Identification, Estimation, and Inference for Sequential Causally Ordered Mediation Pathways

기술 요약: 순차적 인과적 순서가 있는 매개 경로의 식별, 추정 및 추론

문제 정의
매개 분석은 노출이 중간 경로를 통해 결과에 어떻게 영향을 미치는지 이해하는 데 필수적이다. 단일 매개체 설정에 대한 방법론은 잘 확립되어 있는 반면, 여러 개의 순차적으로 정렬된 매개체(SCOMs)를 다루기 위한 엄격한 도구는 여전히 미비한 상태이다. 이러한 격차는 노출이 복잡하고 시간 의존적인 매개체 사슬을 통해 작용하는 종단적 코호트 연구(예: 건강의 발달적 기원)에서 매우 중요하다. 기존 문헌은 주로 SCOM 설정에서의 추정에 집중해 왔으며, 가설 검정 프레임워크는 부족한 실정이다. 매개 효과를 위한 표준 검정(예: Sobel 검정, MaxP)은 합성 귀무 가설(매개 변수의 곱이 $\alpha=0, \eta\neq0$; $\alpha\neq0, \eta=0$; 또는 $\alpha=0, \eta=0$과 같은 다양한 구성에 의해 0이 되는 경우)로 인해 지나치게 보수적인 제1종 오류 통제를 보이는 문제가 있다. 이러한 검정들은 귀무 가설 하에서 검정 통계량의 비고유한 극한 분포를 고려하지 못하여, 검정력이 떨어지거나 부적절한 추론을 초도한다.

방법론
저자들은 연속형 및 범주형 결과를 모두 아우르는 $K$차 순차적 인과적 매개체(SCOM($K$))에 대한 포괄적인 프레임워크(식별, 추정, 추론)를 제안한다.

1. 식별 프레임워크:

   • 저자들은 매개체 $M_1, \dots, M_K$가 엄격한 인과적 순서($M_1 \to M_2 \to \dots \to M_K$)를 따르는 일반화된 구조 방정식 모델(G-SEM)을 정의한다.
   • 잠재 결과 패러다임을 사용하여 총 효과를 경로 특이적 효과(path-specific effects)로 분해한다. 식별 제약 조건(특히 특정 개별 경로에 필요한 "교차 세계(cross-world)" 독립성 가정)으로 인해, 저자들은 **합성 경로 효과(composite pathway effects)**에 집중한다.
   • 각 매개체 $M_k$에 대해, 저자들은 노출 $S$에서 결과 $Y$로 가는 모든 인과적 경로(이후의 매개체와 상관없이)를 집계하는 합성 효과 $\tau^\dagger_k(S \to M_k \rightsquigarrow Y)$를 정의한다.
   • 표준적인 순차적 무시 가능성(sequential ignorability) 및 일관성 가정을 바탕으로, 중첩된 조건부 분포에 대한 중첩 적분을 사용하여 이 합성 효과들의 식별 공식을 유도한다.

2. 추정:

   • 선형 모델(연속형 결과), 프로빗(probit) 모델(이항 결과), 로그-선형(log-linear) 모델(계수 결과)에 대한 최대 우도 추정(MLE) 절차를 개발한다.
   • 이항 결과의 경우, 프로빗 모델에 대한 폐쇄형 표현(closed-form expressions)을 유도하며, 로지스틱 모델의 경우 희귀 사건 근사법(rare outcome approximation)을 사용하여 폐쇄형을 얻는다.
   • 저자들은 경로 계수($\alpha_k$)와 합성 경로 효과($\eta_{M_k \rightsquigarrow Y}$)에 대한 추정량의 결합 점근적 정규성을 확립하며, 두 구성 요소에 대한 추정량이 점근적으로 독립임을 증명한다.

3. 추론 (SOMET):

   • 합성 귀무 가설 $H_0: \alpha_k \eta_{M_k \rightsquigarrow Y} = 0$을 해결하기 위해, 저자들은 **순차적 매개 효과 검정(SOMET)**을 도입한다.
   • 메커니즘: SOMET은 $Q$-겹 데이터 분할(data-splitting) 전략을 활용한다. 데이터를 $Q$개의 서로 소인 하위 집합으로 나눈다. 각 하위 집합에 대해 Sobel 유형의 통계량을 계산한다. 이 통계량들을 평균 내고 Student's $t$-통계량으로 변환한다.
   • 이론적 이점: 데이터 분할을 사용함으로써, 이 방법은 비고유한 점근적 분산에 대한 의존성을 차단한다. 정리 3은 합성 귀무 가설 하에서, 통계량이 실제 귀무 가설의 구체적인 구성(즉, $\alpha_k=0$인지, $\eta=0$인지, 혹은 둘 다인지)과 관계없이 $Q-1$ 자유도를 갖는 Student's $t$-분포로 수렴함을 입증한다. 이는 사전 지식 없이도 유효한 제1종 오류 통제를 보장한다.
   • 검정력 향상: 분할 시의 작은 표본 크기로 인한 검정력 손실을 완화하기 위해, 저자들은 분할 절차를 $B$번 반복하고 Cauchy 결합 검정(Cauchy combination test)을 사용하여 $p$-값을 집계할 것을 제안한다. 이 검정은 임의의 의존성 하에서도 유효하다.

주요 결과

• 시뮬레이션 연구: 선형, 로지스틱, 프로빗 모델에 걸친 광범위한 시뮬레이션을 통해, SOMET이 모든 귀무 가설 구성($H_{01}, H_{02}, H_{03}$)에 대해 유효한 제1종 오류 통제를 유지하는 반면, 기존 벤치마크(Sobel, MaxP 및 그 부트스트랩 변형들)는 지나치게 보수적이거나 특정 귀무 가설 시나리오(특히 두 매개 변수가 모두 0인 경우)에서 오류율 통제에 실패함을 보여준다.
• 통계적 검정력: SOMET은 기존의 보수적인 검정들이 합성 매개 효과를 탐지하는 데 어려움을 겪는 시나리오에서 벤치마크 방법들보다 일관되게 높은 통계적 검정력을 나타낸다.
• 실증적 적용:
  • 당뇨병 위험 (All of Us 데이터): 가족 당뇨병 병력이 BMI와 신체 활동을 매개로 당뇨병 발생에 미치는 영향을 분석하였다. SOMET은 BMI와 신체 활동 모두에 대해 경쟁 방법들보다 더 작은 $p$-값과 함께 유의미한 매개 효과를 식-별하였다.
  • 청소년 비만 (ELEMENT 데이터): 출생 체중과 지질 대사물질이 매개하는 태아기 납 노출의 청소년 BMI에 대한 영향을 평가하였다. SOMET은 다중 검정 교정 후 특정 지질 대사물질(FA 18:0 OH)을 통한 통계적으로 유의미한 매개 경로를 탐지한 유일한 방법이었으며, 다른 방법들은 귀무 가설을 기각하는 데 실패하였다.

의의 및 주장
본 논문은 다양한 결과 설정에서 순차적으로 정렬된 매개체에 대해 식별, 추정 및 유효한 추론을 동시에 처리하는 최초의 엄격한 프레임워크를 제공한다고 주장한다. 주요 기여는 SOMET 절차이며, 이는 합성 귀무 가설 하에서의 가설 검정이라는 오랜 기술적 과제를 해결한다. 데이터 분할을 활용하여 고유한 극한 분포를 달성함으로써, 이 방법은 튜닝 파라미터나 실제 귀무 가설 구성에 대한 지식 없이도 기존 검정들의 보수성을 피한다. 저자들은 자신들의 방법론이 복잡한 종단적 시스템 내에서 새로운 매개 경로를 발견하기 위해 신뢰할 수 있는 추정과 유효한 추론, 그리고 향상된 검정력을 제공한다고 주장한다. 또한 SOMET이 계산 비용을 증가시킬 수 있음을 인정하면서도, 구조화된 인과 경로에 대한 확장 가능한 매개 분석을 위한 원칙적인 토대를 제공한다고 밝힌다.