Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity

기술적 요약: TMLE 를 활용한 인과 효과 추정: 결측 데이터 처리 및 근사적 양의성 위반 대응

문제 제기
치료 효과를 조사하는 관찰 연구는 종종 노출, 결과, 교란변수 등 여러 변수에 걸쳐 결측 데이터를 마주칩니다. 이중강건성 (double-robustness) 특성으로 인해 평균 치료 효과 (ATE) 추정에 강력한 방법인 표적 최대우도추정 (TMLE) 은 다양한 결측 데이터 처리 전략과 결합되었을 때의 성능이 불확실하며, 특히 복잡한 결측 메커니즘과 양의성 (positivity) 가정 위반 하에서 그렇습니다. 특정 하위 집단이 치료를 받을 확률이 거의 0 인 양의성 위반은 인과적 식별 가능성에 심각한 영향을 미칠 수 있습니다. 또한, ATE 의 회복 가능성은 종종 결측지향 비순환 그래프 (m-DAGs) 를 통해 개념화되는 특정 결측 메커니즘에 크게 의존합니다. 다양한 정도의 양의성 위반과 데이터 복잡성 하에서 TMLE 와 결합되었을 때 서로 다른 결측 데이터 방법 (다중 대체를 포함하지 않는 방법과 다중 대체 방법 모두) 이 어떻게 수행되는지 체계적으로 평가할 필요가 있습니다.

방법론
저자들은 TMLE 와 결합된 여덟 가지 결측 데이터 방법을 평가하기 위해 이중 시뮬레이션 프레임워크를 활용했습니다:

1. 모델 기반 시뮬레이션:

   • 데이터 생성 과정 (DGPs): 이진, 연속, 범주형, 감마 분포 변수 및 상호의존성을 위한 가우시안 코풀라를 포함하는 다섯 가지 서로 다른 DGPs 가 점진적으로 복잡성을 증가시키며 구성되었습니다.
   • 양의성 위반: 노출 모델의 상호작용 계수를 조작하여 세 가지 수준의 양의성 위반 (1 단계: ≤1%, 2 단계: ~10%, 3 단계: ~30%) 을 유도했습니다.
   • 결측 메커니즘: 완전 무작위 결측 (MCAR), 무작위 결측 (MAR), 그리고 무작위 비결측 (MNAR) 시나리오를 나타내기 위해 다섯 가지 m-DAG(A–E) 를 사용했습니다. 여기에는 결측이 노출, 결과, 또는 기타 불완전 변수에 의존하는 메커니즘이 포함되었습니다.
   • 평가된 방법:
     • 다중 대체 (MI) 비사용: 완전 사례 (CC) 분석, 결과 결측 모델을 포함하는 확장 TMLE(Ext), 그리고 결측 공변량 결측 지시변수를 포함한 확장 TMLE(Ext MCMI).
     • 다중 대체 (MI): 예측 평균 매칭 (PMM), 상호작용 항을 포함한 PMM(Int), 분류 및 회귀 트리 (CART), 랜덤 포레스트 (RF), 그리고 결합 다변량 정규 (Amelia).
   • 분석: 추정에는 슈퍼러너 (SuperLearner, 앙상블 학습) 를 사용한 TMLE 를 적용했으며, 극단적인 가중치를 완화하기 위해 성향 점수 절단 (propensity score truncation) 을 적용했습니다.

2. 설계 기반 시뮬레이션:

   • 이론적 모델과 경험적 현실 간의 간극을 메우기 위해 저자들은 '방글라데시 WASH 혜택 (WASH Benefits Bangladesh)' 연구 데이터를 활용했습니다.
   • 과소부드러워진 고적응 라소 (undersmoothed Highly Adaptive Lasso, HAL) 를 사용하여 노출과 결과의 조건부 분포를 유연하게 모델링함으로써 엄격한 모수적 가정 없이 복잡한 의존성을 포착했습니다.
   • HAL 적합치로부터 부트스트래핑을 통해 합성 데이터 세트를 생성하고, 모델 기반 시뮬레이션에서 사용된 것과 동일한 m-DAG 구조에 따라 결측을 유도했습니다.

주요 기여 및 결과
이 연구는 이러한 설정 전반에 걸쳐 편향, 제곱근 평균 오차 (RMSE), 그리고 신뢰구간 커버리지를 포괄적으로 비교합니다:

• 회복 가능성과 편향:

  • 회복 가능한 시나리오 (낮은~중간 정도의 양의성 위반 하의 m-DAG A, B, C) 에서 완전 사례 (CC) 와 확장 TMLE(Ext) 가 일반적으로 가장 낮은 편향을 보여주었습니다.
  • 결과 결측 모델을 포함하는 Ext 는 두 가지 시뮬레이션 유형 모두에서 가장 강력한 비-MI 방법으로 입증되었습니다.
  • Ext MCMI 는 모델 기반 시뮬레이션에서는 성능이 좋지 않았으나 (편향이 더 높음), 설계 기반 시뮬레이션에서는 CC 및 Ext 와 유사하게 수행되었습니다.
  • 회복 불가능한 시나리오 (m-DAG D 및 E) 에서는 어떤 방법도 편향 없는 추정을 산출하지 못했으나, 편향 크기는 다양했습니다.

• 양의성 위반의 영향:

  • 양의성 위반이 증가함에 따라 모든 방법의 편향이 일반적으로 증가했습니다.
  • 비-MI 방법 (CC 및 Ext) 은 양의성이 악화됨에 따라 MI 방법보다 낮은 편향을 유지하는 경향이 있었으며, 이는 MI 방법이 관찰된 데이터 지지 범위를 벗어난 외삽에 의존하기 때문으로 보입니다.
  • 그러나 비-MI 방법은 심각한 양의성 위반 하에서 과소커버리지 (신뢰구간이 실제 모수를 포착하지 못함) 에 시달렸습니다.

• 다중 대체의 성능:

  • MI CART(분류 및 회귀 트리) 는 우월한 MI 전략으로 부각되었습니다. 이는 모든 시나리오, 심각한 양의성 위반이 있는 회복 불가능한 설정을 포함하여 가장 낮은 RMSE 를 달성하고 명목상 95% 수준에 가장 근접한 커버리지율을 유지했습니다.
  • 모수적 MI(PMM, Int, Amelia) 는 제한적인 모델 가정과 외삽 문제로 인해, 특히 심각한 양의성 위반 하에서 일반적으로 더 높은 편향과 RMSE 를 보여주었습니다.
  • MI RF(랜덤 포레스트) 는 일관되지 않은 성능을 보였으며, 일부 복잡한 DGP 에서는 잘 수행되었으나 다른 곳에서는 poorly 하게 수행되어 종종 MI CART 보다 높은 편향을 나타냈습니다.

• 트레이드오프:

  • 편향과 커버리지 사이에는 명확한 트레이드오프가 존재합니다. 회복 가능한 설정에서 편향 감소를 위해서는 비-MI 방법 (특히 Ext) 이 선호되지만 과소커버리지 위험이 있습니다. 신뢰구간 (커버리지) 의 정확성이 우선순위라면 양의성 위반이 존재하더라도 MI CART 가 선호됩니다.

의의 및 주장
이 논문은 역학적 점-노출 연구에서 특히 인과 추론 시 결측 데이터를 처리하는 연구자들에게 실용적인 지침을 제공한다고 주장합니다. 저자들은 다음과 같은 점을 강조합니다:

1. 회복 가능성은 조건부이다: 특정 조건이 충족된다면 엄격한 MAR 가정을 요구하지 않고도 특정 MNAR 메커니즘 (예: m-DAG C) 하에서 편향 없는 추정이 가능합니다.
2. 방법 선택은 목표에 달려있다: 회복 가능한 설정에서 편향 감소가 주된 목표라면 확장 TMLE 를 권장합니다. 유효한 신뢰구간 (커버리지) 확보가 우선순위라면 양의성 위반과 복잡한 데이터 구조에 대한 강건성을 보여주는 CART 를 사용한 MI 를 권장합니다.
3. 양의성이 중요하다: 양의성 위반의 심각성은 방법 선택에 상당한 영향을 미칩니다. 이러한 시나리오에서 비-MI 방법은 편향에 대해 더 강건한 반면, MI 방법 (특히 CART) 은 구간 유효성을 더 잘 보존합니다.

저자들은 TMLE 가 강력한 분석적 프레임워크를 제공하지만, 결측 데이터 처리 전략의 선택이 중요하며 m-DAG 를 통해 평가된 특정 결측 메커니즘과 양의성 위반의 심각성에 맞춰져야 한다고 결론지었습니다. 그들은 편향 감소를 위해 확장 TMLE 를, 정확한 구간 추정을 위해 MI CART 를 권장합니다.