기술 요약: 증강 역학 모델을 이용한 인과 추론

문제 정의

본 논문은 단일 관측 시계열을 사용하여 시간 가변적 개입($A_t$)이 역학적 결과($Y_t$)에 미치는 인과적 효과를 추론하는 과제를 다룹니다. 역학 모델은 시나리오 예측이나 효과 추정을 위해 개입 변수를 포함하도록 빈번하게 수정되지만, 기존 문헌에서는 이러한 "증강(augmented)" 모델에 대해 두 가지 구별되는 해석을 혼동하는 경향이 있습니다:

1. 데이터 생성 모델 (DGM): 관측된 확률 변수의 조건부 밀도를 설명하는 모델.
2. 한계 구조 모델 (MSM): 반사실적 확률 변수 $Y_t(a_1, \dots, a_t)$의 분포를 설명하는 인과 모델.

핵심적인 문제는, 증강된 역학 모델을 최대 우도 추정법(MLE)이나 베이지안 방법으로 파라미터를 추정하기 위한 DGM으로 취급하고, 그 동일한 파라미터를 마치 MSM인 것처럼 사용하여 인과적 추론을 수행할 경우 **일치하지 않는 추정량(inconsistent estimators)**이 발생한다는 점입니다. 이러한 불일치는 g-null 패러독스로 나타납니다. 즉, 실제 인과 효과가 존재하지 않음에도 불구하고($\beta_A = 0$), 추정된 인과 효과는 0이 아닌 값으로 나타납니다. 이러한 편향은 유령 변수(phantom variables)—결과에는 영향을 미치지만 개입에는 영향을 미치지 않는 미관측 변수—로 인해 발생하며, 이들은 비선형 파라미터 모델에서 처치와 결과 사이의 조건부 의존성을 유발하여 우도 기반 추정치가 상관관계를 인과관계로 혼동하게 만듭니다.

방법론

저자들은 증강된 역학 모델을 다루는 네 가지 뚜렷한 접근 방식을 제안하고 분석하며, 이를 DGM으로 취급하는 방식과 MSM으로 취급하는 방식으로 구분합니다.

방법 1: 최대 우도/베이지안 추정 (결함이 있는 접근법)

• 절차: 증강된 모델을 DGM으로 취급합니다. 파라미터는 MLE 또는 베이지안 추론을 통해 추정됩니다. 적합된 모델은 이후 인과 효과 계산(예: g-formula) 또는 시나리오 예측에 사용됩니다.
• 문제점: 이 접근법은 g-null 패러독스를 겪습니다. 유령 변수가 존재하는 경우, 우도 함수는 인과적 효과와 의존성 파라미터를 분리할 수 없습니다. 결과적으로 인과 파라미터 추정치는 일치하지 않으며, 실제 효과가 0임에도 불구하고 0이 아닌 효과를 산출합니다.

방법 2: 추정 방정식을 통한 인과 효과 추출

• 절차:
  1. 증강된 모델을 DGM으로 취급하고 교란 변수($X_t$)를 포함합니다.
  2. g-formula(식 9)를 사용하여 DGM으로부터 인과 효과 $\psi(a_t)$를 추출합니다.
  3. 우도가 아닌 추정 방정식(식 14)을 사용하여 결과적인 인과 모델의 파라미터를 추정합니다.
• 메커니즘: 이 방법은 DGM에서 도출된 성향 점수(propensity score)를 사용하여 추정 방정식에 가중치를 부여함으로써 교란을 조정합니다.
• 한계: 관측 가능한 변수들의 전체 결합 분포를 명시해야 하므로 계산량이 많고 종종 다루기 어렵습니다. 결과적인 인과 모델은 해석력이 떨어질 수 있습니다.

방법 3: 증강 모델을 한계 구조 모델로 간주 (권장되는 방식)

• 절차:
  1. 증강된 역학 모델을 반사실적 $Y_t(a_t)$에 대한 MSM으로 직접 해석합니다.
  2. 성향 점수(과거 이력에 따른 개입의 확률)에 대한 별도의 모델을 명시합니다.
  3. 추정 방정식(식 14)을 사용하여 파라미터를 추정합니다.
• 메커니즘: 역학 모델을 반사실적 변수에 대한 인과 모델로 취급함으로써, 저자들은 우도 기반 방법론을 괴롭히는 인과 파라미터와 의존성 파라미터 사이의 변동 의존성을 피할 수 있습니다. 인과 효과 $\psi(a_t; \theta)$는 닫힌 형태(closed form)를 구할 수 없는 경우 몬테카를로 시뮬레이션(식 15)을 통해 근사됩니다.
• 장점: 이 방법은 가장 단순하며, 표준적인 인과 추론 관행과 일치하고, 성향 점수를 통해 교란을 쉽게 처리합니다. 또한 g-null 패러독스를 방지합니다.

방법 4: 인과 보존적 데이터 생성 모델

• 절차:
  1. 증강된 모델을 MSM으로 사용합니다.
  2. 코풀라(copulas)(특히 Evans와 Didelez, 2024에서 설명된 "절약된 파라미터화")를 사용하여 명시된 MSM과 일치하는 관측값 $(X_t, A_t, Y_t)$에 대한 전체 DGM을 구축합니다.
  3. 최대 우도법을 통해 모든 파라미터를 추정합니다.
• 메커니즘: 인과 관계의 파라미터화(MSM을 통해)와 의존성의 파라미터화(코풀라를 통해)를 명시적으로 분리함으로써, 모델은 변동 독립적(variation independent)이 되어 성향 점수로 나누는 과정 없이도 g-null 패러독스를 피할 수 있습니다.
• 한계: 이는 기술적으로 가장 까다로운 접근법으로, 특히 단일 시계열의 경우 복잡한 결합 분포와 코풀라 모델링을 요구합니다.

주요 기여 및 결과

이론적 기여

• 유령 편향(Phantom Bias)의 규명: 본 논문은 유령 변수(결과에는 영향을 미치지만 개입에는 영향을 미치지 않는 미관측 요인)가 비선형 역학 모델에서 우도 기반 추정치를 어떻게 불일치하게 만드는지 엄밀하게 입증했습니다.
• 해석의 구분: DGM과 MSM은 일반적으로 시계열 설정에서 서로 대체될 수 없으며, 이를 혼동하는 것이 g-null 패러독스로 이어진다는 점을 명확히 했습니다.
• 방법론적 프레임워크: 저자들은 네 가지 방법을 구조적으로 비교하여, 방법 2, 3, 4는 인과 추론에 유효하지만 방법 1은 그렇지 않음을 강조했습니다.

실증적 결과

저자들은 시뮬레이션 데이터와 관찰 연구를 통해 이론적 주장을 검증했습니다:

1. 준-기계적(Semi-mechanistic) 모델 시뮬레이션:
   • 방법 1 (MLE): 상당한 유령 편향을 보였습니다. 실제 인과 효과 $\beta_A = 0$일 때, MLE는 0이 아닌 효과를 추정했습니다.
   • 방법 3 (추정 방정식): 편향되지 않은 추정치를 생성하여, 실제 효과가 없을 때 $\beta_A = 0$을 정확히 회복했습니다.
2. SEIR 모델 시뮬레이션:
   • 위의 결과를 재현했습니다: MLE 추정치는 유령 변수로 인해 편향되었으나, 추정 방정식(방법 3)은 일치성을 보였습니다.
3. 미국 COVID-19 데이터 관찰 연구:
   • 미국 30개 주의 이동성(전일제 근무 비율)이 COVID-19 사망에 미치는 영향을 분석했습니다.
   • 비교: 방법 3의 추정치는 30개 주 중 24개 주에서 방법 1(MLE)의 추정치보다 유의미하게 낮았습니다 ($p < 0.001$).
   • 해석: 저자들은 MLE 추정치가 유령 편향으로 인해 이동성이 사망에 미치는 인과 효과를 과다 추정했을 가능성이 높으며, 추정 방정식 접근법이 더 보수적이고 정확한 추정치를 제공했다고 제안합니다.

의의 및 주장

본 논문은 역학 모델링의 표준 관행—특히 증강 모델을 우도법으로 적합시키고 이를 인과적으로 해석하는 것—이 g-null 패러독스로 인해 근본적으로 결함이 있다고 주장합니다. 저자들의 주장은 다음과 같습니다:

1. MLE 및 베이지안 추정치는 이러한 맥 맥락에서 인과 추론에 사용해서는 안 됩니다. 왜냐하면 이들은 일치하지 않는 추정량을 생성하기 때문입니다.
2. 방법 3이 가장 실용적이고 자연스러운 해결책입니다. 방법 4보다 적은 모델링 가정을 요구하면서도, 성향 점수로 나누는 과정 없이 유령 편향을 성공적으로 제거합니다.
3. 모델 오설정(Misspecification) vs. 유령 편향: 모든 방법이 잠재적인 모델 오설정의 문제를 겪을 수 있지만, 오직 방법 2, 3, 4만이 비선형 모델에서 유령 변수에 의해 도입되는 특유의 구조적 편향을 제거합니다.

저자들은 방법 4가 성향 점수로 나누는 과정을 피하는 원칙적이고 완전히 명시된 대안을 제공하지만, 단순성과 해석력을 고려할 때 방법 3이 권장되는 접근법이라고 결론짓습니다. 또한 역학 연구에서 데이터 생성 모델과 인과 모델을 구분하는 것이 매우 중요함을 강조합니다.