Optimal two-phase sampling designs for generalized raking estimators with multiple parameters of interest

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 전자 건강 기록 (EHR) 등 대규모 관찰 데이터는 의학 연구에 귀중한 자원이지만, 연구 목적에 필요한 변수가 누락되거나 측정 오차 (measurement error) 및 오분류 (misclassification) 가 빈번하게 발생합니다.
• 해결 접근법: 이러한 문제를 해결하기 위해 **이단계 표본 추출 (Two-phase sampling)**이 사용됩니다.
  • 1 단계: 전체 코호트에서 저렴하게 측정 가능한 변수 (EHR 등) 를 수집.
  • 2 단계: 1 단계 코호트의 일부 하위 표본 (subsample) 에서 고비용이 드는 정밀한 검증 데이터 (validation data) 를 수집.
• 핵심 문제: 기존 연구는 주로 단일 매개변수 추정을 위한 최적 설계나 역확률 가중치 (IPW) 추정량에 초점을 맞추었습니다. 그러나 실제 연구에서는 여러 결과 변수 (outcomes) 나 예측 인자를 동시에 분석해야 하는 경우가 많으며, 이 경우 다중 매개변수에 대한 최적 설계와 일반화 랭킹 (GR) 추정량의 효율성을 동시에 고려한 적응형 (adaptive) 설계가 필요했습니다.

2. 방법론 (Methodology)

2.1. 추정량 (Estimators)

• IPW (Inverse Probability Weighted): Horvitz-Thompson 추정량으로, 표본 추출 확률의 역수를 가중치로 사용합니다.
• GR (Generalized Raking): 보조 변수 (phase 1 에서 수집된 전체 데이터) 의 알려진 총합을 사용하여 IPW 가중치를 보정 (calibration) 하는 방법입니다. GR 은 측정 오차가 있는 1 단계 변수와 상관관계가 있을 때 IPW 보다 더 효율적입니다.

2.2. 다중 매개변수 최적 할당 전략 (Optimal Allocation Strategies)

연구진은 2 단계 표본 추출을 여러 파동 (waves) 으로 나누어 진행하는 적응형 다중 파동 설계를 제안하며, 다음과 같은 세 가지 할당 전략을 비교했습니다.

1. 동시 독립 할당 (Simultaneous Independent Allocation):
   • 각 파동에서 관심 있는 모든 매개변수에 대해 각각 Neyman 할당 (또는 Neyman-Wright 정수 할당) 을 계산한 후, 이를 합산하여 전체 표본 크기를 분배합니다.
2. 순차적 독립 할당 (Sequential Independent Allocation):
   • 각 파동마다 하나의 매개변수만 최적화하여 표본을 할당합니다 (예: 12 파동은 매개변수 A, 34 파동은 매개변수 B).
3. A-최적성 기반 할당 (Prioritized A-optimality):
   • 핵심 제안: 관심 있는 $P$개 매개변수 추정량의 **분산 합 (sum of variances)**을 최소화하는 할당 방식을 유도했습니다.
   • 각 매개변수에 사전 정의된 가중치 ($a_p$) 를 부여하여 중요도에 따라 분산을 조절할 수 있습니다.
   • 정수 할당 알고리즘: Wright (2017) 의 정수 할당 알고리즘을 다중 매개변수 A-최적성 문제로 확장하여, 표본 크기가 정수여야 하고 각 층 (stratum) 의 크기를 초과하지 않는 제약 조건을 만족하는 최적 해를 구했습니다.

2.3. GR 추정량을 위한 최적 설계

• 단일 매개변수에서는 IPW 와 GR 의 최적 설계가 유사한 경우가 많았으나, 다중 매개변수 상황에서는 달라질 수 있음을 보였습니다.
• GR 의 경우, 잔차 (residuals) 의 분산을 기반으로 할당을 결정해야 하므로, 각 매개변수별로 1 단계 보조 변수와의 상관관계가 다르면 최적 설계도 달라집니다. 특히 측정 오차가 큰 변수가 포함된 매개변수의 경우, GR 최적 설계가 IPW 최적 설계와 크게 다를 수 있습니다.

3. 주요 결과 (Key Results)

3.1. 시뮬레이션 연구 결과

• GR 의 우위: 모든 시나리오에서 GR 추정량이 IPW 추정량보다 효율성이 높았으며, 특히 비최적 설계 (Case-control) 하에서 GR 의 효율성 향상이 두드러졌습니다.
• A-최적성의 성능: 제안된 **A-최적 할당 (Strategy 5)**이 거의 모든 시나리오에서 분산 합을 최소화하는 데 가장 효과적이었습니다.
  • 동시 할당 (Strategy 2) 과 순차 할당 (Strategy 3, 4) 보다 일반적으로 우수한 성능을 보였습니다.
  • 특히 측정 오차가 높고 결과 변수 간 상관관계가 높은 상황에서 Case-control 설계 대비 효율성 향상이 가장 컸습니다.
• 다중 매개변수 간의 트레이드오프: 순차적 할당은 마지막에 최적화된 매개변수에 유리하고, 초기 매개변수는 불리해지는 경향이 있었습니다. 반면 A-최적성은 모든 매개변수의 분산을 균형 있게 줄였습니다.

3.2. 실제 데이터 적용 (Vanderbilt HIV Study)

• 데이터: 1999~2013 년 Vanderbilt 종합 진료소 HIV 양성 환자 1,595 명의 데이터 (사망 및 AIDS 정의 사건 (ADE) 발생 여부).
• 특징: EHR 데이터에서 'ADE' 관련 변수는 측정 오차가 심했으나 (오류율 34.5%), '사망' 관련 변수는 상대적으로 정확했습니다.
• 결과:
  • GR 추정량은 사망 (Death) 모델의 분산을 8895% 줄였으나, ADE 모델에서는 1222% 만 줄였습니다. 이는 1 단계 변수가 사망 모델에는 좋은 보조 변수이나 ADE 모델에는 그렇지 않기 때문입니다.
  • IPW 최적 설계 vs GR 최적 설계: IPW 최적 설계를 적용하면 GR 추정량의 효율성이 떨어졌습니다. 반면, GR 에 특화된 A-최적 설계는 ADE 모델의 분산을 줄이는 데 집중하여 전체 분산 합을 최소화했습니다. 이는 단일 매개변수 상황에서는 IPW 최적 설계가 GR 에도 유효했으나, 다중 매개변수 상황에서는 GR 에 특화된 설계가 필수적임을 보여줍니다.

4. 주요 기여 (Key Contributions)

1. 다중 매개변수 최적 설계의 확장: 기존 단일 매개변수 연구에서 벗어나, 다중 매개변수 (multiple parameters) 를 동시에 추정하는 이단계 표본 추출을 위한 최적 설계 이론을 정립했습니다.
2. 적응형 A-최적성 알고리즘 개발: Wright 의 정수 할당 알고리즘을 다중 매개변수 A-최적성 문제로 확장하여, 실제 적용 가능한 정수 해 (integer-valued solution) 를 제공하는 알고리즘을 유도했습니다.
3. GR 과 IPW 설계의 차별성 규명: 단일 매개변수에서는 IPW 최적 설계가 GR 에도 유효했으나, 다중 매개변수 상황에서는 측정 오차와 상관관계 구조에 따라 GR 전용 최적 설계가 IPW 설계와 크게 다르며 효율성에 큰 영향을 미친다는 것을 실증했습니다.
4. 실용적 도구 제공: 제안된 A-최적 할당 기능을 R 패키지 optimall 에 추가하여 연구자들이 실제 적용할 수 있도록 했습니다.

5. 의의 및 결론 (Significance)

이 연구는 전자 건강 기록 (EHR) 등 불완전하거나 오류가 포함된 데이터를 활용한 의학 연구에서, 여러 연구 질문을 동시에 해결하기 위한 표본 추출 전략을 제공합니다.

• 효율성 증대: 기존의 단순한 Case-control 설계나 독립적 할당 방식보다 A-최적 다중 파동 설계가 추정량의 분산을 크게 줄여 통계적 검정력을 높입니다.
• 비용 대비 효과: 제한된 검증 예산 (2 단계 표본 크기) 으로 최대의 정보를 얻을 수 있도록 표본을 지능적으로 배분하는 방법을 제시합니다.
• 실무 지침: 특히 측정 오차가 다른 여러 변수를 동시에 분석할 때, 단순히 표본을 나누는 것이 아니라 각 매개변수의 특성과 보조 변수의 상관관계를 고려한 GR 최적 설계를 적용해야 함을 강조합니다.

결론적으로, 이 논문은 다중 매개변수 추정을 위한 이단계 표본 추출 설계에 있어 적응형 다중 파동 전략과 GR 특화 A-최적성의 중요성을 입증하며, 향후 오류가 있는 데이터를 다루는 관찰 연구 설계의 새로운 표준을 제시합니다.