Tilted sensitivity analysis in matched observational studies

문제점
매칭된 관측 연구에서 연구자들은 관찰된 공변량이 유사한 처치군과 대조군을 쌍으로 묶어 처치 효과를 추정한다. 그러나 관찰되지 않은 교란 요인이 여전히 잠재적 편향을 유발할 수 있으며, 이는 반응값이 큰 단위가 처치를 받을 가능성이 더 높은 경우에 발생한다. Rosenbaum(1987)의 모델을 따르는 민감도 분석은 연구 결과의 견고성을 정량화하기 위해, 연구의 결론을 무효화하는 데 필요한 미측정 교란의 크기($\Gamma$)를 결정한다.

쌍을 이룬 연구(하나의 처치군, 하나의 대조군)에 대한 민감도 분석은 최악의 경우 p-값과 설계 민감도에 대한 폐쇄형 해(closed-form solution)가 잘 확립되어 있지만, 여러 개의 대조군을 가진 매칭 세트($n_i > 2$)로 이러한 방법을 확장하는 것은 상당한 기술적 난관을 수반한다. 기존의 접근 방식인 "분리 알고리즘(separable algorithm)"(Gastwirth et al., 2000)은 미측정 교란의 최악의 패턴을 찾기 위해 $I$개의 최적화 문제를 풀어야 한다. 결정적으로, $n_i > 2$인 경우 이 알고리즘은 최악의 기대값에 대한 폐쇄형 표현식을 제공하지 않으며, 최악의 패턴은 민감도 매개변수 $\Gamma$가 변함에 따라 달라진다. 이러한 폐쇄형 해의 부재는 "설계 민감도(design sensitivity)"(Rosenbaum, 2004)—즉, 편향으로부터 테스트 통계량을 구별해내는 통계량의 능력을 설명하는 지표—의 분석적 계산을 저해하며, 이론적 비교를 위해 몬테카를로 시뮬레이션에 의존하게 만든다.

방법론
본 논문은 "틸티드 민감도 분석(tilted sensitivity analysis)" 절차를 소개한다. 임의의 후보 테스트 통계량 $T = \sum Z_{ij}q_{ij}$에 대하여, 본 방법은 각 매칭 세트 $i$에 대해 다음과 같이 수정된 "틸티드(tilted)" 통계량 $T_{\Gamma i}$를 정의한다:
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
여기서 $T_i$는 세트 $i$에 대한 원래의 통계량이고, $\bar{q}_i$는 해당 세트 내 점수 $q_{ij}$의 평균이다.

이 수정 방식은 미측정 교란의 최악의 패턴(날카로운 귀무가설 하에서 기댓값을 최대화하는 벡터 $u$)이 폐쇄형으로 존재하며, $\Gamma$ 값에 관계없이 불변하도록 구성되었다. 구체적으로, 최악의 교란 요인은 $q_{ij} > \bar{q}_i$이면 $u_{ij}=1$을 할당하고, 그렇지 않으면 $u_{ij}=0$을 할당한다. 이 특정 패턴 하에서, 틸티드 통계량의 기댓값은 0이며, 그 분산은 폐쇄형 표현식으로 주어진다.

본 논문은 이 접근 방식이 기존 방법들을 통합함을 보여준다:

1. 부호 점수 통계량(Sign-score statistics): 두 가지 값만을 갖는 통계량(예: 쌍을 이룬 설계 또는 맨텔-한젤 검정)의 경우, 틸티드 접근 방식은 기존의 민감도 분석을 정확히 재현한다.
2. 역확률 가중치(Inverse Probability Weighting, IPW): 틸티드 통계량은 미니맥스 중심의 IPW 통계량과 동일하며, 매칭 세트 가중치에 의해서만 차이가 난다.

주요 기여

1. 폐쇄형 최악의 분포: 분리 알고리즘과 달리, 틸티드 접근 방식은 여러 개의 대조군을 포함한 모든 매칭 구조에 대해 최악의 기대값과 분산에 대한 폐쇄형 표현식을 제공한다. 이는 민감도 분석 단계에서 반복적인 최적화 과정을 제거한다.
2. 폐쇄형 설계 민감도: 본 논문은 임의의 매칭 구조에 대해 틸티드 통계량의 폐쇄형 설계 민감도를 도출한다:
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   여기서 $\theta$는 평균 처치 효과 기여의 확률 극한이고, $\eta$는 평균 절대 기여의 확률 극한이다. 이를 통해 이전에는 시뮬레이션 없이는 불가능했던 경쟁 통계량 간의 분석적 비교가 가능해졌다.
3. 적응형 결합: 본 논문은 틸티드 방식과 기존 방식을 결합하는 적응형 절차를 제안한다. 다변량 단측 검정 프레임워크(Cohen et al., 2020)를 사용하여, 이 방법은 두 통계량에 적응적으로 가중치를 부여하여 개별 접근 방식의 최대치보다 작지 않은 설계 민감도를 달가함으로써, 하위 최적 방법의 사전 선택에 따른 위험을 방지한다.

결과

• 이론적 비교: 분석적 도출과 몬테카를로 시뮬레이션을 통해, 본 논문은 틸티드 접근 방식이 대칭 및 우편향(right-skewed) 오차 분포에 대해 기존 방식보다 일반적으로 설계 민감도를 개선함을 보여준다. 반대로, 좌편향(left-skewed) 분포의 경우 기존 방식이 우수한 설계 민감도를 유지하는 경우가 많다.
• 대조군의 효과: $m$-통계량($m$-통계량은 차이-평균 및 순위 검정을 포함하는 클래스임)에 대하여, 틸티드 접근 방식의 설계 민감도는 매칭된 대조수의 $J$에 대해 비감소하며, 완만한 조건 하에서 엄격히 증가한다.
• 실제 데이터 적용: 다섯 가지 실제 데이터 사례(흡연, 생선 섭취, 교육, 알코올, 가벼운 음주를 포함)에서, 틸티드 접근 방식은 특히 결과값이 우편향되었거나 특정 테스트 통계량을 사용하는 데이터셋에서 기존 방식보다 빈번하게 더 높은 민감도 값을 나타냈다(이는 숨겨진 편향에 대한 더 높은 견고성을 의미함). 적응형 접근 방식은 일반적으로 두 개별 방법 중 최선의 성능을 보였으며, 최악의 방법보다는 유의미하게 나은 성능을 보였다.

의의
본 논문은 틸티드 민감도 분석이 여러 개의 대조군을 가진 매칭된 관측 연구를 위한 실용적이고 이론적으로 우월한 대안을 제공한다고 주장한다. 최악의 분포와 설계 민감도 모두에 대한 폐쇄형 해를 제공함으로써, 본 연구는 다중 대조 상황에서의 강건한 추론 발전을 제한해 온 계산적 및 이론적 장벽을 제거한다. 설계 민감도를 분석적으로 비교할 수 있는 능력은 더 나은 연구 설계와 더 견고한 테스트 통계량의 선택을 용이하게 한다. 또한, 적응형 결합은 연구자가 틸티드 방식과 기존 방식 중 하나를 사전에 선택할 필요 없이, 보고된 관측 결과의 견고성을 유지하거나 향상시키면서도 부적절한 방법론적 선택에 대한 안전장치를 제공한다.