Model-Robust Direct Effect Under Confounder-Mediator Ambiguity

1. 연구 배경 및 문제 제기 (Problem)

• 핵심 문제: 인과 추론에서 직접 효과 (Direct Effect) 를 분석할 때, 중점 변수 (Focal Variable, $W$) 가 **노출 전 공변량 (Pre-exposure Confounder)**인지 **노출 후 매개변수 (Post-exposure Mediator)**인지 명확히 구분하기 어려운 경우가 빈번합니다.
  • 이는 노출 시점의 측정 불명확성, 반복 과정의 단일 측정 요약, 또는 전문가 간의 의견 차이 등으로 인해 발생합니다.
  • 예시: NHANES 데이터에서 신장 기능 (eGFR) 은 PFAS 노출 전의 특성 (신장 기능 저하가 혈중 PFAS 농도를 높임) 일 수도 있고, PFAS 노출의 결과 (PFAS 가 신장 기능을 저하시킴) 일 수도 있어 구조적으로 모호합니다.
• 기존 방법론의 한계:
  • $W$가 공변량일 경우: 총 효과 (Average Treatment Effect, ATE) 를 추정하는 것이 적절합니다.
  • $W$가 매개변수일 경우: 자연 직접 효과 (Natural Direct Effect, NDE) 를 추정하는 것이 일반적입니다.
  • 결론: 이 두 가지 시나리오에서 동일한 관찰 데이터 함수 (Observed-data estimand) 가 ATE 와 NDE 를 모두 복구하는 것은 일반적으로 불가능합니다. 따라서 연구자가 $W$의 역할을 잘못 판단하고 NDE 추정량을 적용할 경우, 추정된 값은 명확한 인과적 해석을 갖지 못하게 됩니다 (수치적으로는 안정적일 수 있으나 실질적으로는 오해의 소지가 있음).

2. 방법론 (Methodology)

저자는 구조적 모호성 하에서도 인과적 해석이 가능한 새로운 추정량 (Estimand) 과 이를 추정하는 방법을 제안합니다.

2.1. 모델 정의 및 불가능성 증명

• 공변량 모델 (C): $W$는 $A$와 $Y$ 모두에 영향을 미치는 사전 변수. 목표는 ATE ($\theta_{ATE}$).
• 매개변수 모델 (M): $W$는 $A$의 결과이자 $Y$의 원인. 목표는 NDE ($\theta_{NDE}$).
• Theorem 1: 일반적으로 $W$가 공변량일 때의 ATE 와 매개변수일 때의 NDE 를 동시에 식별하는 단일 관찰 데이터 함수는 존재하지 않음을 증명했습니다.

2.2. 조건부 일치 조건 (No Additive Interaction)

• 가정 5 (No Additive Interaction): $X$를 고정했을 때 $A$와 $W$ 간의 상호작용이 없다면 (즉, 조건부 평균 효과 $\Delta(w, x)$가 $w$에 의존하지 않음), ATE 와 NDE 는 일치합니다.
• 민감도 분석: 이 가정이 위배될 경우, NDE 와 제안된 추정량 사이의 편차를 정량화하는 민감도 상한선 (Sensitivity Bound) 을 유도했습니다. 편차는 $W$의 조건부 분포 변화와 $A$의 효과가 $W$에 따라 얼마나 변하는지에 비례합니다.

2.3. 모델 강건한 직접 효과 (Model-Robust Direct Effect)

저자는 두 시나리오 모두에서 유효한 새로운 추정량 $\psi(P)$를 제안합니다.

• 정의: $\psi(P) = E_P[\Delta(W, X)] = E_P[Q(1, W, X) - Q(0, W, X)]$
  • 여기서 $Q(a, w, x)$는 $Y$의 조건부 평균, $\Delta$는 노출 효과 차이입니다.
• Theorem 3 (모델 강건성):
  • $W$가 공변량일 때: $\psi(P)$는 ATE와 동일합니다.
  • $W$가 매개변수일 때: $\psi(P)$는 **개입적 직접 효과 (Interventional Direct Effect, $\theta_{IDE}$)**와 동일합니다. 이는 $W$를 관찰된 조건부 분포 $F_{W|X}$에서 무작위로 추출하는 확률적 개입 (Stochastic Intervention) 을 기반으로 합니다.
• Theorem 4 (유일성): 결과에 무관한 (Outcome-free) 확률적 직접 효과 클래스 내에서, 공변량 모델에서 ATE 와 일치하는 유일한 함수는 제안된 $\psi(P)$임을 증명했습니다.

2.4. 추정 및 추론 (Estimation)

• 효율적 영향 함수 (Efficient Influence Function): $\psi(P)$에 대한 효율적 영향 함수를 유도했습니다.
• 이중 강건 추정기 (Doubly Robust Estimator): 교차 적합 (Cross-fitted) 1 단계 추정기를 제안했습니다.
  • 결과 회귀 ($Q$) 와 성향 점수/가중치 함수 ($g$) 중 하나라도 일관성 있게 추정되면 추정값이 수렴합니다 (이중 강건성).
  • 교차 적합을 통해 과적합 편향을 줄이고, 유연한 머신러닝 기법을 적용할 수 있습니다.

3. 주요 결과 (Results)

3.1. 시뮬레이션 연구

• 시나리오:
  1. 상호작용이 있는 공변량 모델 (W 는 공변량).
  2. 상호작용이 없는 매개변수 모델.
  3. 상호작용이 있는 매개변수 모델.
• 결과:
  • 제안된 추정기 ($\hat{\psi}^{cf}$) 는 모든 시나리오에서 편향이 거의 없었고, 95% 신뢰구간 피복률이 이론적 수준에 근접했습니다.
  • 기존 매개변수 공식 (Mediation formula) 을 사용한 비교 대상 추정기는 상호작용이 있거나 $W$가 공변량인 경우, 제안된 추정량과 유의미하게 다른 값을 보였습니다. 특히 $W$가 공변량인 경우, 비교 대상 추정량은 명확한 인과적 해석을 갖지 못했습니다.

3.2. 실제 데이터 적용 (NHANES)

• 연구 주제: PFAS 노출 (노출 $A$) 이 요산 (결과 $Y$) 에 미치는 직접 효과와 신장 기능 (eGFR, $W$) 의 역할.
• 결과:
  • 모델 강건 직접 효과 ($\hat{\psi}$): 0.25 mg/dL (95% CI: 0.05, 0.45).
  • 전통적 매개변수 모델 (NDE): 0.10 mg/dL (95% CI: -0.03, 0.23).
  • 해석: 두 방법론의 추정치가 0.15 mg/dL 만큼 크게 달랐습니다. 신장 기능이 노출 전인지 후인지 불명확한 상황에서, 전통적 매개변수 분석은 실제 효과보다 과소평가할 수 있으며 해석이 모호해질 수 있음을 보여주었습니다.

4. 기여 및 의의 (Significance)

1. 추정량 (Estimand) 수준의 강건성: 기존 연구가 특정 추정 모델 (Estimator) 의 강건성에 초점을 맞췄다면, 이 논문은 인과 모델의 구조적 불확실성 (공변량 vs 매개변수) 하에서도 유효한 추정량 자체를 정의하는 데 기여했습니다.
2. 인과적 해석의 보전: 제안된 $\psi(P)$는 $W$의 구조적 역할에 관계없이 항상 "직접 효과"의 의미를 갖습니다 ($W$가 공변량일 때는 총효과, 매개변수일 때는 개입적 직접효과).
3. 실용적 유용성: 연구자가 $W$의 인과적 순서를 확정하지 못하더라도, 단일 추정량을 사용하여 인과적 결론을 내릴 수 있게 하여 분석의 신뢰성을 높였습니다.
4. 이중 강건 추론: 교차 적합 1 단계 추정기를 통해 nuisance 파라미터 (회귀 모델, 가중치 모델) 에 대한 추정 오류에 대해 이중 강건성을 가지며, 효율적인 통계적 추론이 가능합니다.

5. 결론

이 논문은 관찰 데이터 분석에서 중점 변수의 인과적 위치 (공변량 vs 매개변수) 가 불명확할 때 발생하는 근본적인 문제를 해결합니다. 기존 방법론이 구조적 오해로 인해 인과적 해석이 불가능한 추정치를 생성할 수 있음을 지적하고, **모델 강건한 직접 효과 ($\psi(P)$)**를 제안함으로써 이러한 모호성 하에서도 과학적으로 타당한 인과적 결론을 도출할 수 있는 새로운 기준을 제시했습니다. 이는 특히 횡단면 데이터 (Cross-sectional data) 나 시간적 순서가 불분명한 환경 역학 연구에서 매우 중요한 의의를 가집니다.