Return-to-Baseline Testing via Empirically Calibrated e-processes

기술 요약: 경험적으로 보정된 e-프로세스를 통한 기저 상태 복귀(Return-to-Baseline) 테스트

문제 정의
본 논문은 고빈도 모니터링 데이터에서 "기저 상태 복귀(Return to Baseline, 이하 RtB)"를 탐지하는 문제를 다룬다. 이 설정은 개별 피험자의 기저 분포 $P$로부터 $n$개의 관측치가 수집되는 상황을 포함한다. 중재(intervention)가 발생하면, 데이터 생성 분포가 알 수 없는 $P_i$로 일시적으로 변하며 $r$의 기간 동안 지속된다. 목표는 데이터 분포가 사전 중재 기저 분포 $P$와 다시 일치하게 되는 시점을 순차적으로 식별하는 것이다.

이 문제는 다음과 같은 이유로 고전적인 순차적 검정(예: Wald의 우도비 검정) 또는 변화점 탐지(예: CUSUM)와 구별된다:

1. 기저 분포 $P$는 알려져 있지 않으며 유한한 샘플로부터 추정되어야 하므로, 귀무가설이 합성(composite) 형태이다.
2. 추론의 목표가 고정된 귀무 모델로부터의 편차를 탐지하는 것이 아니라, 이전에 관찰된 분포로의 복귀를 인증하는 것이다.
3. 절차는 사전 지정된 시계(horizon)를 요구하지 않고, 연속적인 모니터링 및 선택적 정지(optional stopping) 하에서도 유효성(anytime-valid)을 유지해야 한다.

방법론
저자들은 비음수 슈퍼마팅게일(non-negative super-martingales)을 통해 언제든 유효한 오차 제어를 제공하는 **e-프로세스(e-processes)**에 기반한 순차적, 분포 무관(distribution-free) 테스트 절차를 제안한다. 방법론은 다음과 같이 진행된다:

1. 데이터 모델: 기저 데이터는 준주기적(quasi-periodic)으로 모델링된다. 관측치는 주기 내의 시간 $t_{i,j}$에서 수집되며, 조건부 분위 함수 $f^{(\tau)}(t)$는 주기성을 보인다. 중재 하에서는 분포가 임의로 변할 수 있으며, 이 과정에서 주기성을 상실할 수 있다.
2. 불일치 척도(Discrepancy Measure): 본 방법은 보편적 추론(universal inference) 개념을 채택한다. B-스플라인을 이용한 분위 회귀(quantile regression)를 사용하여 기저 데이터로부터 조건부 분위 함수 $\hat{f}^{(\tau)}$를 추정한다. 새로운 관측 벡터 $x$에 대해, 불일치 통계량 $T^{(\tau, -k)}(x, S)$는 추정된 분위수를 초과하는 지점의 개수를 기대값 $(1-\tau)|S|$와 비교하여 정의된다.
3. 경험적 보정(Empirical Calibration): 매개변수적 귀무 모델에 의존하는 전통적인 e-프로세스와 달리, 이 방법은 오직 기저 데이터만을 사용하여 e-프로세스를 경험적으로 보정한다.
   • 최대 불일치 $F(Z)$를 계산하기 위해 무작위 인덱스 부분집합 $Z$가 선택된다.
   • 정규화 상수 $D_\gamma$는 각 기저 주기를 검증을 위해 제외하는 "leave-one-out" 방식을 사용하여, 기저 데이터 상에서 계산된 불일치의 분포에 대한 샘플 분위수로 도출된다.
   • 이러한 보정은 프로세스가 피험자 특이적(subject-specific)임을 보장하며, 귀무 하위 모델을 지정할 필요가 없게 한다.
4. E-프로세스 구축: e-프로세스 $M_t$는 스케일링된 불일치 항들의 실행 최소값(running minimum)으로 구성된다.
   • $M_t = \frac{1}{n} \sum_{k=1}^n M^{(-k)}_t$이며, 여기서 각 $M^{(-k)}_t$는 실행 최소값이다.
   • 실행 최소값 구조는 귀무 분포(기저 분포)로부터의 데이터를 관찰했을 때 프로세스가 즉각적으로 감소하도록 설계되었는데, 이는 실행 평균이나 곱(product)에서 발생하는 지연(lag) 없이 RtB를 탐지하기 위함이다.
   • 프로세스는 $M_t$가 임계값 $1/\alpha$ 아래로 떨어질 때 멈추며, 이를 통해 RtB를 인증한다.

주요 기여

• 정식화: RtB 문제를 알려진 기저 분포와 선택적 정지를 가진 고빈도 데이터를 위한 순차적 검정 과제로 명확히 정식화하였다.
• 경험적으로 보정된 E-프로세스: 매개변수적 귀무 모델 없이 기저 데이터만으로 보정되는 새로운 분포 무다른 절차를 제안하였다.
• 유한 샘플 경계(Finite-Sample Bounds): 보정 오차에 대한 유한 샘플 경계를 설정하였다(정리 1). 이 경계들은 기저 데이터의 양($n, p$), 분위 함수의 매끄러움($\beta$), 스플라인 매듭의 수($d$), 서브샘플링 크기($s$), 그리고 간극 파라미터($\delta$)에 의존한다. 이 경계들은 보수성과 검정력 사이의 트레이드오프를 명시한다.
• 계산 분석: 특히 서브샘플 크기 $s$와 분위 수준의 선택과 관련하여 계산 복잡도를 분석하였다.

결과

• 시뮬레이션: 제안된 절차는 다양한 기저 주기 수($n$), 주기당 관측치 수($p$), 서브샘플 크기($s$)를 가진 합성 데이터로 테스트되었다.
  • 본 방법은 높은 확률로(예: 약 90%의 시뮬레이션에서 0 또는 1 단위의 지연 내에) RtB를 정확히 탐지하였다.
  • 스플라인 자유도($df$)의 선택에 대해 견고함을 보였다.
  • 보정된 p-값을 e-값으로 변환하는 방식 및 순차적 본페로니(sequential Bonferroni) 방법과의 비교에서, 제안된 경험적 보정 e-프로세스는 보정 함수로 인해 검정력을 잃는 보정된 e-값 접근법보다 우수하였으며, 사전 지정된 시계 없이도 본페로니 방식과 대등한 성능을 보이면서 언제든 유효한 보장을 제공하였다.
• 임상 사례 연구: 본 방법을 NIEM-O 연구의 코르티코스테로이드 투여 후 태아 심박수 데이터(모체-태아 모니터링 데이터)에 적용하였다.
  • 단일 환자의 데이터를 사용하여, 투여 약 35시간 후에 기저 상태로의 복귀를 탐지하였다.
  • 15분에서 50분 사이의 다양한 시간적 해상도(하위 세그먼트)에 걸쳐 분석을 수행함으로써, 본 방법의 다중 스케일 능력을 입증하였다.
  • 결과는 약동학적 증거 및 기존 문헌의 거친 분석과 일치하면서도, 더 미세한 시간 해상도와 피험자 특이적 추론을 제공하였다.

의의 및 주장
본 논문은 제안된 절차가 현대의 고빈도 모니터링의 엄격한 요구사항을 성공적으로 충족한다고 주장한다:

1. 피험자 특이적(Subject-Specific): 집단 수준의 매개변수 모델에 의존하지 않고 개별 기저 상태에 적응한다.
2. 언제든 유효함(Anytime-Valid): e-프로세스 프레임워크(Ville의 부등식)를 통해 연속적인 모니터링 및 선택적 정지 하에서도 유효한 제1종 오류 제어를 제공한다.
3. 견고성(Robustness): 보정이 경험적으로 이루어지므로 분포 무관하며 이상치 및 모델 오지정(misspecification)에 강하다.
4. 지연 없음(No Lag): 실행 최소값의 사용은 기저 상태로의 복귀를 즉각적으로 탐지할 수 있게 하여, 다른 순차적 방법들에서 나타나는 지연을 방지한다.

저자들은 이론적 경계가 실제 검증이 불가능한 매끄러움 가정(Hölder class)에 의존하지만, 보정 단계는 모델이 오지정되더라도 여전히 유효하다고 언급하였다. 수치 실험 결과 본 절차는 보수적인 것으로 나타났으며, 이는 향후 연구에서 이론적 경계가 개선될 수 있음을 시사한다. 또한 이 프레임워크는 다중 신호 및 공변량으로 확장 가능하다.