기술 요약: 관찰 연구에서 혼란 변수로서의 클러스터에 대한 가중치 프레임워크

문제 정의

관찰적 인과 추론에서 연구자들은 단위가 그룹(클러스터) 내에 중첩되어 있는 경우(예: 학교 내 학생, 병원 내 환자) 발생하는 혼란(confounding) 문제에 직면하곤 한다. 표준적인 접근 방식은 공변량에 대해 강한 무시 가능성(strong ignorability)이 성립한다고 가정하며 개별 수준의 공변량을 조정한다. 그러나 클러스터 멤버십이 처치 할당과 결과 모두에 영향을 미치는 경우, 측정되지 않은 클러스터 수준의 맥락으로 인해 이 가정이 위배될 수 있다.

본 논문이 다루는 핵심 문제는 클러스터 수준의 혼란을 조정하기 위해 가중치 방법을 어떻게 적절하게 사용할 것인가 하는 점이다. 기존 문헌은 주로 랜덤 효과(특히 랜덤 절편)를 사용하는 모델 기반 역확률 점수 가중치(Inverse Propensity Score Weighting, IPW)에 크게 의존한다. 저자들은 현재의 표준인 랜덤 절편 IPW(RI-IPW)가 전역적 균형(전체 표본에 걸친 처치군과 대조군 사이의 차이)과 클러스터 간의 상수 수준 변화만을 목표로 한다고 주장한다. 결정적으로, 이는 국소적 균형(특정 클러스터 내에서의 처치군과 대조군 사이의 차이)에 대해서는 아무런 제약을 가하지 않는다. 국소적 불균형이 존재하는 경우, RI-IPW는 특히 클러스터 크기가 작거나 데이터가 희소한 설정에서 편향을 줄이는 데 실패할 수 있다. 또한, 전역적 균형과 국소적 균형을 모두 달성하려는 방법들은 계산 불가능성에 직면하거나 작은 클러스터를 제외해야 하며, 이로 인해 대상 추정량(estimand)이 변경될 수 있다.

방법론

본 논문은 가중치 추정량의 편향을 **전역적 균형(global balance)**과 **국소적 균벨(local balance)**이라는 두 가지 뚜렷한 구성 요소로 분해하는 통합 가중치 프레임워크를 개발한다.

1. 편향 분해 프레임워크

저자들은 처치군에 대한 평균 처치 효과(ATT)에 대한 편향 분해를 유도한다. 그들은 $\mu_0$를 추정하는 과정에서의 편향이 다음으로 구성됨을 보여준다:

• 전역적 균형: 전체 표본에 걸쳐 처치군과 대조군 사이의 결과 모델의 공통 구성 요소 간의 차이.
• 국소적 균형: 각 클러스터 내에서 처치군과 대조군 사이의 상호작용 구성 요소(클러스터별 특성) 간의 차이.
• 정규화(Normalization): 가중치의 합이 각 클러스터 내의 처치 단위 수와 일치하는지 여부와 관련된 항.

이 분해는 ATT를 달est하기 위해서는 전역적 불균형과 국소적 불균형을 모두 통제해야 함을 명확히 하지만, 상대적인 중요성은 클러스터 간 결과 프로세스의 이질성에 따라 달라진다.

2. 기존 방법론 검토 (클러스터 멤버십 조정)

논문은 가정 2(공변량 $X$와 $G$가 주어졌을 때의 강한 무시 가능성) 하에서 클러스터 멤버십($G$)에 조건화하는 방법들을 분류한다:

• 랜덤 절편 IPW (RI-IPW): 현재의 표준이다. 클러스터별 절편은 포함하지만 공변량과 클러스터 간의 상호작용은 포함하지 않는다. 이는 전역적 균형과 정규화를 목표로 하지만 국소적 균형을 통제하는 데 실패한다.
• 층화 분석 (Stratified Analysis): 각 클러스터 내에서 별도로 역확률 점수를 추정함으로써 국소적 균형만을 목표로 한다. 이는 완전한 분리(complete separation)나 작은 표본 크기로 인해 실행 불가능한 경우가 많으며, 전역적 균형을 무시한다.
• 랜덤 계수 IPW (Random Coefficients IPW): 클러스터별로 공변량 효과가 변하도록 허용함으로써 전역적 균형과 국소적 균형을 모두 목표로 한다. 이는 종종 계산적으로 불가능하며 수렴 문제에 시달린다.
• 계층적 균형 가중치 (Hierarchical Balancing Weights): 정확한 전역적 균형을 강제하면서 국소적 불균형을 직접 최소화하는 제약 최적화 접근법이다. 이는 두 형태의 균형을 모두 목표로 하지만, 처치 변동이 없는 클러스터를 제거해야 하므로 추정량이 바뀐다.

3. 제안된 방법 (클러스터 수준 충분 통계량 조정)

작은 클러스터에서의 희소성 문제를 해결하기 위해, 저자들은 가정 3(지수 가족 클러스터 무시 가능성)에 기반한 방법들을 제안한다. 이 가정은 처치가 클러스터 멤버십 자체가 아니라 클러스터 수준의 충분 통계량($\bar{S}_G$)이 주어졌을 때 무시 가능하다는 것을 상정한다. 이를 통해 유사한 충분 통계량을 공유하는 클러스터들은 "익명화"되어 처리될 수 있다.

• 일반화된 문들락(Mundlak) 추정: 클러스터의 고정 효과 대신 클러스터 수준의 충분 통계량(예: 공변량의 평균 및 클러스터 내 처치 비율)을 조정하는 방식이다.
• 문들락 균형 가중치 (Mundlak Balancing Weights): 다음을 균형 있게 맞추기 위해 제약 최적화를 사용하는 새로운 추정량이다:
  1. 개별 수준 공변량 (전역적 개별 균형).
  2. 클러스터 수준 충분 통계량 (전역적 클러스터 균형).
  3. 개별 공변량과 클러스터 수준 충분 통계량 간의 상호작용 (국소적 균형).

이 접근 방식은 국소적 균형 제약의 차원을 ($d \times K$) (공변량 $\times$ 클러스터)에서 충분 통계량의 차원으로 줄여, 작은 클러스터를 제거하지 않고도 유지할 수 있게 한다. 저자들은 전역적 충분 통계량에 대해 전역적 균형을 강제하는 방식과 클러스터 내 "평균-대-1(average-to-one)" 제약을 강제하는 방식의 두 가지 변형을 설명한다.

주요 기여

1. 통합 프레 framework: 본 논문은 가중치 편향을 전역적 및 국소적 구성 요소로 공식적으로 분해하여, 서로 다른 추정 방법들이 정확히 무엇을 통제하는지 명확히 한다.
2. RI-IPW 비판: 저자들은 널리 사용되는 랜덤 절편 IPW 방법이 국소적 불균형을 통제하지 못하며, 클러스터 수준의 혼란이 존재할 때 편향을 초래할 수 있음을 입증한다.
3. 계층적 균형 가중치: 직접적인 최적화를 통해 전역적 및 국소적 균형을 모두 목표로 하는 방법을 공식화하고, 균형과 유효 표본 크기(ESS) 사이의 트레이드오프를 강조한다.
4. 문들락 균형 가중치: 충분 통계량을 활용하여 작은 클러스터에서도 국소적 균형을 달성하는 새로운 추정량을 도입한다. 이는 처치 변동이 없는 클러스터를 제거하지 않고도 유지할 수 있게 한다.
5. 가정 간의 트레이드오프: 논문은 필요한 가정을 명시적으로 대조한다:
   • 가정 2 (더 약한 가정): 클러스터 효과에 대해 비모수적이다. 계층적 균형 가중치에 유효하지만, 작은 클러스터에서는 어려움이 있다.
   • 가정 3 (더 강한 가정): 공변량과 처치의 결합 분포에 대한 지수 가족 구조를 요구한다. 문들락 방법의 유효성을 보장하며 작은 클러스터를 허용하지만, 충분 통계량이 잘못 지정될 경우 편향의 위험이 있다.

결과

시뮬레이션 연구

클러스터 수준의 관측되지 않은 혼란이 있는 데이터 생성 프로세스를 사용하여:

• RI-IPW: 성능이 저조했으며, 클러스터를 전혀 고려하지 않은 방법보다 더 높거나 비슷한 수준의 높은 편향을 보였다. 클러스터 수준의 혼란으로부터 오는 편향을 줄이는 데 실패했다.
• 계층적 균형 가중치: 클러스터 혼란이 존재할 때 편향을 효과적으로 줄였으나, 클러스터가 무관할 때는 비용(편향)이 발생했다.
• 문들락 균형 가중치: 모든 시나리오에서 우수한 성능을 보였으며, 클러스터 수준의 혼합이 존재하더라도 거의 편향되지 않았다. 또한 다른 클러스터 기반 방법들이 겪었던 무관한 클러스터에 의한 페널티를 피했다.

실증 적용

저자들은 두 가지 서로 다른 데이터셋에 방법을 적용했다:

1. 교육 (작은 클러스터): 유치원 프로그램이 시험 점수에 미치는 영향 연구 (937개 학교, 작은 클서 크기).

   • RI-IPW는 상당한 공변량 불균형과 함께 큰 처치 효과(0.25 SD)를 나타냈다.
   • 계층적 및 문들락 균형 가중치는 유사하고 더 작은 추정치(0.07 SD)를 산출하며 탁월한 균형을 보였다.
   • 두 방법의 일치는 더 강한 가정인 가정 3이 크게 위배되지 않았음을 시사한다.
   • 계층적 가중치는 처치 변동이 없는 클러스터를 제거해야 했으나, 문들락 가중치는 이를 유지했다.

2. 보건 의료 (큰 클러스터): HPB 질환에 대한 응급 수술 연구 (540개 병원, 큰 클러스터 크기).

   • RI-IPW는 역시 불량한 균형과 함께 이상치(outlier) 추정치를 냈다.
   • 계층적 및 문들락 가중치는 유사한 근접 제로(near-zero) 추정치를 산출하였으며, 이는 병원 맥락을 고려했을 때 수술의 효과가 없음을 시사한다.
   • 이 설정에서는 클러스터 크기가 크기 때문에, 저자들은 비모수적 가정 2를 따르면서도 계산이 가능한 계층적 균형 가중치가 더 바람직하다고 언급한다.

의의 및 주장

본 논문은 연구자들이 전통적인 모델 기반 IPW(랜덤 절편 포함)보다 **균형 가중치 접근법(balancing weights approaches)**을 일반적으로 선호해야 한다고 주장한다.

• 계층적 균형 가중치를 사용해야 할 때: 클러스터 크기가 직접적인 클러스터 멤버십에 조건화할 수 있을 만큼 충분히 클 경우, 이 방법이 더 선호된다. 왜냐하면 더 약한 비모수적 가정 2에 의존하기 때문이다.
• 문들락 균형 가치를 사용해야 할 때: 클러스터 크기가 작거나 클러스터 내 중첩 위반이 존재하는 경우, 문들락 접근법이 이러한 클러스터를 유지할 수 있어 매력적이다. 다만, 연구자가 지수 가족 가정(가정 3)이 성립한다고 믿어야 하며, 선택된 충분 통계량이 클러스터 수준의 혼란을 완전히 포착한다는 전제가 필요하다.
• 실무적 권고: 여러 방법(조정 없음, RI-IPW, 계층적, 문들락) 간의 추정치를 비교할 것을 권장한다. 계층적 추정치와 문들락 추정치가 일치한다면 더 강한 가정인 가정 3이 심각하게 위배되지 않았음을 확인해 주는 것이다. 불일치는 충분 통계량의 오지정 또는 국소적 균형 달성 실패를 나타낼 수 있다.

결론적으로, 문들락 접근법이 작은 클러스터에 대한 해결책을 제공하지만, 방법의 선택은 궁극적으로 지수 가족 가정의 타당성과 클러스터 멤버십에 직접 조건화하는 것의 가능성에 달려 있다.