기술 요약: 간섭이 존재하는 인과 추론을 위한 민감도 분석 프레임워크

1. 문제 정의

인과 추론에서, 간섭이 없다는 가정(SUTVA, Stable Unit Treatment Value Assumption)은 한 단위의 결과가 오직 자신의 처치에 의해서만 결정된다고 상정한다. 그러나 감염병 연구와 같은 많은 응용 분야에서는 한 단위가 받은 처치가 다른 단위의 결과에 영향을 미칠 수 있는데, 이를 간섭(interference) 또는 파급 효과(spillover effects)라고 한다. 간섭을 무시하는 것은 표본 크기를 늘려도 완화할 수 없는 체계적 편향(systematic bias)을 초래한다.

기존의 간섭 관련 문헌은 종종 모든 관련 혼란 변수(confounders)가 관찰되었으며 연구 모집단이 대상 모집단을 대표한다고 가정한다. 그러나 실무자들은 흔히 다음 세 가지 과제에 동시에 직면한다:

1. 무시된 간섭 (Ignored Interference): 파급 효과를 조정하는 데 실패함.
2. 미측정 혼란 (Unmeasured Confounding): 처치와 결과 모두에 영향을 미치는 관찰되지 않은 변수의 존재.
3. 전이성 결여 (Lack of Transportability): 공변량 분포나 처치 메커니즘의 차이로 인해 참조 모집단(reference population)의 인과적 발견을 대상 모집단(target population)으로 일반화할 수 없는 문제.

현재의 민감도 분석 프레임워크는 일반적으로 이러한 문제들을 개별적으로 다룬다. 예를 들어, VanderWeele 등(2015)은 간섭 하에서의 미측정 혼란에 대한 프레임워크를 개발했지만, 무시된 간섭이나 전이성은 고려하지 않았다. 마찬가지로, Forastiere 등(2021)은 이러한 요인들로 인한 편향을 논의하지만, 실무자를 위한 해석 가능한 파라미터를 갖춘 구조화된 민감도 분석 접근법은 제시하지 못했다. 본 논문은 이 세 가지 복잡성이 결합되어 발생하는 체계적 편향을 평가하기 위한 통합된 프레임워크를 제안함으로써 이 간극을 메우고자 한다.

2. 방법론

2.1 프레임워크 및 가정

저자들은 이웃 간섭(neighborhood interference) 하의 잠재적 결과(potential outcomes) 프레임워크를 채택한다. 저자들은 잠의 차원을 축소하여 단위의 이웃들의 처치를 요약하는 스칼라 함수인 결과 노출 매핑(Outcome Exposure Mapping) (가정 1)을 도입한다. 관찰된 결과 $Y$는 일관성 가정(가정 2)을 통해 잠재적 결과와 연결된다.

미측정 혼란과 전이성을 처리하기 위해, 저자들은 표준적인 식별 가정을 완화한다:

• 약한 조건부 교환 가능성 (Weak Conditional Exchangeability, 가정 5): 미측정 혼란($U$)을 허용하지만, 관찰된 공변량($X$)과 미측정 혼한이 주어졌을 때 조건부 독립임을 가정한다. 결정적으로, 이는 개인적 처치($A$)와 이웃 처치($G$)의 공통 원인, 그리고 $A$와 모집단 지표($S$)의 공통 원인에 대해 조건화할 것을 요구한다.
• 샘플링의 조건부 무시 가능성 (Conditional Ignorability of Sampling, 가정 7): 참조($S=1$) 모집단과 대상($S=2$) 모집단 사이의 관찰되지 않은 차이를 허용하되, $G$와 특정 공변량이 주어졌을 때 샘플링이 무시 가능하다는 조건을 전제로 한다.

2.2 가중치 오차를 통한 편향 분해

핵심 방법론은 (간섭, 미측정 혼란, 전이성 문제를 무시하는) "나이브(naive)" 추정량과 완화된 가정 하에서 도출된 실제 식별 공식 간을 비교하는 것이다. 저자들은 두 가지 유형의 가중치 오차를 정의한다:

1. 가중치의 곱적 오차 (Multiplicative Error in Weights, MEW, $\varepsilon_a$): 모든 관련 $X$와 $U$를 조건화한 실제 성향 점수(true propensity score)와 관찰된 $X_{AY}$만을 조건화한 유사 성향 점수(pseudo-propensity score)의 비율이다. 이는 무시된 간섭과 미측정 혼란을 포착한다.
2. 가중치의 차이 오차 (Difference Error in Weights, DEW, $\tilde{\varepsilon}_S$): 나이브 샘플링 가중치(1)와 전이성을 위해 필요한 실제 샘플링 가중치 사이의 차이를 나타내는 항이다. 이는 전이성 결여로 인한 편향을 포착한다.

2.3 민감도 파라미터

편향은 각각의 상관 계수와 두 표준 편차의 곱으로 표현되는 공분산 항들의 합으로 분해된다. 이 구성 요소들은 실무자가 도메인 지식에 기반하여 지정할 수 있는 민감도 파라미터 역할을 한다:

• 간섭/혼란을 위한 항 (T1 & T2):
  • $\sigma_{Y(a,0)}$: 기저 잠재 결과의 표준 편차.
  • $\sigma_{\varepsilon_a}$: MEW 점수의 변동성 (무시된 혼란/간섭의 강도를 반영).
  • $\rho_{Y(a,0), \varepsilon_a}$: 기저 결과와 가중치 오차 간의 상관관계.
  • $\sigma_{\gamma(a)}$: 자연적 개인 파급 효과의 변동성.
  • $\rho_{\gamma(a), \varepsilon_a}$: 파급 효과와 가중치 오차 간의 상관관계.
• 전이성을 위한 항 (T3 & T4):
  • $\sigma_{\tau(0)}$: 통제된 개인 주효과의 변동성.
  • $\sigma_{\tilde{\varepsilon}_S}$: DEW 점수의 변동성.
  • $\rho_{\tau(0), \tilde{\varepsilon}_S}$: 직접 효과와 샘플링 가중치 간의 상관관계.
  • $\sigma_{\gamma(1)-\gamma(0)}$: 파급 효과 차이의 변동성.
  • $\rho_{\gamma(1)-\gamma(0), \tilde{\varepsilon}_S}$: 파급 효과 차이와 샘플링 가중치 간의 상관관계.

저자들은 이 파라미터들의 경계(bounding)를 구하기 위한 가이드라인(예: 결과 경계에 대한 Popoviciu의 부등식 또는 가중치 경계에 대한 Bhatia-Davis 부등식 사용)을 제공하며, 최악의 시나리오를 위해 편향을 최대화하도록 상관관계 부호를 설정할 것을 제안한다.

2.4 정의되지 않은 잠재 결과로의 확장

본 논문은 이웃이 불충분한 단위(예: 이웃이 0명인 단위는 이웃 처치가 2가 될 수 없음)에 대해 잠재 결과가 정의되지 않는 상황으로 프레임워크를 확장한다. 이웃의 수 $N$을 도입하고 $N$에 대해 분석을 조건화함으로써, 저자들은 노출 매핑 도메인이 단위마다 달라지는 경우에도 유효한 식별 공식과 편향 분해(정리 3)를 도출한다.

3. 주요 결과

• 정리 1 ( $\phi_1$에 대한 편향 분해): 참조 모집단에서의 자연 평균 처치 효과에 대한 나이브 추정량의 편향은 두 부분으로 분해된다:
  • T1: MEW 점수와 기저 잠재 결과 사이의 공분산 (미측정 혼란 및 간섭의 기저 수준에 의해 유발됨).
  • T2: MEW 점수와 자연 파급 효과 사이의 공분산. 이 항은 $A$와 $G$의 공통 원인이 없더라도, 미측정 혼란이 파급 효과의 이질성과 상관관계가 있다면 편향을 유발할 수 있음을 강조한다.
• 정리 2 ( $\phi_2$에 대한 편향 분해): 전이된 자연 평균 처치 효과에 대한 편향은 $\phi_1$에 대한 편향에 두 개의 추가 항을 더한 것이다:
  • T3: DEW 점수와 통제된 직접 효과 사이의 공분산.
  • T4: DEW 점수와 처치군 간 파급 효과 차이 사이의 공분산.
• 따름정리: 본 논문은 만약 이웃 처치($G$)의 주변 분포가 모집단 간에 동일하다면, 전이성 편향이 사라짐을 보여준다. 또한 간섭이 없는 경우, 이 프레임워크가 전이성에 대한 기존의 민감도 분석 방법(예: Huang, 2024)으로 축소됨을 보여준다.
• 정리 3: 잠재 결과가 정의되지 않은 시나리오로 편향 분해를 확장하며, 편향의 구조가 유사하지만 이웃의 수에 대해 조건화가 필요함을 보여준다.

4. 의의 및 기여

본 논문은 간섭, 미측정 혼란, 그리고 전이성 결여를 동시에 고려하는 포괄적인 민감도 분석 프레임워크를 최초로 개발했다고 주장한다.

• 독창성: 이 문제를 개별적으로 다루거나 결과 생성 과정 또는 미측정 혼란의 분포에 대한 강력한 가정을 요구하는 이전 연구들과 달리, 본 프레임워크는 다양한 데이터 복잡성에 강건한 가중치 기반 편향 분해에 의존한다.
• 실용적 유용성: 편향을 해석하기 쉬운 민감도 파라미터(상관관계 및 표준 편차)를 통해 매개화함으로써, 이 프레임워크는 실무자가 자신의 결과가 표준 가정의 위반에 얼마나 강건한지 평가할 수 있게 해준다. 이를 통해 연구자는 결론을 바꿀 만큼의 간섭이나 혼란이 어느 정도 강해야 하는지를 가늠할 수 있다.
• 일반화: 본 방법론은 기존의 가중치 기반 결과(예: Shen et al., 2011; Hong et al., 2021)를 일반화하며, 이를 간섭 및 전이성이라는 복잡한 설정으로 확장한다.
• 정의되지 않은 결과 처리: 정의되지 않은 잠재 결과로의 확장은 간섭 문헌의 중요한 이론적 간극을 해결하며, 모든 단위에 대해 모든 잠재 결과가 잘 정의되어 있지 않을 수 있다는 점을 인정한다.

요약하자면, 본 논문은 간섭, 미측정 혼란, 전이성 문제가 존재하지만 데이터에서 관찰되거나 조정되지 않은 경우, 인과적 추정치의 체계적 편향을 평가하기 위한 구조적이고 유연하며 이론적으로 근거가 탄탄한 접근 방식을 실무자들에게 제공한다.