $A$의 전체 분포를 알 필요 없이 $T$와 공변량 $W$만을 사용하여 일관된 추정이 가능하다는 것을 확인했습니다.
• 적용 (캘리포니아 석유/가스 유정): 이 방법은 석유 및 가스 유정 주변에 1km 보호 구역을 설정하는 캘리포니아 법안을 평가하는 데 적용되었습니다. 노출은 가장 가까운 유정까지의 거리였으며, 1km를 기준으로 이진화되었습니다.
  • 추정된 BATE는 모든 유정이 1km 이내에 있는 세상과 비교하여, 모든 유정을 1km 외부로 이동시켰을 때 저체중아 출생 확률이 0.205% 증가함을 시사했습니다.
  • 추정된 CAB는 정책이 시행될 경우 현재의 현상 유지 상태와 비교하여 저체중아 출생 확률이 0.0080%만 증가함을 시사했습니다.
  • 저자들은 BATE가 두 극단적인 가상의 세계를 비교하기 때문에 정책 효과를 과장할 수 있는 반면, CAB는 정책을 실제 현실과 비교한다는 점을 언급했습니다. 또한, 유정을 제거하는 것이 다음 근접 유정의 공간적 배치를 바꾸는 데 영향을 미친다면 "상대적 자기 선택의 보존" 가정이 완벽하게 성립하지 않을 수 있다고 논의했으나, 본 방법론은 이러한 정책을 평가하기 위한 구조화된 방식을 제공합니다.

의의 및 주장
본 논문은 연속 노로에 대한 이진화라는 광범로한 관행에 대한 엄격한 이론적 정당성을 제공한다고 주장합니다. BATE와 상대적 자기 선택을 보존하는 MTP 사이의 등가성을 확립함으로써, 저자들은 이진화가 기저의 가정이 특정 정책 맥락에서 타당하다면 특정 인과적 질문에 답하기 위한 통계적으로 유효한 방법임을 주장합니다.

주요 기여는 다음과 같습니다:

1. 이론적 검증: MTP(정의된 인과 메커로)를 통해 이진화에 대한 논쟁을 해결했습니다.
2. 새로운 매개변수 (CAB): 현상 유지와 비교하여 개입을 평가하는 더 정책 관련성이 높은 매개변수인 CAB를 제안하였으며, 이는 더 약한 식별 요구 조건을 가집니다.
3. 실용적 추정: 복잡한 MTP를 연속 노출의 비모수적 밀도 추정 없이 표준 ATE 기술(회귀, IPW, AIPW, TMLE)을 사용하여 추정할 수 있음을 보여줌으로써 접근성을 높였습니다.
4. 맥락적 가이드라인: 이진화의 타당성은 정책 상황 하에서 개인이 어떻게 행동할 것인지(예: 상대적 선호도를 유지하기 위해 이동하거나 행동을 조정할지 여부)에 대한 도메인 지식에 달려 있음을 강조합니다. 본 논문은 이진화가 보편적으로 옳다고 주장하는 것이 아니라, "상대적 자기 선택의 보존" 가정이 실제 정책 메커니즘과 일치할 때 유효한 도구임을 밝히는 것입니다.