[기술 요약] 디자인 기반 중첩 도구 변수 분석 (Design-based Nested IV Analysis)

1. 문제 정의 (Problem Statement)

전통적인 도구 변수(Instrumental Variable, IV) 분석은 처치(treatment)와 결과(outcome) 사이에 관찰되지 않은 혼란 변수(unmeasured confounders)가 존재할 때, 처치와는 독립적이지만 결과에는 영향을 미치는 변수를 활용하여 인과 효과를 추정합니다. 그러나 기존 IV 분석은 다음과 같은 한계가 있습니다.

• 단일 강도의 도구 변수: 기존 방식은 도구 변수의 강도가 하나라고 가정합니다. 하지만 실제 상황(예: 정책 변화, 권장 강도의 차이)에서는 서로 다른 강도를 가진 도구 변수가 존재할 수 있습니다.
• 이질적 반응의 무시: 도구 변수의 강도가 달라질 때, 어떤 사람은 반응하고 어떤 사람은 반응하지 않는 '반응의 이질성'이 발생합니다. 기존 IV는 이들을 구분하지 못하고 '순응자(compliers)' 전체의 평균 효과만을 추정합니다.
• 설계 기반 추론의 부재: 기존의 많은 방법론은 구조적 방정식 모델(SEM)이나 모멘트 조건에 의존하여, 도구 변수가 약할 경우(weak IV) 편향된 결과를 초래할 수 있습니다.

2. 핵심 방법론 (Methodology)

본 논문은 중첩 도구 변수(Nested IV) 구조를 도입하여, 두 개의 이진 도구 변수($IV_a, IV_b$)가 있을 때 $IV_a$에 순응하는 사람이 $IV_b$에도 순응한다는 가정(Nested IV Assumption) 하에 분석을 수행합니다.

① PoP-NIV 설계 (Pair-of-Pairs Nested IV Design)

연구진은 매칭된 층(stratum) 내에 두 개의 쌍(pair)을 구성하는 새로운 실험 설계를 제안했습니다.

• 각 층은 4개의 단위로 구성되며, 한 쌍은 약한 도구 변수($0_a, 1_a$)를, 다른 한 쌍은 강한 도구 변수($0_b, 1_b$)를 할당받습니다.
• 이 설계는 네트워크 흐름(network flow) 알고리즘을 사용하여 관찰 데이터에서 공변량 균형(covariate balance)을 맞춘 매칭된 층을 효율적으로 구축합니다.

② 대상 집단 분리 (Principal Stratification)

중첩 구조를 통해 전체 순응자를 두 개의 잠재적 하위 집단으로 구분합니다.

• Always-compliers (ACO): 약한 도구 변수 하에서도 처치를 받는 사람들.
• Switchers (SW): 약한 도구 변수에는 순응하지 않지만, 강한 도구 변수에는 순응하는 사람들.

③ 디자인 기반 추론 (Design-based Inference)

모델링에 의존하는 대신, 무작위 배정 메커니즘(randomization mechanism) 자체에 기반하여 통계적 추론을 수행합니다.

• ACO-SATE: Always-complier 집단의 표본 평균 처치 효과.
• SW-SATE: Switcher 집단의 표본 평균 처치 효과.
• 효과 균질성 검정: ACO-SATE와 SW-SATE가 같은지 검정하여 효과의 이질성을 확인합니다.

④ 편향된 무작위 배정 대응 (Partly Biased Randomization)

실제 다기관 임상시험에서는 특정 센터로의 배정이 완전히 무작위가 아닐 수 있습니다. 이를 해결하기 위해 $\Gamma$ (Gamma) 파라미터를 도입한 '부분적 편향 무작위 배정 모델'을 제안하여, 편향이 존재하더라도 유효한(valid) 검정력을 유지하도록 설계했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 분석 프레임워크: 중첩 IV 구조를 통해 순응자 집단을 ACO와 SW로 세분화하여 인과 효과의 이질성을 파악할 수 있는 이론적 틀을 마련했습니다.
2. 효율적인 설계 알고리즘: 관찰 데이터에서 PoP-NIV 설계를 구현하기 위한 계산 효율적인 네트워크 흐름 기반 매칭 알고리즘을 제시했습니다.
3. 강건한(Robust) 추론 방법론: 도구 변수가 약하거나 표본 크기가 작고, 혹은 무작위 배정이 완벽하지 않은(biased) 까다로운 상황에서도 유효한 가설 검정과 신뢰 구간을 제공합니다.
4. 실제 사례 적용: PLCO 암 검진 임상시험 데이터를 통해 이론의 실용성을 입증했습니다.

4. 연구 결과 (Results)

① 시뮬레이션 결과

• 제안된 방법론은 표본 크기가 작거나(I=100), Switcher의 비율이 낮더라도 제1종 오류(Type I error)를 잘 통제했습니다.
• 도구 변수의 강도가 달라짐에 따라 발생하는 효과의 차이를 정확하게 포착했으며, 편향된 무작위 배정 상황에서도 기존 방법론보다 훨씬 우수한 성능을 보였습니다.

② PLCO 임상시험 적용 결과

• 집단 구성: 참여자의 52.2%는 Always-compliers였고, 26.7%는 Switchers였습니다.
• 효과 차이:
  • Always-compliers에게는 대장암 발생률 감소 경향($-0.62\%$)이 관찰되었습니다.
  • Switchers에게는 효과가 나타나지 않았습니다($1.46\%$).
• 해석: 1997년 이후 검진 순응율은 높아졌으나 전체적인 ITT(Intention-to-Treat) 효과가 증가하지 않았던 이유를 설명해 줍니다. 즉, 추가로 유입된 Switcher 집단이 검진을 통해 얻는 이득이 거의 없었기 때문임을 밝혀냈습니다.

5. 의의 (Significance)

이 논문은 **"누구에게 처치가 효과적인가?"**라는 질문에 대해 훨씬 더 정교한 답을 제공합니다. 단순히 "검진이 효과가 있다/없다"를 넘어, "이미 순응도가 높은 집단에는 효과가 있지만, 강한 권고로 끌어들인 새로운 집단에는 효과가 미미하다"는 식의 구현 과학(implementation science) 측면의 통찰을 제공합니다. 이는 보건 정책 수립 시 자원을 어디에 집중해야 하는지에 대한 중요한 근거가 됩니다.