Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

기술적 요약: 표본 분할을 통한 강력한 다변량 민감도 분석

문제 제기
다수의 결과 변수(다변량 설정)에 대한 노출의 인과 효과를 평가하는 관찰 연구에서, 연구자들은 종종 전역 귀무가설(노출이 어떤 결과에도 영향을 미치지 않는다는 가설)을 검정하고자 한다. 불측 혼란 변수(unmeasured confounding)에 대한 검정력을 높이고 강건성을 확보하기 위한 일반적인 전략은 결과별 검정 통계량의 선형 결합을 구성하는 것이다. 그러나 Scheffé 투영이나 제약된 변형(예: Cohen et al., 2020; Rosenbaum, 2016)을 사용하는 기존 방식은 다중 검정에 대한 보정을 필요로 한다. 이러한 보정은 참조 분포(예: chi-bar-squared)에 의존하는데, 이 분포의 임계값은 결과의 수($K$)에 따라 커진다. $K$가 증가함에 따라 임계값은 점점 더 엄격해지며, 이는 통계적 검정력을 약화시키고, 강력한 증거가 존재하더라도 전역 귀무가설을 기각하기 어렵게 만든다. 또한, $K$가 증가함에 따라 이러한 분포를 평가하는 데 따르는 계산 부하도 커진다.

방법론
저자들은 **표본 분할(sample splitting)**을 활용하여 선형 결합의 선택과 추론 단계를 분리하는 새로운 민감도 분석 프레임워크를 제안한다. 절차는 다음과 같다:

1. 데이터 분할: 매칭된 데이터셋을 계획(파일럿) 표본과 분석 표본으로 무작위로 나눈다.
2. 계획 단계: 계획 표본을 사용하여, 연구자는 (Rosenbaum 민감도 모델 하에서 최악의 경우 p-값을 최소화하여) 미측정 편향에 대한 민감도를 최대화하는 선형 결합(확률 심플렉스 $\Delta_+$ 내로 제한됨)을 찾는 최적화 문제를 해결한다. 이를 통해 추정된 최적 가중치 벡터 $\hat{\lambda}_{plan}$을 얻는다.
3. 추론 단계: 벡터 $\hat{\lambda}_{plan}$은 분석 표본에 대해 사전 지정된(pre-specified) 것으로 간주된다. 연구자는 이 고정된 선형 결합을 사용하여 분석 표본에 대한 민감도 분석을 수행한다.
4. 통계적 정당성: 조합이 분석 데이터에 대해 사전 지정되었기 때문에, 귀무가설 하에서 검정 통계량은 복잡한 chi-bar-squared 분포가 아닌 표준 정규 분포를 따른다. 이를 통해 $K$에 의존하지 않는 임계값(예: $\alpha=0.05$일 때 1.645)을 사용할 수 있다.

이론적 기여
본 논문은 중요한 이론적 간극을 다룬다. 표본 분할은 일반적으로 연구자가 자연(미측정 혼란 변수)이 작용하기 전에 전략을 확정해야 하므로, 전체 표본 방법보다 엄격하게 낮은 검정력을 초래할 수 있는 "미니맥스 갭(minimax gap)"을 도입한다(Fogarty and Small, 2016에서 언급됨).

• 미니맥스 정리: 저자들은 선형 결합의 집합이 확률 심플렉스($\Delta_+$)인 특정 경우, 최적화의 순서(연구자가 먼저냐 자연이 먼저냐)가 중요하지 않음을 보여주는 새로운 미니맥스 정리(Theorem 1)를 증명한다. 미니맥스 등식은 다음과 같이 성립한다:
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• 점근적 검정력: 정리 2(Theorem 2)의 결과로, 저자들은 표본 분할 접근법의 설계 민감도(design sensitivity, 민감도 값의 점근적 한계)가 전체 표본 대안과 동일함을 입증한다. 따라서 이 방법은 추론을 위해 데이터의 일부만을 사용함에도 불구하고 점근적 검정력을 희생하지 않는다.

시뮬레이션 결과
$I=300$ 매칭 쌍과 다양한 결과 수($K \in \{5, 15, 25\}$) 및 상관관계($\rho \in \{0, 0.2\}$)를 사용하여 광범위한 시뮬레이션 연구를 수행하였다.

• 유한 표본 검정력: 표본 분할 방식은 $K$가 증가함에 따라 Cohen et al. (2020)의 전체 표본 구현 방식보다 일관되게 높은 검정력을 보였다. 이는 $K$에 의존하는 임계값을 피했기 때문인 것으로 분석된다.
• 오라클(Oracle)과의 비교: 사전에 최적의 조합을 알고 있는 "오라클"이 가장 우수한 성능을 보였으나, 표본 분할 방식은 전체 표본 경쟁 모델을 유의미하게 능가하였으며 많은 영역에서 오라클의 성능에 근접하였다.
• 상관관계 효과: 제안된 방법의 검정력 우위는 결과들이 서로 상관관계가 없거나 약한 상관관계를 가질 때 가장 두드러졌으나, 중간 정도의 양의 의존성이 있을 때도 여전히 우수한 성능을 유지하였다.

적용: 빈곤과 심혈관 질환(CVD) 위험
본 방법론은 NHANES 데이터(1999–2016)를 사용하여 빈곤(가족 빈곤 소득 비율 < 1로 정의)이 아동 및 청소년의 CVD 위험 요인에 미치는 영향에 대한 연구에 적용되었다.

• 연구 설계: 4,027개의 매칭 쌍을 파일럿 표본(25%)과 분석 표본(75%)으로 나누었다.
• 결과 변수: 신체 구성, 신체 활동, 지질, 담배 노출(코티닌 수치)을 포함한 9가지 결과를 조사하였다.
• 연구 결과:
  • 표본 분할 방식은 모든 연령/성별 층에서 $\Gamma=1$일 때 전역 귀무가설을 기각한 반면, 전체 표본 비교 모델은 8~11세 남아에 대해서만 전역 귀무가설을 기각하였다.
  • 이 방법은 모든 층에서 **담배 노출(코티닌 수치)**에 대한 부정적 영향과 청소년의 **활발한 여가 시간 신체 활동(LTPA)**에 대한 유의미한 영향을 식별하였다.
  • 강건성: 담배 노출에 관한 결과는 $\Gamma \approx 2.25$ (민감도 값 $\approx 3.05$)까지 미측정 혼란에 대해 강건함을 보였다. 반면, 신체 활동 및 신체 구성에 관한 결과는 더 적은 양의 편향($\Gamma \approx 1.05$–1.15}에서 기각 실패)에도 민감했다.
  • 비교: 동일한 데이터에 대한 전체 표본 민감도 분석은 훨씬 낮은 민감도 값($\approx 1.67$)을 나타냈으며, 이는 본 데이터셋에서 기존 다변량 방식에 내재된 검력 손실을 보여준다.

의의
본 논문은 자신의 주요 기여가 다수의 결과 변수를 가진 관찰 연구에서 수행할 수 있는 강력한 다변량 민감도 분석을 위한 실용적이고 이론적으로 근거가 확실한 프레임워크를 제공하는 것이라고 주장한다. 표본 분할을 활용함으로써 이 방법은:

1. 검정력 회복: 고차원 설정에서 $K$에 의존하는 임계값과 관련된 심각한 검정력 손실을 방지한다.
2. 타당성 유지: 결과 공간의 차원에 의존하는 점근적 보정 없이도 유효한 $\alpha$ 수준의 추론을 제공한다.
3. 데이터 기반 설계 가능: 연구자가 최종 추론의 타당성을 해치지 않으면서 파일럿 표본을 사용하여 결과 선택 및 검정 통계량 선택(예: 특정 식이 성분이나 연령별 효과 식별)을 정교화할 수 있도록 한다.

저자들은 빈곤과 CVD에 관한 구체적인 연구 결과의 강건성이 주로 담배 노출 효과에 의해 주도되었지만, 본 방법론적 프레임워크가 전통적인 다변량 민감도 분석에서는 검력 부족으로 인해 탐지하지 못했을 법한 이러한 효과들을 성공적으로 찾아낼 수 있음을 입증했다고 결론짓는다.