Sensitivity analysis for contamination in egocentric-network randomized trials with interference

기술 요약: 간섭이 존재하는 에고중심 네트워크 무작위 배정 시험(ENRT)에서의 오염에 대한 민감도 분석

문제 정의
전체 사회 중심 네트워크 데이터를 수집하는 것이 물류적으로 불가능할 때, 인과 효과를 추정하기 위해 에고중심 네트워크 무작위 배정 시험(Egocentric-Network Randomized Trials, ENRT)이 점점 더 많이 활용되고 있다. ENRT에서는 "에고(ego, 지표)" 집단이 샘플링되며, 각 에고는 자신의 이웃 중 일부인 "얼터(alter, 대상)"들을 모집한다. 처치는 에고를 대상으로 무작위 배정된다. 표준적인 분석 접근법은 관찰된 에고 네트워크가 기저의 모집단 네트워크에서 서로 분리되어 있다고 가정한다. 즉, 얼터는 단 하나의 에고에게만 연결되어 있고, 에고들은 서로 연결되지 않았다고 가정한다.

그러나 실제 모집단 네트워크에는 이러한 분리된 구성 요소들을 연결하는 엣지(edge)가 존재하는 경우가 많다(예: 여러 에고에게 연결된 얼터, 또는 서로 연결된 에고들). 이러한 현상을 **오염(contamination)**이라 하며, 이는 관찰된 네트워크에서 누락된 엣지를 발생시킨다. 결과적으로, 관찰된 네트워크를 통해 계산된 노출 상태(즉, 처치된 이웃을 가진 단위 여부)가 잘못 지정된다. 저자들은 설계 기반 추론 프레임워크 하에서, 이러한 오염이 존재할 때 직접 효과와 간접 효과 모두에 대한 표준 호트비츠-톰슨(Horvitz-Thompson, HT) 추정량이 편향됨을 입증한다. 구체적으로, 나이브(naive) 추정량은 간접 효과를 과소평가하고 직접 효과를 과대평가하는 경향이 있다.

방법론
본 논문은 확률적 초집단 모델(stochastic superpopulation model)을 가정하지 않고 오염 문제를 해결하기 위한 설계 기반 민감도 분석 프레임워크를 제안한다. 기저의 모집단 네트워크는 부분적으로 관찰되지 않은 고정된 것으로 취급된다.

1. 편향 수정 추정량:

   • 간접 효과: 저자들은 누락된 에고-얼터 엣지의 확률($\pi^a_i$) 또는 기대 횟수를 나타내는 민감도 파라미터를 사용하여 나이브 HT 추정량을 조정하는 편향 수정 간접 효과 추정량($\widehat{IE}_{adj}$)을 도출한다.
   • 직접 효과: 편향 수정 직접 효과 추정량($\widehat{DE}_{adj}$)은 두 가지 민감도 파라미터를 필요로 한다: 누락된 에고-에고 엣지의 확률($\pi^e_i$)과, 처치된 이웃에게 적어도 하나 이상 노출된 에고들의 평균 직접 효과와 노출되지 않은 에고들의 효과 사이의 비율을 나타내는 비율 파라미터($\kappa$)이다.
   • 분산 추정: 에고 네트워크 간의 잠재적 엣지로 인해 발생하는 의존성을 고려하기 위해 보수적인 분산 추정량을 개발하였다.

2. 민감도 파라미터 및 지정:
   프레임워크는 누락된 엣지의 확률 또는 기대 횟수($\rho^e_{ij}$ 및 $\rho^a_{ij}$)를 지정하는 데 의존한다. 저자들은 이 파라미터를 지정하기 위한 네 가지 실용적인 가이드라인을 제공한다:

   • 균질한 확률 (모든 잠재적 누락 엣지에 대해 일정한 확률 적용).
   • 균질한 엣지 수 (누락된 엣지의 총 기대 횟수 지정).
   • 이질적 확률 (공변량 및 동종성(homophily) 척도를 사용하며, 거리에 기반한 로지스틱 링크 함수 활용).
   • 이질적 엣지 수 (기대 횟수와 이질적 확률을 결합).

3. 증강 및 교차 적합(Cross-Fitting):
   설계 기반 타당성을 해치지 않으면서 점근적 정밀도를 높이기 위해, 저자들은 작동하는 결과 회귀 모델(working outcome regression models)을 사용하여 편향 수정 추정량을 증강한다. 저자들은 ENRT 설계에 맞춤화된 조건부 2-폴 교차 적합 절차(개별 단위가 아닌 에고 네트워크를 분할)를 구현하여, 독립성 가정을 유지하면서 유한 표본 편향을 피한다.

4. 분석 접근법:
   프레임워크는 다음 두 가지 방법을 통해 구현된다:

   • 그리드 민감도 분석(Grid Sensitivity Analysis, GSA): 가능한 민감도 파라미터 값들의 그리드를 따라 추정치를 평가한다.
   • 확률적 편향 분석(Probabilistic Bias Analysis, PBA): 민감도 파라미터를 특정 분포(예: Beta, Poisson, Uniform)에서 샘플링하여, 통계적 불확실성과 편향 불확실성을 모두 고려한 편향 수정 추정치의 분포를 생성한다.

5. 내부 타당성 검증:
   본 논문은 참여자가 개입 용어를 회상했는지 여부를 보고하는 회상 조사(recall surveys)와 같은 내부 검증 데이터를 사용하여 민감도 파라미터를 보정하는 방법을 설명한다. 이를 통해 노출 확률을 직접 추정함으로써 순수한 민감도 분석에 대한 의존도를 줄일 수 있다.

주요 결과

• 이론적 발견: 저자들은 오염이 존재할 때 나이브 HT 추정량이 편향됨을 증명한다. 간접 효과에 대한 편향의 방향은 일반적으로 영(null)을 향한다(과소평가). 직접 효과에 대한 편향은 $\kappa$에 달려 있는데, 만약 처치된 이웃이 있는 경우의 직접 효과가 노출되지 않은 에고들의 효과보다 크다면, 나이브 추정량은 영으로부터 멀어지는 방향으로 편향된다(과대평가).
• 시뮬레이션 연구: HPTN 037 설계를 기반으로 한 시뮬레이션 결과, 오염이 증가함에 따라 나이브 추정량이 상당한 편향과 낮은 커버리지(coverage)를 보임을 확인했다. 제안된 편향 수정 추정량(표준 및 증강 모두)은 오염 시나리오 전반에서 무시할 만한 편향을 보였다. 증강된 추정량은 유효한 분산 추정치와 명목 커버리지 비율을 제공하는 반면, 비증강 추정량은 보수적일 수 있다. 또한, $\kappa$의 방향을 잘못 지정하면 심각한 편향이 발생하지만, 방향이 올바른 경우 크기를 잘못 지정하더라도 나이브 추정량보다는 성능이 우수함을 발견했다.
• HPTN 037 적용: 본 프레임워크를 HPTN 037 연구 재분석에 적용하였다.
  • 내부 검증 데이터(개입 용어 회상)를 사용하여 누락된 엣지 수를 추정하였다.
  • 그리드 및 확률적 분석: 결과는 오염을 무시하는 것이 간접 효과를 유의하게 과소평가(일부 시나리오에서 최소 18%)하고, 직접 효과를 약간 과대평가함을 나타냈다.
  • 편향 수정된 추정치는 분리된 네트워크를 가정했던 이전 분석들에 비해 훨씬 더 큰 간접 효과와 더 작은 직접 효과를 시사했다.

의의 및 주장
본 논문은 ENRT에서 네트워크 오염에 대한 인과 추정치의 강건성을 평가하기 위한 유연한 설계 기반 도구를 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 편향 수정: 분리된 에고 네트워크라는 제한적인 가정을 넘어, 누락된 엣지를 고려하는 직접 효과 및 간접 효과에 대한 명시적인 편향 수정 추정량을 제공한다.
2. 민감도 프레임워크: 생성적 네트워크 모델을 요구하지 않으면서 잠재적 엣지에 대한 인식론적 불확실성을 정량화하는 새로운 민감도 분석 프레임워크를 도입한다.
3. 실제적 구현: 민감도 파라미터를 지정하기 위한 구체적인 가이드라인을 제공하고, 내부 검증 데이터를 사용하여 이 파라미터들을 보정하는 유용성을 입증한다.
4. 실증적 영향: HPTN 037 재분석을 통해, 분리된 네트워크라는 표준 가정이 특히 동료 주도 개입의 파급(간접) 이익을 과소평가하는 등 오해의 소지가 있는 정책 결론을 초래할 수 있음을 보여준다.

저자들은 자신들의 접근 방식이 모집단 네트워크 생성이나 리크루트 과정에 대한 강력하고 검증 불가능한 가정을 요구하는 대안적 모델 기반 접근법들과 달리, 표본 내의 강건한 내부 타당성을 우선시한다는 점을 강조한다.