Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection

기술 요약: 이질적 처치 효과 탐지를 위한 가정 최소화 차분 분산 추론

문제 정의
임상 연구에서 조건부 평균 처치 효과(Conditional Average Treatment Effect, CATE)는 이질적 처치 효과(Heterogeneous Treatment Effect, HTE)를 탐지하기 위한 표준 도구이다. 그러나 CATE 기반 추론은 기저 공변량 집합에 모든 진정한 효과 수정자(effect modifiers)가 포함되어 있다는 가정에 결정적으로 의존한다. 자원 제약, 측정 오차 또는 불완전한 메커니즘 이해로 인해 효과 수정자가 누락될 경우, CATE 기반 방법론은 균일한 처치 효과 가설의 위반을 탐지하는 데 실패할 수 있다. 이는 의사결정자로 하여나 처치 효과가 균일하지 않음에도 불구하고 균일하다고 오해하게 만들 수 있다. 또한, CATE를 위한 고차원 추론은 종종 검증 불가능한 희소성(sparsity) 가정을 요구하며, 과잉 양성(false positive) 및 과잉 음성(false negative) 비율을 높이는 것으로 나타났다. 기존의 변수 중요도 파라미터(Variable Importance Parameter, VIP) 접근법인 처치 효과 수정자(TEM-VIPs) 역시 효과 수정자가 데이터에 존재해야 한다는 유사한 한계에 직면해 있다. 추가적으로, 표준 CATE 추론은 평균 처치 효과는 일정하지만 잠재적 결과의 분산이 달라지는 경우, 즉 리스크 민감형 의사결정에 유의미한 시나리오에서의 잔차 이질성(residual heterogeneity)을 간과한다.

방법론
저자들은 효과 수정자에 대한 접근 없이도 HTE를 탐지할 수 있는 "가정 최소화(assumption-lean)" 추론 프레임워크를 제안한다. 이 접근법의 핵심은 잠재적 결과의 분산을 대조하는 **차분 분산 추정량(differential variance estimands)**의 추정이다.

1. 추정량(Estimands):

   • 절대 차분 분산 ($\Psi$): 잠재적 결과의 표준편차 차이로 정의된다: $\Psi(P_0) = \sigma(P_0; 1) - \sigma(P_0; 0)$.
   • 상대 차분 분산 ($\Lambda$): 분산의 비율로 정의된다: $\Lambda(P_0) = \sigma^2(P_0; 1) / \sigma^2(P_0; 0)$.
   • 본 논문은 만약 $\Psi(P_0) \neq 0$ (또는 $\Lambda(P_0) \neq 1$)이라면, "이차 모멘트 균일 처치 효과 가설(second-moment homogeneous treatment effect hypothesis)"이 위반됨을 입증한다. 이 가설은 조건부 이차 모멘트가 동일하다면 서로 다른 잔차 노이즈 항을 허용하는 완화된 형태의 엄격한 균일 효과 가설이다. 결정적으로, 이러한 추정량들은 조건부 교환 가능성(conditional exchangeability)이 성립한다는 전제하에, 데이터에 효과 수정자($V$)가 누락된 경우($V = \emptyset$)에도 이질성을 탐지할 수 있다.

2. 식별 가능성(Identifiability):
   표준 인과적 가정(조건부 교환 가능성, 일관성, 양의성) 하에서 잠재적 결과의 분산은 관측된 데이터로부터 식별 가능하다. 저자들은 이러한 추정량들이 공변량에 대한 조건화 없이도 무작위 대조 시험(RCT)에서 이질성을 탐지하는 데 유효함을 보여준다. 다만, 예후 변수(prognostic variables)에 대해 조건화하는 것이 효율성을 높인다.

3. 추정기(Estimators):
   저자들은 비모수 모델 내에서 효율적 영향 함수(Efficient Influence Functions, EIF)를 사용하여 Causal Machine Learning 추정기를 도출한다.

   • One-Step 추정기: 잠재적 결과 분산의 EIF를 사용하여 구축된다.
   • 표적 최대 가능도 추정기(Targeted Maximum Likelihood Estimators, TMLE): EIF 방정식을 풀기 위해 섭동(tilting)된 결과 회귀(outcome regression) 및 성향 점수(propensity score)의 섭동된 노이즈 파라미터 추정치를 사용한다.
   • 교차 적합(Cross-Fitted) 버전: Donsker class 조건을 피하기 위해 샘플 분할(sample splitting)을 사용하는 변형된 추정기들이다.
   • 이 추정기들은 노이즈 파라미터 추정을 위해 유연한 머신러닝 알고리즘(예: Super Learner, Random Forests)을 활용한다.

4. 점근적 성질(Asymptotic Properties):
   본 논문은 이 추정기들이 완만한 조건 하에서 **이중 강건성(doubly robust)**을 가지며 **점근적 선형성(asymptotically linear)**을 가짐을 증명한다. 구체적으로, 노이즈 파라미터의 추정 오차 곱이 $n^{-1/2}$보다 빠른 속도로 수렴한다면 $n^{-1/2}$ 수렴 속도를 달ей한다. 이를 통해 비모수적 환경에서도 유효한 Wald 유형의 신뢰 구간 및 가설 검정을 구축할 수 있다.

주요 결과

• 시뮬레이션 연구 1 (이중 강건성): 제안된 추정기들이 성향 점수 또는 결과 회귀 중 하나가 올바르게 지정되었을 때 실질적인 경험적 편향이 거의 없음을 입증하여 이중 강건성을 확인하였다.
• 시뮬레이션 연구 2 (점근적 선형성): 추정기들이 유한 표본에서 점근적 선형성을 달성함을 보여주었으며, 표본 크기가 증가함에 따라 신뢰 구간의 커버리지 확률이 명목 수준으로 수렴함을 보였다. 교차 적합된 추정기는 유연한 머신러닝과 관련된 편향-분산 트레이드오프를 완화하여 더 큰 표본에서 우수한 성능을 보였다.
• 시뮬레이션 연구 3 (측정 오차 하의 탐지): 효과 수정자가 잘못 측정된 RCT 환경에서, 차분 분산 추정기는 HTE를 탐지하는 높은 통계적 검정력을 유지했다. 반면, 표준 Causal Forest 기반의 CATE 이질성 옴니버스 테스트는 측정 오차가 증가함에 따라 검정력을 상실하였으며, 효과 수정자가 완전히 잘못 측정되었을 때 이질성을 탐지하지 못했다.
• 적용 사례 (TTM 및 TTM2 임상 시험): 본 방법론을 TTM 및 TTM2 시험 재분석에 적용하였다. TTM 시험은 (작은 표본 크기로 인해) 유의미한 차분 분산을 보이지 않았으나, TTM2 시험은 이차 모멘트 균일 처치 효과 가설을 기각하였다 ($p < 0.01$). 그러나 추정된 표준편차의 차이가 하루 미만이었는데, 이는 통계적 이질성은 존재하지만 임상적으로 실행 가능한 수준은 아닐 수 있음을 시사한다.

의의 및 주장
본 논문은 효과 수정자가 누락되거나 잘못 측정된 상황에서 처치 효과의 이질성을 탐지하기 위한 실용적인 대안을 제공한다고 주장한다. 잠재적 결과의 분산에 집중함으로써, 저자들은 다음과 같은 방법론을 제공한다:

• 특정 효과 수정자의 식별이나 측정을 요구하지 않는다.
• 리스크 민감형 의사결정을 위해 해석 가능한 지표(절대 또는 상대 분산 대비)를 제공한다.
• 무작위 및 관찰 연구 모두에서 점근적 보장을 갖는 공식적인 가설 검정을 제공한다.
• CATE 및 TEM-VIP 워크플로우에 대한 보완적인 민감도 분석 역할을 수행한다. 즉, CATE 결과가 영(null)일 때 차분 분산 추론에서 유의미한 결과가 나온다면, 이는 이질성이 존재하지만 측정되지 않은 요인에 의해 주도되고 있음을 나타낼 수 있다.

저자들은 본 방법론이 이질성의 존재를 탐지하지만, 그 원천이나 방향성을 식별하지는 못한다는 점을 강조하며, 이는 주변부 분산 대비(marginal variance contrasts)가 가진 내재적 한계임을 밝힌다. 그럼에도 불구하고, 근저의 메커니즘을 알지 못하더라도 실행 가능한 불균일성을 탐지하는 것은 가치 있는 일이라고 주장한다.