기술 요약: 성향 점수 매칭(PSM)의 대안으로서 거친 정확 매칭(CEM)의 효능 검토

1. 문제 제ط

거친 정확 매칭(Coarsened Exact Matching, 이하 CEM)은 공변량 불균형, 모델 의존성 및 통계적 편향을 해결하기 위한 방안으로서 비교 효과 연구에서 성향 점수 매칭(Propensity Score Matching, 이하 PSM)보다 우수한 대안으로 자주 홍보된다. 지지자들은 CEM이 부적절하게 매칭된 쌍을 제거함으로써 불균형과 모델 의존성을 증가시킨다는 이른바 "PSM 역설(PSM paradox)"을 완화함으로써 PSM보다 개선된 방식이라고 주장한다.

그러나 본 논문은 PSM을 CEM으로 교체하라는 권고가 불확실하며 잠재적으로 결함이 있을 수 있다고 주장하는데, 이는 세 가지 주요 이슈 때문이다:

1. 정확성(Exactness)에 대한 오해: CEM은 흔히 "정확한 매칭(exact matching)"으로 잘못 명명되곤 한다. 실제로는 원본 변수가 아닌 거친(coarsened) 변수(범주화된 연속형 또는 그룹화된 범주형 데이터)에 의존한다. 이러한 내재적인 부정확성은 표본 크기가 증가하더라도 사라지지 않는 체계적인 잔차 혼란(residual confounding)을 유발한다.
2. 불균형 지표의 오해: CEM이 PSM보다 불균형을 줄이는 데 더 뛰어나다고 주장하는 기존 연구들은 마할라노비스 거리(Mahalanobis distance)와 같은 지표를 활용한다. 이러한 지표는 체계적인 불균형과 무작위 변동(우연한 불균형)을 구분하지 못한다. PSM에서 동일한 성향 점수를 가진 매칭 쌍 간의 공변량 차이는 우연에 의해 발생하며 표본 크기가 증가함에 따라 상쇄되는 경향이 있지만, CEM의 불균형은 구조적이며 지속적이다.
3. 모델 의존성 및 차원의 저주: CEM은 잔차 혼란을 남기기 때문에, 편향되지 않은 추정을 위해서는 결과(outcome)-혼란 변수 관계에 대한 정확한 사후 매칭 회귀 모델링이 필요하다. 이는 모델 오설정(misspecification)에 대한 취약성을 높인다. 또한, CEM은 많은 공변량에 대해 매칭할 때 "차원의 저주"를 겪으며, 공격적인 거친 매칭을 사용하지 않으면 상당한 데이터 손실이 발생하고, 이는 다시 잔차 혼란을 심화시킨다.

2. 연구 방법론

이론적 프레임워크 및 가정

본 연구는 표준적인 인과 추론 가정인 SUTVA(Stable Unit Treatment Value Assumption), 조건부 무관성(Conditional Ignorability), 양의성(Positivity), 그리고 선형(또는 상호작용) 결과 모델 하에서 작동한다.

• PSM: 성향 점수 $e(X) = P(W=1|X)$를 활용하며, 이는 균형 점수(balancing score) 속성($W \perp\!\!\perp X | e(X)$)과 **강한 무관성(strong ignorability)**을 갖는다. 본 논문은 정확하게 매칭된 PSM 설계에서, 공변량 간의 우연한 불균형은 편향을 유발하지 않으며, 단순 평균 차이만으로도 편향되지 않은 추정이 가능하다는 가정을 제시한다.
• CEM: 연속형 변수를 빈(bin)으로 나누고 범주형 변수를 그룹화하여 저차원 벡터 $C$를 생성하는 "거친(coarsening)" 단계를 포함한다. 매칭은 $C$의 정확한 값에 대해 수행된다. 결정적으로, $C$는 처치 할당과 관련하여 $X$에 대한 충분 통계량이 아니므로, $W \not\perp\!\!\perp X | C$가 성립한다. 이는 층(stratum) 내부에 체계적인 불균형($\delta_c \neq 0$)을 발생시키며, 이는 표본 크기와 상관없이 지속된다.

제안된 지표

본 논문은 우연한 불균형의 방향성을 고려하지 않아 시뮬레이션 연구에서 0으로 수렴하지 못하는 기존 불균형 지표(예: 마할라노비스 거리, $L_1$ 지표)를 비판한다.

• 새로운 지표: 저자들은 표준화된 평균 차이(Standardized Mean Difference, SMD)에 기반한 다변량 불균형 지표를 제안한다. 이 지표는 시뮬레이션된 표본 전체의 평균 SMD 절대값을 합산하며, 특히 체계적인 불균형(0에서 벗어나는 경우)과 무작위 우연 불량(0으로 수렴하는 경우)을 구분하도록 설계되었다.

시뮬레이션 설계

본 연구는 "Auto" 거친 매칭(Sturges' rule 활용)과 "G3" 거친 매칭(3개 그룹으로 그룹화)을 사용하는 CEM을 PSM(0.2 칼리퍼를 가진 최근접 이웃 매칭)과 비교하는 포괄적인 시뮬레이션 연구를 수행한다.

• 시나리오:
  • 동질적 vs. 이질적 처치 효과: 상수 처치 효과와 변화하는 처치 효과 모두에서 성능을 평가한다.
  • 모델 설정: 올바르게 설정된 모델과 오설정된 모델(비선형성 및 상호작용 포함)의 결과 모델 하에서의 성능을 테스트한다.
  • 차원: 공변량의 수($p=2, 5, 7$)를 변화시켜 차원의 저주를 평가한다.
  • 처치 유병률: 낮은(10%) 처치율과 높은(30%) 처치율을 조사하여 처치 대상자 평균 처치 효과(PATT) 추정의 편향을 평가한다.
• 분석: 편향(bias), 분산(variance), 평균 제곱 오차(MSE)를 unadjusted 분석(평균 차이)과 adjusted 분석(선형 항을 포함한 회귀 분석)을 통해 평가한다.

3. 주요 기여 및 결과

1. 체계적 불균형 vs. 무작위 불균형

• 발견: PSM에서 매칭된 쌍 사이의 공변량 불균형은 무작위적이며 쌍의 수가 증가함에 따라 0으로 수렴한다. 반면, CEM에서의 불균형은 체계적이며 거친 매칭 과정에 의해 발생한다. 이는 표본 크기가 커져도 감소하지 않는다.
• 결과: Unadjusted 분석(단순 평균 차이)은 CEM보다 PSM에서 실질적으로 덜 편향된다. CEM은 잔차 혼란을 완화하기 위해 사후 회귀 조정을 요구하는 반면, PSM은 균형 점수 속성에 따라 편향되지 않은 추정을 위해 반드시 모델링을 필요로 하지 않는다.

2. 모델 의존성 및 오설정

• 발견: CEM은 거친 변수에 의존하므로, 편향되지 않은 추정은 결과와 원본 혼란 변수 간의 관계를 정확하게 모델링하는 것에 달려 있다.
• 결과: 결과 모델이 오설정되었을 때, CEM은 PSM보다 현저히 높은 편향을 보인다. 본 논문은 정확하게 매칭된 PSM 설계에서, 오설정된 선형 모델(비선형 또는 상호작용 항 누락)의 클래스가 점근적으로 편향되지 않은 ATT 추정치를 낼 수 있음을 보여주는 이론적 명제(Proposition 1)를 제공한다. 이와 대조적으로, CEM은 구조적 잔차 혼란으로 인해 모델 오설정에 매우 민감하다.

3. 차원의 저주와 거친 매칭의 트레이드오프

• 발겨: 공변량의 수가 증가함에 따라, 미세한 거친 매칭(예: "Auto")을 사용하는 CEM은 심각한 데이터 손실(희소성 편향)을 겪으며 불안정한 추정치를 낳는다.
• 결과: 거친 수준을 높이면(예: "G3") 데이터 손실은 완화되지만, 더 큰 잔차 혼한과 모델 의존성이 도입된다. 결과적으로 고차원 설정에서 CEM은 편향, 분산, MSE 측면에서 PSM보다 성능이 떨어진다.

4. 이질적 처치 효과

• 발견: 동질적 효과에서 관찰된 패턴은 이질적 처치 효과에서도 지속된다.
• 결과: 특히 처치 유병률이 높고 결과 모델이 오설정된 경우, PSM이 CEM에 비해 일관되게 낮은 편향과 분산을 보여준다. 오설정 상황에서는 PSM의 분석적 추정치가 CEM의 모델 기반 추정치보다 우수하다.

4. 의의 및 주장

본 논문은 많은 수의 공변량에 대해 매칭할 때 CEM은 PSM의 실행 가능한 대안이 아니다라고 결론짓는다.

• 오해의 교정: 본 연구는 CEM이 완전히 블록화된 무작위 실험을 모사하거나 PSM보다 불균형 및 모델 의존성을 줄이는 데 우월하다는 임상 문헌의 지배적인 견해에 이의를 제기한다. CEM은 구조적 편향을 유발하는 부정확한 매칭 방법임을 명확히 한다.
• 방법론적 가이드라인: 저자들은 CEM의 우월성에 대한 주장이 우연한 변동을 고려하지 못하는 부적절한 불균형 지표(예: 마할라노비스 거리)의 사용에서 비롯된다고 주장한다. 적절한 SMD 기반 지표로 평가했을 때, PSM이 우월한 공변량 균형을 보여준다.
• 강건성: PSM은 모델 오설정에 더 강건하다. CEM이 미측정 데이터에 비해 모델 의존성을 줄여주기는 하지만, 여션 결과 모델링에 대한 의존도는 PSM보다 높다.
• 한계: 본 논문은 PSM이 만병통치약이 아님을 인정한다. PSM은 측정되지 않은 혼란을 해결할 수 없으며 성향 점수 모델의 정확한 설정에 의존한다. 그러나 관측된 혼란 변수의 범위 내에서, PSM은 특히 고차원 설정에서 편향과 모델 의존성을 줄이는 데 있어 CEM보다 더 강건한 프레임워크를 제공한다.

본 연구는 관찰 연구에서 CEM의 역할을 재평가할 것을 권고하며, CEM의 이론적 이점이 잔차 혼란 및 차원의 저주와 관련된 실질적인 한계에 의해 종종 상쇄된다는 점을 시사한다.