DTVEM-RE: A Hierarchical Random-Effects Extension of the Differential Time-Varying Effect Model for Person-Specific Multi-Lag Estimation in Intensive Longitudinal Data

기술 요약: DTVEM-RE

문제 제기
Jacobson, Chow, Newman (2019)가 도입한 차분 시간 가변 효과 모델(Differential Time-Varying Effect Model, DTVEM)은 집중적 종단 데이터(intensive longitudinal data, ILD)에서 최적의 시차 구조(lag structures)를 식별하기 위한 표준적인 도구이다. 이 모델은 두 단계의 하이브리드 절차를 사용한다. 즉, 지연 거리(lag distances)에 따른 자기회귀 계수를 매끄럽게 만드는 탐색적 일반 가법 혼합 모델(Generalized Additive Mixed Model, GAMM)을 수행한 후, 확증적 상태-공간 벡터 자기회귀(State-Space Vector Autoregression, VAR)를 적용한다. 그러나 발표된 DTVEM은 모든 개인에게 공유되는 단일 집단 수준의 시차 구조를 가정한다. 이러한 가정은 현대 정신병리학 연구의 개인 특이적(idiographic) 전제, 즉 개인마다 심리적 역동이 의미 있게 다를 수 있다는 관점과 충돌한다. 원저자들이 언급했듯이, 개인별 시차 추정의 부재는 이 방법론이 역동적 과정에서의 개인 간 이질성을 포착하는 것을 방해하는 결정적인 한계점이다.

방법론
본 논문은 집단 수준의 평균을 향한 수축(shrinkage)을 통해 개인별 다중 시차 계수를 추정하는 계층적 확장 모델인 DTVEM-RE(Random Effects가 포함된 DTVEM)를 소개한다. 이 프레임워크는 두 단계로 구성된다:

1. 단계 1: 계층적 탐색적 GAMM

   • mgcv::bam 패키지를 사용하여 요인-매끄러움(factor-smooth) GAMM을 적합시킴으로써 표준 DTVEM의 1단계를 확장한다.
   • 시차 효과 곡선을 집단 수준의 매끄러운 함수 $f(\Delta t)$와 개인별 편차 $b_i(\Delta t)$의 합으로 모델링한다.
   • 요인-매끄러움 기저(factor-smooth basis, bs = "fs")를 사용하여 단일 공유 평활 매개변수를 통해 모든 참가자별 매끄러운 함수를 결합한다. 이는 자동적인 개인별 규제화(regularization)를 제공하여, 데이터가 희소한 곳에서는 개인별 곡선을 집단 평균으로 수축시키고, 데이터가 충분한 곳에서는 구별되는 형태를 허용한다.

2. 단계 2: 계층적 베이지안 상태-공간 VAR

   • Stan의 해밀토니안 몬테카를로(HMC)를 통해 추정되는 확증적 VAR 모델을 구현한다.
   • 단변량 사례: 단일 항목에 대해, 개인별 자기회귀 계수($a_i$)와 잔차 표준편차($\sigma_i$)를 계층적으로 모델링한다:
     • $a_i \sim N(\mu_a, \tau_a^2)$이며, 여기서 $\mu_a$는 집단 평균이고 $\tau_a$는 개인 간 표준편차이다.
     • $\sigma_i$는 양수성을 보장하고 척도 매개변수를 처리하기 위해 계층적 로그-노멀 분포를 따른다.
   • 다중 시차 확장: 각 시차에 별도의 하이퍼파라미터($\mu_k, \tau_k$)를 할당함으로써 $K$개의 시차로 일반화한다. 이를 통해 기존 방법론들이 무작위 효과를 시차-1(lag-1)로 제한하는 것과 달리, 시차에 따라 비단조적으로 변하는 개인 간 이질성의 크기를 포착할 수 있다.
   • 매개변수화: 깔때기 모양의 사후 분포 병리(funnel-shaped posterior pathologies)를 피하고 효율적인 샘플링(제로 발산 전이)을 보장하기 위해 개인별 계수와 잔차 표준편차에 비중심 매개변수화(non-centered parameterization)를 사용한다.
   • 사전 분포: 불가능하게 큰 이질성에 대해 회의적인 입장을 표현하면서도 정상 범위(stationary range)를 포괄할 수 있도록 약정보 사전 분포(weakly informative priors)를 사용한다 (예: 평균에 대해 $N(0, 0.5)$, 개인 간 표준편차에 대해 Half-Normal(0, 0.3)).

주요 기여

1. 모델 명세 및 구현: 저자들은 DTVEM-RE 모델을 명시하고 재현을 위한 코드가 공개된 전체 Stan 구현체를 제공한다. 이 모델은 $\tau = 0$인 경우 표준 DTVEM을 고정 효과 특수 사례로 유지한다.
2. 매개변수 회복 검증: 네 가지 이질성 수준에 걸친 시뮬레이션 연구($N=130, T=130$)를 통해, 개인 간 분산 매개변수($\tau_a$)가 0.01 미만의 절대 편차로 회복됨을 확인하였으며, 신뢰 구간 커버리지가 90~93%임을 보여줌으로써 일반적인 생태적 순간 평가(EMA) 표본 크기에서의 신뢰성을 검증하였다.
3. 실증적 시연: Fisher 등(2017)의 데이터셋($N=40$명의 GAD/MDD 환자)에 적용하여 다음을 입증하였다:
   • 시차-1 효과에서 상당한 개인별 이질성 존재 (한 자릿수 차이의 범위를 보임).
   • 계층적 베이지안 추정치와 독립적인 개인별 GAMM 추정치 사이의 높은 일치도($r=0.87$ ~ $0.92$).
   • 집단 전용(group-only), 나이브한 개인별(naive per-person) 모델, 단순 계층적 베이스라인 모델 대비 우수한 일보 전방 예측 성능(로그 가능도 및 RMSE).
4. 다중 시차 이질성 발견: 세 가지 항목과 세 가지 시차에 걸친 아홉 개의 개인 간 표준편차 추정치가 모두 통계적으로 유의미하게 0보다 큼을 밝혔다. 결정적으로, 이질성이 가장 큰 시차는 정서 항목마다 달랐다 (예: "우울"은 시차 1, "활기"는 시차 2, "걱정"은 시차 3). 이는 무작위 효과를 시차-1로 제한하는 기존 방법으로는 탐지할 수 없는 패턴이다.

결과

• 시뮬레이션: 개인 간 표준편차($\tau_a$)가 유의미한 편차 없이 회복되었다. 집단 평균($\mu_a$)은 유한 표본 AR(1) 추정 이론과 일치하는 작은 일관된 하향 편차(~0.02)를 보였으나, 이는 이질성 추정에 영향을 미치지 않았다.
• 실증적 시차-1: 세 가지 정서 항목("우울", "걱정", "활기") 모두 시차-1 계수에서 유의미한 개인 간 변이를 보였다. 계층적 모델은 보정된 불확실성 정량화를 제공하였으며, 40명 중 39명의 참가자가 0이 아닌 자기회귀 의존성을 나타냈다.
• 실증적 다중 시차: 세 항목과 세 시차에 걸친 아홉 개의 개인 간 표준편차 추정치가 모두 0보다 유의미하게 컸다. 이질성의 형태는 비단조적이었으며 항목별로 달랐는데, 이는 집단 평균의 단조 감소 패턴과 대조적이다.
• 예측: DTVEM-RE는 네 가지 베이스라인 모델 중 가장 높은 예측 로그 가능도와 가장 낮은 RMSE를 달로했다. 그러나 절대적인 이득은 미미하였으며(비프당 약 0.01 로그 가능도 단위), 이는 $T \approx 110$인 상황에서 나이브한 개인별 OLS의 안정성 때문인 것으로 분석된다. 이 영역에서의 주요 가치는 극적인 예측력 향상보다는 보정된 불확실성 정량화와 다중 시차 처리 능력에 있다.

의의 및 주장
본 논문은 DTVEM-RE가 저자들이 아는 바로는 DTVEM 방식의 시차 탐지를 구현한 최초의 원칙적인 개인 특이적 구현이라고 주장한다. 이 모델은 계층적 풀링(hierarchical pooling)의 이점을 유지하면서도 개인별 다중 시차 프로파일 추정을 가능하게 함으로써, 원본 DTVEM 저자들이 지적한 한계를 직접적으로 해결한다.

저자들은 방법론적 참신함이 비모수적 다중 시차 탐색과 각 탐지된 시차에서의 개인별 계수에 대한 계층적 풀링을 결합한 데 있다고 강조한다. 이를 통해 기존의 계층적 VAR 방법(예: mlVAR)이 포착할 수 없는 복잡한 이질성 구조(예: 시차에 따라 변하는 이질성의 정점)를 탐지할 수 있다.

저자들은 임상적 함의에 대해서는 신중한 태도를 유지하며, 결과가 탐색적임을 명시하고 직접적인 임상 권고를 허용하지 않는다. 저자들은 다중 시차 이질성의 발견을 임상적 실무를 변화시키는 즉각적인 증거라기보다, 더 크고 다양한 표본에서의 재현과 안정성 및 임상적 관련성에 대한 추가 조사가 필요한 후보 현상으로 규정한다. 이 방법론은 개인별 시차 구조를 기술하기 위한 도구로 제시되며, 그러한 기술의 임상적 활용 가치는 별개의 경험적 문제로 남겨둔다.