Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method

기술 요약: 신뢰 분포와 Edgington의 방법을 기반으로 한 무작위 효과 메타 분석의 예측 구간

문제 정의
무작위 효과 메타 분석에서, 상당한 연구 간 이질성이 존재할 때 평균 효과에 대한 통계적 추론은 종종 불충분한 것으로 간주된다. $\tau^2$ 및 Higgins의 $I^2$와 같은 전통적인 척도는 이질성을 정량화하지만, 효과 척도(effect scale) 상에서의 해석력이 부족하며 절대적인 효과 변동을 전달하지 못한다. 예측 분포(Predictive distributions)는 진정한 효과의 분포를 설명하고 미래의 사건에 대해 정보를 제공하므로, 이질성을 정량화하는 데 있어 더 임상적으로 유의미한 도구로 인식된다.

그러나 예측 분포를 구축하기 위한 기존의 빈도주의 방법들은 다음과 같은 중대한 한계에 직면해 있다:

1. 대칭성 제약: 대부분의 방법은 예측 분포가 추정된 평균 효과를 중심으로 대칭이 되도록 제한하며, 이로 인해 효과 추정치에 흔히 나타나는 왜도(skewness)를 포착하지 못한다. 이는 부적절한 보정(calibration)을 초래하며, 특히 연구 수가 적거나 데이터가 왜곡된 경우 명목상의 피복 확률(nominal coverage)을 달방 달성하지 못하는 예측 구간을 생성한다.
2. 불확실성 처리: 기존 방식들은 이질성 추정치($\tau^2$)에 대한 불확실성을 다루기 위해 임의의 자유도(예: $k-2$)를 가진 $t$-분포를 적용한다. 시뮬레이션 연구에 따르면 이러한 사후 조정은 특히 연구 수가 적거나 이질성이 상당할 때 보정이 잘 이루어지지 않는 경우가 많다.
3. 왜도 무시: 연구 추정치의 왜도를 고려하지 않는 방법은 왜곡된 시나리오에서 과소 피복(under-coverage) 현상을 보이는 것과 같이 오도된 추론을 생성할 수 있다.

방법론
저자들은 **신뢰 분포(confidence distributions)**와 Edgington의 p-값 결합 방법을 사용하여 평균 효과($\mu$)와 이질성 매개변수($\tau^2$) 모두의 불확실성을 명시적으로 고려하는 새로운 예측 분포 구축 프레임워크를 제안한다.

1. 신뢰 분포 (CDs): 이 방법은 표본 분포의 추정치에 의존하는 대신, 사전 분포를 호출하지 않고 p-값 함수로부터 유도된 매개변수 공간 상의 빈도주의 확률 분포인 CD를 구축한다.

2. Edgington의 방법: 저자들은 여러 연구에 걸친 일방향 p-값 함수를 결합하기 위해 Edgington의 방법(1972)을 활용한다. 고전적인 가중 평균 접근 방식과 달리, Edgington의 방법은 다음과 같다:

   • 대립 가설의 방향에 불변이다.
   • 거의 무편향(nearly unbiased)인 추정치를 산출한다.
   • 대칭적 요약을 강요하는 대신 효과 추정치의 비대칭성을 보존함으로써, 효과 추정치의 왜도에 적응하는 신뢰 구간을 생성한다.

3. 이질성 불확실성: 이 방법은 일반화된 이질성 통계량($Q(\tau^2)$)에 의해 함축된 신뢰 분포를 활용하여 $\tau^2$에 대한 불확실성을 통합한다. Cochran의 $Q$의 정확한 분포에 기반한 이 통계량은 $\tau^2$에 따라 변하며 피벗(pivot) 역할을 한다.

4. 예측 분포 구축: 세 가지 버전의 예측 분포가 제안된다:

   • PCD-fixed: $\tau^2$에 대한 플러그인 추정치를 사용하여, Edgington의 CD에 대해 정규 효과 분포를 적분한다.
   • PCD-simplified: $\mu$의 CD(플러그인 $\tau^2$ 사용)와 $\tau^2$의 CD에 대해 각각 적분한다.
   • PCD-full: $\mu$와 $\tau^2$의 결합 조건부 분포에 대해 완전히 적분한다.

   이 적분들은 몬테카를로 알고리즘(Algorithm 1)을 통해 평가된다. 이 알고리즘은 $\tau^2$를 그 CD로부터 샘플링하고($Q(\tau^2) = W$를 해결하며, 여기서 $W \sim \chi^2_{k-1}$), $\mu$를 Edgington의 CD로부터 샘플링하며(확률 적분 변환 사용), 마지막으로 미래의 효과 $\theta_{new}$를 $N(\mu, \tau^2)$로부터 샘플링한다.

주요 기여

• 왜도 인지적 예측: 제안된 방법은 기저 연구 추정치의 왜도를 자연스럽게 상속받는 예측 분포를 생성하여, 기존의 대칭적 방법들이 가진 공백을 메운다.
• 엄격한 불확실성 전파: $\mu$와 $\tau^2$의 신뢰 분포를 모두 적분함으로써, 이 방법은 임의의 조정(예: 고정된 $t$-분포 자유도)을 피하고 추정 불확실성에 대한 더 원칙적인 처리를 제공한다.
• 구현: 저자들은 이 방법들을 계산할 수 있도록 edgemeta R 패키지를 제공하며, 이를 통해 등측(equi-tailed) 및 최고 신뢰 밀도(HCD) 예측 구간과 특정 사건(예: 미래의 효과가 유익할 확률)에 대한 신뢰 확률을 계산할 수 있다.

결과
ADEMP 프레임워크를 따른 시뮬레이션 연구에서 제안된 PCD 방법들을 HTS 방법 및 파라미터 붓스트랩 접근법(Nagashima et al., 2018)과 비교하였다.

• 피복 확률 (Coverage):
  • PCD-full 및 PCD-simplified는 일반적으로 3개 이상의 연구가 있을 때 명목 95% 피복을 달성했다.
  • 이 방법들은 연구가 20개 이하인 시나리오에서도 왜도를 효과적으로 반영했다.
  • 반면, PCD-fixed(이질성 불확실성을 무시함)는 지속적으로 과소 피복되었으며, 연구가 3개일 때 종종 80% 미만으로 떨어졌고, 매우 많은 수의 연구가 확보되어야만 명목 피복에 근접했다.
  • HTS 방법은 U자형 피복 패턴을 보였다: 연구가 3개일 때는 과잉 피복(over-covering)되었고, 5~50개 사이에서는 특히 중간 정도의 이질성 하에서 과소 피복되었다.
• 왜도 상관관계: PCD-full 구간은 연구 수가 50개 미만일 때 구간 왜도와 효과 추정치 왜도 사이에 중간에서 강한 피어슨 상관관관계를 보인 반면, 대칭인 HTS 구간은 왜도가 0이었다.
• 선명도 (Sharpness): PCD-full 및 PCD-simplified 구간이 일반적으로 HTS 구간보다 넓었지만(적절한 불확실성 전파를 반영), 연구 수가 적거나 이질성이 낮을 때 연속 순위 확률 가중치(CRPS) 측면에서 HTS보다 우수한 성능을 보이는 경우가 많았다.
• 사례 연구: 코로나19 환자의 스테로이드 코티코스테로이드와 사망률에 관한 메타 분석에서, CD-Edgington 추정치는 대칭적인 Hartung-Knapp-Sidik-Jonkman(HKSJ) 구간에 비해 더 넓고 오른쪽으로 치우친(right-skewed) 신뢰 구간을 생성했다. 결과적으로 도출된 예측 분포(PCD-full/simplified)는 점 추정치 $\tau^2$가 0에 가까울 때조차 이질성 추정치의 상당한 불확실성을 반영하여 HTS 구간보다 실질적으로 더 넓었다.

의의 및 주장
본 논문은 제안된 접근 방식이 고전적인 무작위 효과 메타 분석의 실행 가능한 대안 또는 보완책이 될 수 있다고 주장한다. 저자들은 다음을 강조한다:

• 이질성 추정의 불확실성을 무시하는 것은 잘못된 피복을 초래하며, 이는 제안된 조정의 필요성을 뒷받침한다.
• 본 방법은 효과 추정치의 왜도에 성공적으로 적응하여, 대칭적 대안들보다 더 정확한 예측 추론을 제공한다.
• PCD 방법은 보정 및 선명도 측면에서 파라미터 붓스트랩과 유사한 성능을 보이면서도, 신뢰 분포에 기반한 독특한 빈도주의 프레임워크를 제공한다.
• 저자들은 특히 다른 효과 척도 및 분포에 걸친 독립적인 평가가 추가로 필요함을 인정하며, 현재 방법이 단봉형(unimodal), 정규 무작위 효과 모델에 국한되어 있음을 언급한다. 또한 향arian(skew-normal)과 같은 더 유연한 효과 분포를 포함하거나 편향된 연구의 가중치를 낮추는 연구로의 확장을 제안한다.