A Bayesian Reinterpretation of Cornfield-Type Sensitivity Analysis: From Thresholds to Probabilities

1. 연구 배경 및 문제 제기 (Problem)

• 관찰 연구의 근본적 한계: 관찰 연구에서 인과 추론은 측정되지 않은 교란변수 (unmeasured confounding) 의 존재 가능성에 의해 구조적으로 제한받습니다. 기존에 교란변수를 완전히 제거하는 것은 불가능하며, 이는 기술적 한계를 넘어 인식론적 문제입니다.
• 기존 방법론의 한계 (임계값 기반): 현재 널리 사용되는 민감도 분석 방법 (Cornfield 조건, E-value 등) 은 "관찰된 연관성을 설명하기 위해 교란변수가 얼마나 강해야 하는가"에 대한 임계값 (threshold) 을 제시합니다.
  • E-value: 관찰된 효과를 완전히 약화시키기 위해 교란변수가 노출과 결과 간에 가져야 하는 최소 연관 강도를 스칼라 값으로 요약합니다.
  • 결함: 이러한 접근법은 "어떤 교란변수가 존재할 가능성 (plausibility) 이 얼마나 높은가?"라는 더 중요한 추론적 질문에 답하지 못합니다. 연구자들은 임계값이 크거나 작은지를 직관적으로 판단하지만, 이는 형식적인 확률적 기반이 부재한 비공식적 추론에 의존합니다.
• 필요성: 민감도 분석을 단순한 기술적 진단 (descriptive diagnostic) 에서, 불확실성 하의 추론을 위한 확률적 평가 (probabilistic assessment) 로 전환할 필요가 있습니다.

2. 방법론 (Methodology)

저자는 코너필드 유형의 민감도 분석을 완전한 베이지안 프레임워크로 재구성했습니다.

• 개념적 틀:
  • 교란의 강도를 고정된 미지수가 아닌 확률변수 (random variable) 로 모델링합니다.
  • 관측된 연관성 ($RR_{obs}$) 을 실제 인과 효과 ($RR_{true}$) 와 교란에 의한 왜곡 ($\Gamma$) 의 곱으로 표현합니다: $RR_{obs} = RR_{true} \times \Gamma$.
  • 로그 스케일 ($\theta = \log(RR)$) 로 변환하여 가산 구조로 모델링합니다.
• 모델 구성:
  • 우도 (Likelihood): 관측된 추정치가 실제 효과와 교란 편향 ($\log \Gamma$) 에 의해 이동했다고 가정합니다.
  • 사전 분포 (Priors):
    • 인과 효과: 정규분포를 가정합니다.
    • 교란 강도 ($\Gamma$): $\Gamma \ge 1$을 보장하기 위해 $\log \Gamma$에 Half-Normal 분포를 사용합니다. 이 분포의 스케일 파라미터 ($\sigma$) 는 교란의 강도에 대한 사전 신념 (약한 교란은 흔하고 강한 교란은 드물다는 가정) 을 반영합니다.
• E-value 의 재해석:
  • 기존 E-value 는 교란이 관찰된 효과를 설명하기 위한 임계값 ($\Gamma^*$) 입니다.
  • 본 연구에서는 이 임계값을 경계 조건 (boundary condition) 으로 간주하고, 사후 확률 $P(\Gamma \ge \Gamma^* | \theta_{obs})$ 을 계산합니다. 이는 "관찰된 효과를 설명할 만큼 충분히 강한 교란변수가 존재할 확률"을 의미합니다.
• 추론: 베이지안 정리를 통해 결합 사후 분포를 도출하고, 이를 통해 교란 강도가 임계값을 초과할 확률을 계산합니다.

3. 주요 기여 (Key Contributions)

1. 임계값에서 확률로의 패러다임 전환: 민감도 분석을 "교란변수가 존재할 수 있는가 (가능성)"에서 "교란변수가 존재할 확률이 얼마나 높은가 (불확실성의 정도)"로 전환했습니다.
2. E-value 의 베이지안 통합: E-value 를 임계값으로 유지하면서, 이를 베이지안 추론의 경계 조건으로 활용하여 해석 가능성을 높였습니다.
3. 결정론적 진단에서 추론적 절차로: 연구자들이 사전 지식 (domain knowledge) 을 교란 강도의 분포를 통해 명시적으로 반영할 수 있게 하여, 민감도 분석을 일관된 추론 도구로 발전시켰습니다.
4. 요약 데이터 적용 가능성: 개별 원시 데이터가 아닌 요약 통계량 (Effect size, E-value 등) 만으로도 적용 가능한 간결한 생성 모델을 제시했습니다.

4. 연구 결과 (Results)

• 데이터: Xiang et al. (2026) 의 공개 데이터셋을 활용하여 흡연, 요통, 알츠하이머병, 환경보건 등 4 개 영역의 11 가지 노출 - 결과 연관성을 분석했습니다.
• E-value 와 확률의 관계:
  • 높은 E-value: 교란이 관찰된 효과를 설명할 확률 ($P(\Gamma \ge \Gamma^*)$) 이 매우 낮았습니다. (예: 환경보건 연구, $E=4.25 \rightarrow P \approx 0.004$). 이는 결과가 교란에 대해 매우 강건함을 의미합니다.
  • 낮은 E-value: 교란이 관찰된 효과를 설명할 확률이 높았습니다. (예: 알츠하이머병 연구, $E=1.32 \sim 1.39 \rightarrow P \approx 0.5$). 이는 결과가 교란에 취약함을 의미합니다.
• 사전 분포에 대한 민감도:
  • E-value 가 큰 경우 (강한 효과), 사전 분포의 스케일 파라미터를 변화시켜도 사후 확률의 결론이 안정적으로 유지되었습니다.
  • E-value 가 작은 경우 (약한 효과), 사전 분포의 설정에 따라 결론이 더 민감하게 변했습니다. 이는 약한 효과의 경우 본질적인 불확실성이 크다는 것을 반영합니다.
• 세부적 구분: 단일 연구 내에서도 효과 크기에 따라 교란에 대한 취약성이 다르게 평가되었으며, 기존 E-value 만으로는 포착되지 않았던 이질성을 확률적 척도로 명확히 구분했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 의의:
  • 이 프레임워크는 관찰 연구에서 불가피한 불확실성을 제거하는 것이 아니라, 합리적 신념 (rational belief) 의 형태로 투명하게 표현하는 방법을 제공합니다.
  • 기존 방법론이 "교란변수가 존재할 수 있는가"에 대한 이분법적/임계값적 판단을 제공했다면, 본 연구는 "그 교란변수가 존재할 확률이 얼마나 높은가"를 직접적으로 정량화하여 과학적 및 임상적 판단에 더 유용한 정보를 제공합니다.
• 한계 및 향후 과제:
  • 교란 강도에 대한 사전 분포 설정의 주관성 (subjectivity) 은 피할 수 없으나, 이를 명시화하고 민감도 분석을 통해 투명하게 할 수 있다는 점이 오히려 강점입니다.
  • 단일 파라미터로 교란을 단순화했으므로, 더 복잡한 교란 구조를 다루기 위한 계층적 모델 개발 등 향후 연구가 필요합니다.
• 결론: 본 연구는 민감도 분석을 임계값 기반의 진단 도구에서 베이지안 원리에 기반한 일관된 추론 절차로 재정의함으로써, 관찰 연구에서의 인과 추론 논리를 이분법적 판단에서 확률적 추론으로 전환하는 중요한 계기를 마련했습니다.