기술 요약: 일반적 임퓨테이션을 통한 비단조 결측 상황에서의 효율적 추론을 향하여

1. 문제 정의

본 논문은 비단조 결측(nonmonotone missingness)(또는 블록 단위 결측)이 존재하는 상황에서의 파라미터 추정 및 추론 문제를 다룬다. 이 설정에서는 서로 다른 단위(unit)들이 임의의, 중첩되지 않는 변수(모달리티) 부분 집합을 관찰하게 되며, 이는 현대의 멀티오믹스 연구, 전자 건강 기록(EHR), 대규모 설문 조사 등에서 흔히 발생하는 시나리오이다.

표준적인 접근 방식들은 두 가지 주요한 한계에 직면한다:

1. **완전 사례 분석(Complete-case analysis)**은 불완전한 데이터를 가진 단위를 버림으로써, 상당한 양의 정보를 낭비하고 효율성을 저하시킬 수 있다.
2. 직접 임퓨테이션(Direct imputation)(결측값을 대체하는 방식)은 임퓨테이션 모델이 오설정(misspecified)되거나 편향된 경우, 유효한 불확실성 정량화나 효율성을 유지하는 데 실패하는 경우가 많다.

본 연구의 목표는 모든 관찰된 패턴으로부터 정보를 결합하여 준모수적 효율성(semiparametric efficiency)을 달 achieve하는 동시에, 일반적인 임퓨테이션 함수(오설정되거나 편향될 수 있는 함수)와 무작위 결측(MCAR) 메커니즘 하에서도 유효성을 유지하는 것이다. 또한 **무작위 결측(MAR)**으로의 확장도 탐구한다.

s 2. 방법론

2.1 이론적 프레임워크

저자들은 이 문제를 준모수 이론(semiparametric theory) 내에서 구성한다. $Z$를 전체 데이터 벡터라 하고, $\theta^*$를 전체 데이터 추정 방정식 $E_P[\psi_F(Z, \theta^*)] = 0$에 의해 정의된 타겟 파라미터라고 하자. MCAR 조건 하에서, 준모수적 효율 추정 함수는 $\psi_{opt} = L\{M^{-1}[\psi_F]\}$로 주어지며, 여기서 $M$과 $L$은 패턴별 조건부 기댓값들로부터 구성된 선형 연산자이다. 그러나 역연산자 $M^{-1}$은 패턴 간의 복잡한 조건부 기댓수들의 합성을 포함하므로, 일반적으로 계산이 불가능(intractable)하다.

2.2 RAY 분해 (The RAY Decomposition)

$M^{-1}$의 계산 불가능성을 극복하기 위해, 저자들은 **제한된 ANOVA 계층 구조(Restricted ANOVA hierarchY, RAY)**를 도입한다.

• 함수적 분해: RAY는 포함-배제 원리(inclusion-exclusion principle)를 사용하여 관찰된 패턴 $\mathcal{Q}$에 제한된 계층적 구성 요소 $P_s(f)$로 임의의 함수 $f$를 분해한다.
• 거의 고유값 구조(Almost-Eigen Structure): MCAR 하에서, 연산자 $M$은 이러한 구성 요소 $P_s(f)$에 대해 "거의 고유값 연산자(almost-eigen-operator)"로서 작용한다: $M[P_s(f)] = \lambda_s P_s(f) + \text{Rem}_s(f)$, 여기서 $\lambda_s = P(R \supseteq s)$는 단위가 집합 $s$에 속한 모달리티를 적어도 관찰할 확률이다. 나머지 항 $\text{Rem}_s$는 비중첩 패턴 간의 조건부 기댓수 합성들을 포함한다.
• 폐쇄형 근사(Closed-Form Approximation): 나머지 항(특정 구조적 조건 하에서 소멸함)과 패턴 간의 교차 합성을 무시함으로써, 저자들은 $M^{-1}$에 대한 다루기 쉬운 폐쇄형 근사식을 도출한다. 이를 통해 RAY 추정 함수를 얻는다:
  $$\psi(R, Z_R, \theta^*) = \frac{I(R=[p])}{\pi_{[p]}} \psi_F(Z, \theta^*) + \sum_{r \in \mathcal{Q}, r \neq [p]} \omega_r A_r[\psi_F(Z, \theta^*)]$$
  여기서 $\omega_r$은 패턴 확률로부터 유도된 폐쇄형 가중치이다.

2.3 추정량 구성 및 튜닝

• 일반적 임퓨테이션: $\psi_F(Z, \theta^*)$의 $A_r[\psi_F]$ 항은 관찰된 패턴 $r$에 대한 조건부 기댓값을 나타낸다. 실제 적용 시, 이는 예측 모델(예: 신경망)이나 몬테카를로 근사치인 임퓨테이션 함수 $F_r(Z_r; \theta)$로 대체된다. 결정적으로, MCAR 하에서 RAY 가중치는 평균이 0이며 임퓨테이션 함수와 독립적이므로, 임퓨테이션 모델이 오설정되더라도 추정량의 **불편성(unbiasedness)**이 보장된다.
• 안전 장치 튜닝(Safeguard Tuning): 효율성을 높이기 위해, 저자들은 각 임퓨테이션 함수에 대한 튜닝 파라미터 $\alpha_r$을 도입한다. 이 추정량은 가중치가 추정된 분산 기준을 최소화하도록 조정된 표본 교정 방정식(sample-calibrated equation)을 해결한다.
• 적응형 RAY (aRAY): RAY와 기존의 임퓨테이션 기반 추론(IPI) 방법이 어느 하나가 다른 하나를 일률적으로 지배하지 못한다는 점을 인식하여, 저자들은 두 방법 모두를 특수 사례로 포함하는 더 넓은 클래스의 추정량을 제안한다. 적응형 RAY (aRAY) 추정량은 이 클래스 내에서 최소 점근 분산을 달성하기 위해 튜닝 파라미터를 최적화한다.

2.4 MAR로의 확장

본 논문은 RAY를 MAR 설정으로 확장하는 것을 조사한다.

• 직접적 확장: MCAR 가중치와 유사한 형태의 직접적인 대응물이 존재하지만, 일반적으로 관찰되지 않은 모달리티에 의존하므로 관찰 데이터 추정량으로서 실행 불가능하다.
• 투영된 확장(Projected Extension): 꼬리 성향(tail propensities)을 관찰된 모달리티로 투영함으로써 실행 가능한 추정량을 구성할 수 있다. 그러나 이는 "투영된 꼬리 성향"이라는 섭렵 변수(nuisance)를 발생시킨다. 저자들은 이 섭렵 변수를 추정하는 것이 1차적으로 타겟 방정식에 기여함을 보여준다. 스택형 추정(stacked estimation)을 활용하여 섭렵 변수가 $\sqrt{N}$-일치하는 모수적 추정치를 갖는다면 정규 추론(regular inference)이 가능하다.

3. 주요 기여

1. 폐쇄형 효율적 근사: 본 논문은 임의의 비단조 결측 패턴 하에서 준모수적 효율 추정량에 대한 폐쇄형의 계산 가능한 근사치를 제공하며, 이는 복잡한 반복 또는 중첩 회귀를 필요로 하지 않는다.
2. 임퓨테이션 강건한 유효성: 제안된 RAY 추정량은 임의의 독립적인 임퓨테이션 함수에 대해 유효하며, 여기에는 오설정되거나 편향된 모델이 포함된다. MCAR 하에서 RAY 가중치의 평균 0 특성에 의해 유효성이 보장된다.
3. 적응적 효율성: RAY와 IPI를 모두 포함하는 더 큰 클래스에 aRAY를 포함시킴으로써, 해당 클래스 내에서 최소 점근 분산을 달성할 수 있게 한다.
4. 정확성 조건 및 효율성 경계:
   • 저자들은 RAY가 효율성 하한에 도달하기 위한 필요충분조건을 확립한다: 즉, 패턴별 잔차(residuals)가 0이 되어야 한다.
   • 정확성을 위한 검증 가능한 충분조건들을 식별한다: (i) 교집합이 닫혀 있는 관찰 패턴과 독립적인 모달리티, (ii) 임의의 의존성을 가진 단조 패턴, (iii) 핵심(core) 모달리티가 조건부 독립인 앵커드(anchored) 패턴.
   • 이러한 조건이 충족되지 않을 때, 효율성 격차는 해석 가능한 두 가지 요인, 즉 상관 계수(중첩되는 패턴 간의 사적 모달리티 간 의존성에 의해 구동됨)와 구조적 요인(필요한 패턴 교집합의 부재에 의해 구동됨)에 의해 경계가 정해진다.
5. MAR 확장 분석: 본 논문은 일반적인 MAR로 RAY를 확장할 때 발생하는 이론적 장애물을 규명하며, 특히 투영된 꼬리 성향의 역할과 $\sqrt{N}$ 추론을 위한 요구 사항을 명시한다.

4. 결과

4.1 시뮬레이션 연구

저자들은 네 가지 시뮬레이션 실험을 수행하였다:

• 표본 크기 변화: RAY와 aRAY는 명목상의 95% 커버리지를 유지하면서 완전 사례(CC) 및 PPI++ 추정량에 비해 RMSE와 신뢰 구간 폭을 일관되게 감소시켰다.
• 임퓨테이션 품질 변화: 추정량들은 강건함을 입증했다. 임퓨테이션 품질이 순수 노이즈 수준으로 저하됨에 따라, 튜닝된 추정량들은 자동으로 CC 추정량의 성능으로 회귀하였으며, 이는 안전 장치 튜닝의 효과를 보여준다.
• 선형 회귀: 저차원 회귀 설정에서 RAY, IPI, aRAY는 CC 대비 610%의 RMSE 감소와 1218%의 분산 감소를 달성했다.
• 민감도 분석: 통제된 MAR 및 MNAR 이탈 상황에서, MCAR 기반 추정량들은 증가된 편향과 커버리지 저하를 보였으며, 이러한 악화 정도는 결측 메커니즘 위반의 강도에 따라 비례하여 나타났다.

4.2 단일 세포 멀티오믹스 적용

본 방법론은 서로 다른 분석법(DOGMA-seq, CITE-seq, ASAP-seq)이 RNA, ATAC, ADT의 서로 다른 조합을 제공하는 단일 세포 데이터에서 평균 표면 단백질 풍부도(ADT)를 추정하는 데 적용되었다.

• 설정: RNA 및/또는 ATAC로부터 ADT를 예측하도록 사전 학습된 신경망을 사용하였다. 이들은 무작위 결측 패턴이 있는 벤치마크 데이터셋 상에서 RAY 프레임워크의 임퓨테이션 함수로 사용되었다.
• 성능: 증강된 추정량들(RAY, IPI, aRAY)은 완전 사례 추정량보다 낮은 절대 오차를 달성하였다. aRAY 추정량이 가장 효율적이었으며, 고발현 단백질에 대해 완전 사례 접근 방식에 비해 신뢰 구간 길이를 최대 35%까지 단축시켰다.

5. 의의 및 주장

본 논문은 점점 흔해지는 블록 단위 결측 데이터 상황에서 효율적 추론을 위한 실용적이고 이론적으로 근거 있는 솔루션을 제공한다고 주장한다. 본 연구의 의의는 다음과 같다:

• 이론과 실제의 가교: 추상적인 준모수적 효율 경계치를 복잡한 반복 알고리즘이 필요 없는 폐쇄형의 구현 가능한 추정량으로 변환한다.
• 강건성: 추론의 유효성을 임퓨테이션 모델의 정확성과 분리시킨다. 이는 오설정될 수 있는 유연한 머신러닝 모델을 사용할 때 매우 중요한 특징이다.
• 효율성 이득: 불완전한 임퓨테이션이 있더라도, 다양한 결측 패턴으로부터 정보를 결합하는 것이 완전 사례 분석보다 상당한 효율성 이득을 줄 수 있음을 입증한다.
• 한계 명시: 저자들은 이 폐쇄형의 이점이 근본적으로 MCAR 결과임을 겸허히 인정한다. 일반적인 MAR 하에서는 정규 추론을 달성하기 위해 특정 모수적 가정이나 직교화 기술이 필요하며, 이는 향후 연구 과제로 남겨두었다.

저자들은 자신들의 구조적 결과(정확성 조건)와 효율성 경계가 이 방법이 언제, 그리고 왜 작동하는지에 대한 명확한 이해를 제공하며, 복잡한 결측 데이터 구조를 다루는 실무자들에게 진단 프레임워크를 제공한다고 강조한다.