Inverse Probability Weighting of Count Exposures in the Presence of Missing Data: A Simulation Study
이 연구는 결측 데이터가 있는 계량 노출 변수에 대한 역확률가중치 (IPTW) 방법들을 시뮬레이션과 1970 년 영국 코호트 데이터를 통해 평가한 결과, 다항분류, CBPS, GBM, 에너지 가중치가 낮은 편향을 보인 반면 npCBPS 는 극단적 가중치로 인해 성능이 저하되었으며, 결측 메커니즘에 따라 다중대체법과 결합 시 편향이 증가할 수 있음을 밝혔습니다.
원저자:Martin N. Danka, Jessica K. Bone, George B. Ploubidis, Richard J. Silverwood
우리가 연구하려는 상황은 이렇습니다. "34 세 때 **심리적 스트레스 (불안, 우울 등) 를 얼마나 많이 느꼈는지 (숫자로 세어짐)**가, 42 세 때 **만성 질환 (아픈지 아닌지)**에 어떤 영향을 미치는지"를 알고 싶습니다.
하지만 현실은 복잡합니다.
혼란스러운 변수들 (Confounding): 스트레스를 많이 받는 사람은 소득이 낮거나, 어린 시절 환경이 나빴을 수도 있습니다. 이 '다른 이유들' 때문에 아픈 것일 수도 있는데, 단순히 "스트레스가 많아서 아픈 것"이라고 오해할 수 있습니다.
빠진 데이터 (Missing Data): 조사에 참여하지 않은 사람들이 있습니다. 특히 스트레스가 심한 사람들은 조사를 피할 수도 있어, 데이터가 뚫려 있습니다.
숫자 데이터의 어려움: 스트레스는 '0 개, 1 개, 2 개...'처럼 **숫자 (Count)**로 나타납니다. 보통 통계 방법은 '예/아니오' 같은 이진 데이터에 맞춰져 있는데, 숫자 데이터는 분포가 꼬여있어 (0 이 많거나, 10 이상은 드물거나) 분석이 매우 까다롭습니다.
이 논문은 **"빠진 데이터를 채우고, 혼란스러운 변수들을 통제해서, 숫자 데이터로 된 스트레스가 질병에 미치는 진짜 영향을 어떻게 정확히 구할까?"**를 5 가지 다른 방법 (IPTW) 으로 시험해 봤습니다.
🎯 5 가지 분석 방법 (비유: 치킨 가게의 손님 배정)
연구자들은 가상의 데이터를 만들어 5 가지 방법을 시험했습니다. 각 방법은 **"누가 치킨을 많이 먹었는지 (스트레스 수치)"**와 **"누가 아픈지"**의 관계를 공평하게 비교하기 위해 **가중치 (Weight)**를 매기는 방식이 다릅니다.
다항식 분류 (Multinomial Binning):
비유: 스트레스 수치를 '02 개', '35 개', '6 개 이상'처럼 그룹으로 묶어서 분석합니다.
결과: 아주 잘 작동했습니다. 빠진 데이터가 있어도 결론이 정확했습니다.
CBPS (공변량 균형 점수):
비유: "스트레스를 많이 받은 사람과 적게 받은 사람의 특성 (소득, 성별 등) 이 완전히 똑같아지도록 수치를 조절하는 마법 저울"입니다.
결과: 가장 빠르고 정확하게 작동했습니다. 이 방법의 추천 1 순위입니다.
GBM (강화된 기계 학습 모델):
비유: 복잡한 패턴을 찾아내는 고급 AI를 써서 관계를 분석합니다.
결과: 정확도는 좋았지만, 계산하는 데 시간이 꽤 걸렸습니다.
에너지 균형 (Energy Balancing):
비유: 두 그룹의 분포를 물리적으로 가장 가깝게 만드는 방법입니다.
결과: 정확도는 좋았지만, 컴퓨터를 너무 많이 태워서 (시간과 비용이 많이 듦) 실용성은 떨어졌습니다.
npCBPS (비모수적 방법):
비유: "어떤 분포도 가정하지 않고" 자유롭게 분석하는 방법입니다.
결과:실패했습니다. 극단적인 수치를 만들어내어 결론을 왜곡시켰습니다. **"이 방법은 숫자 데이터에는 쓰지 마세요"**라는 경고가 나옵니다.
🧩 빠진 데이터를 채우는 방법 (미스터리 퍼즐)
데이터가 빠졌을 때 (예: 40% 가 조사에 참여 안 함) 어떻게 할까요? 연구자들은 **여러 번의 시뮬레이션 (Multiple Imputation)**을 통해 빠진 부분을 채웠습니다. 마치 퍼즐 조각이 몇 개 빠졌을 때, 남은 조각을 보고 여러 가지 가능한 모양을 추측해 보는 방식입니다.
완벽한 무작위 결손 (MCAR): 누가 빠졌든 상관없이 무작위로 빠진 경우.
결과: 위에서 언급한 좋은 방법들 (CBPS, 그룹화 등) 은 빠진 데이터가 많을지라도 정확한 결론을 냈습니다.
무작위 결손 (MAR): 스트레스가 심한 사람이 조사에 더 많이 빠진 경우 (현실적인 상황).
결과: 모든 방법에서 약간의 오차가 생겼습니다. 하지만 이는 분석 방법의 잘못이 아니라, 빠진 '스트레스 수치'를 채우는 과정 (미수정) 에서 생긴 문제였습니다.
교훈: 빠진 숫자 데이터를 채울 때, 그 데이터의 특성 (꼬인 분포) 을 잘 반영하는 채우기 기술이 더 중요하다는 것을 보여줍니다.
💡 핵심 결론 (한 줄 요약)
숫자 데이터 (스트레스 개수 등) 를 분석할 때는 'CBPS'나 '그룹화 (Multinomial)' 방법이 가장 안전하고 빠릅니다.
npCBPS 방법은 숫자 데이터에서는 극단적인 오류를 일으킬 수 있으니 피하세요.
빠진 데이터가 있어도, 좋은 분석 방법과 함께 사용하면 신뢰할 수 있는 결론을 낼 수 있습니다. 다만, 빠진 숫자 데이터를 채우는 기술이 더 발전해야 합니다.
🏁 실제 적용 사례 (1970 년 영국 출생 코호트 연구)
이 연구는 실제 영국 1970 년생 1 만 6 천 명의 데이터를 적용해 봤습니다.
결과: "심리적 스트레스가 많을수록 만성 질환 위험이 약 1.5 배 증가한다"는 결론을 내렸습니다.
의미: 다양한 통계 방법을 써도 결론이 비슷하게 나왔으므로, 이 결과가 매우 신뢰할 만하다는 것을 보여줍니다.
요약하자면: 이 논문은 "숫자로 된 건강 데이터를 분석할 때, 빠진 정보를 채우고 공정한 결론을 내기 위한 최고의 도구 (CBPS 등) 와 주의할 점 (npCBPS 피하기)"을 찾아낸 훌륭한 가이드북입니다.
1. 연구 배경 및 문제 제기 (Problem)
계수형 노출 (Count Exposures) 의 한계: 역확률 치료 가중치 (IPTW, Inverse Probability of Treatment Weighting) 는 관측 데이터에서 인과 효과를 추정하는 데 널리 사용되지만, 주로 이진형 (binary) 노출에 초점이 맞춰져 있습니다. 병원 방문 횟수, 증상 수, 약물 복용량 등 계수형 (0 이상의 정수) 노출 변수는 과산포 (overdispersion), 제로 인플레이션 (zero-inflation), 절단 (truncation) 등의 분포적 특성을 가지며, 이를 IPTW 프레임워크에 적용하는 것은 모델 지정의 어려움과 극단적인 가중치 발생으로 인해 복잡합니다.
결측 데이터 처리의 불명확성: 실제 관측 데이터에서는 결측치가 빈번하게 발생합니다. 다중 대입법 (Multiple Imputation, MI) 과 IPTW 를 결합할 때 ('within-imputation' 접근법), 계수형 노출을 가진 상황에서 다양한 가중치 추정 방법이 어떻게 작동하는지에 대한 지침과 시뮬레이션 증거가 부족합니다.
연구 목적: 본 연구는 계수형 노출에 적용 가능한 5 가지 IPTW 방법의 성능을 평가하고, 결측 데이터 (MCAR 및 MAR) 하에서 다중 대입법과 결합되었을 때의 성능을 검증하는 것을 목표로 합니다.
2. 연구 방법론 (Methodology)
데이터 생성 메커니즘 (DGM):
실증 예시 기반: 1970 년 영국 코호트 연구 (BCS70) 의 데이터를 기반으로 설계되었습니다. 34 세의 심리적 고통 (Malaise Inventory 점수, 0~9 점) 이 42 세의 만성 질환 유무에 미치는 영향을 추정하는 상황을 모사했습니다.
시뮬레이션 설정: 2,000 개의 데이터셋 (각각 5,000 관측치) 을 생성했습니다. 노출 변수는 두 가지 분포로 시뮬레이션되었습니다:
절단된 음이항 분포 (Truncated Negative Binomial): 과산포를 포함 (실제 데이터와 유사).
절단된 포아송 분포 (Truncated Poisson): 과산포 없음.
결측 메커니즘: 완전 무작위 결측 (MCAR) 과 무작위 결측 (MAR) 시나리오를 구현했습니다. 결측률은 20%, 40%, 60% 로 변화시켰으며, 공변량, 노출, 결과 변수에 결측을 도입했습니다.
평가된 5 가지 IPTW 방법:
Multinomial Binning: 노출을 범주화 (Binning) 후 다항 로지스틱 회귀를 사용하여 가중치 추정.
CBPS (Covariate Balancing Propensity Scores): 공변량 균형 최적화를 위한 모수적 접근 (선형 회귀 기반).
npCBPS (Non-parametric CBPS): 분포 형태를 지정하지 않고 제약 최적화를 통해 직접 가중치 탐색.
GBM (Generalised Boosted Models): 기계학습 (부스팅) 을 사용하여 노출 - 공변량 관계를 유연하게 모델링.
Energy Balancing: 에너지 거리 (Energy Distance) 기반의 의존성 최소화를 통해 가중치 추정.
분석 및 평가 지표:
결측 처리: 다중 대입법 (MI) 과 'within-imputation' 접근법 (각 대입 데이터셋 내에서 가중치와 효과 추정 후 Rubin's 규칙으로 통합) 사용.
성능 지표: 편향 (Bias), 신뢰구간 피복도 (Coverage), 유효 표본 크기 (ESS), 공변량 균형 (Weighted Correlation), 계산 시간.
비교 대상: 가중치를 사용하지 않은 보정 회귀 (Covariate-adjusted regression) 및 미보정 모델.
3. 주요 결과 (Key Results)
가. 완전 데이터 (Complete Data) 상황
성능이 우수한 방법:Multinomial, CBPS, GBM, Energy Balancing은 낮은 편향 (절대적 상대 편향 < 3%) 과 명목 수준의 피복도 (약 95%) 를 보였습니다.
성능이 저조한 방법:npCBPS는 극단적인 가중치로 인해 심각한 편향 (음이항 분포에서 -15.2%, 포아송 분포에서 -26.1%) 과 낮은 피복도를 보였습니다.
유효 표본 크기 (ESS): Multinomial, CBPS, GBM 은 ESS 손실이 적었으나, Energy Balancing 은 다소 큰 손실을 보였습니다. npCBPS 는 ESS 가 매우 낮고 변동성이 컸습니다.
Winsorisation (99 백분위수 절단): 잘 작동하는 방법들 (CBPS 등) 에는 큰 영향을 미치지 않았으나, npCBPS 의 경우 편향과 피복도를 개선시켰음에도 여전히 다른 방법들보다 성능이 떨어졌습니다.
나. 결측 데이터 (Missing Data) 상황
MCAR (완전 무작위 결측): Multinomial, CBPS, GBM, Energy 방법은 결측률이 60% 에 달해도 낮은 편향을 유지했습니다. npCBPS 는 여전히 부정적인 편향을 보였습니다.
MAR (무작위 결측):
결측률이 증가함에 따라 모든 IPTW 방법과 공변량 보정 회귀 모두에서 편향이 증가했습니다. 이는 가중치 방법의 실패가 아니라, 결측된 계수형 노출 변수를 대입하는 과정 (Imputation) 에서의 한계로 판단되었습니다.
특히 음의 이항 분포 (과산포 및 절단) 하에서 편향이 더 크게 나타났습니다. 이는 예측 평균 매칭 (Predictive Mean Matching) 이 희귀한 고수치 (tail) 값을 대입하는 데 한계가 있기 때문입니다.
민감도 분석: 노출 변수를 완전 관측으로 두고 나머지 변수에만 MAR 결측을 적용한 결과, 모든 방법의 편향이 크게 감소하여 MAR 하에서의 편향이 주로 대입 모델 (Imputation Model) 의 부적합성에서 기인함을 확인했습니다.
다. 계산 효율성
가장 빠른 방법: CBPS (평균 0.05 초).
가장 느린 방법: Energy Balancing (Multinomial 대비 약 1,285 배 느림), GBM (약 273 배 느림).
npCBPS 는 CBPS 대비 약 64 배 느렸습니다.
4. 실증 적용 (Application to Motivating Example)
BCS70 데이터를 사용하여 34 세 심리적 고통이 42 세 만성 질환에 미치는 영향을 추정했습니다.
결과: 모든 IPTW 방법 (npCBPS 제외) 과 공변량 보정 회귀는 유사한 위험비 (Risk Ratio, 약 1.50~1.53) 를 산출했습니다.
균형 진단: Multinomial, CBPS, GBM 은 공변량 균형을 잘 달성했으나, npCBPS 는 불안정한 가중치로 인해 균형을 이루지 못했습니다.
5. 주요 기여 및 의의 (Contributions & Significance)
계수형 노출을 위한 IPTW 가이드라인 제공: 계수형 노출에 대해 Multinomial Binning, CBPS, GBM, Energy Balancing 이 유효한 대안임을 입증했습니다. 특히 CBPS는 성능과 계산 효율성 측면에서 가장 균형 잡힌 방법으로 추천됩니다.
npCBPS 의 한계 규명: 이론적 매력에도 불구하고, 계수형 노출 (특히 절단되고 비대칭적인 분포) 에서는 npCBPS 가 극단적인 가중치를 생성하여 성능이 저하되므로 사용을 권장하지 않습니다.
결측 데이터 처리에 대한 통찰: 계수형 노출을 가진 관측 연구에서 MI 와 IPTW 를 결합할 때, 편향의 주요 원인은 가중치 방법이 아니라 과산포 및 절단된 계수 데이터를 적절히 대입할 수 있는 모델의 부재임을 지적했습니다. 이는 향후 계수형 데이터용 대입 모델 개발의 필요성을 시사합니다.
실무적 권고:
계수형 노출 분석 시 가중치 분포와 공변량 균형을 반드시 진단해야 함.
극단적 가중치가 발생할 경우 Winsorisation 을 고려하되, 이는 편향 - 분산 트레이드오프를 수반함.
계산 자원이 제한적일 경우 CBPS 나 Multinomial 방법을 우선 고려.
결론
본 연구는 계수형 노출을 가진 관측 연구에서 IPTW 를 효과적으로 적용하기 위한 방법론적 근거를 마련했습니다. 특히, CBPS, Multinomial, GBM이 강력한 성능을 보이며, **다중 대입법과 결합 시에는 대입 모델의 적절성 (특히 과산포 및 절단 처리)**이 결과의 타당성을 결정하는 핵심 요소임을 강조했습니다.