Causal Sufficient Dimension Reduction for Multiple Continuous Exposures with an Application to Environmental Mixtures

문제 정의
다변량 연속 노출 변수를 가진 인과적 효과를 추정하는 것은 인과적 노출-반응 표면(ERS)의 고차원성으로 인해 어려움이 따르며, 이는 추정과 결합 노출 효과의 해석 모두를 복잡하게 만듭니다. 이러한 문제는 환경 역학 분야, 특히 연구자들이 화학 물질 및 오염 물질 혼합물의 건강 영향을 연구하는 환경에서 특히 두드러집니다. 이러한 설정에서 유연한 비모수 회귀는 차원의 저주를 겪으며, 고차원 표면은 해석하기 어렵습니다. BKMR, BART와 같은 기존의 혼합물 분석 방법들은 복잡한 관계를 추정하지만, 저차원 요약 기능이 부족하거나 계산 비용이 많이 드는 경우가 많습니다. 반대로, 고전적인 충분 차원 축소(SDR) 방법은 조건부 평균 $E(Y|X)$를 보존하는 저차원 선형 요약을 식별하지만, 교란 요인이 존재하는 관측 연구에서는 조건부 평균이 인과적 평균 $E(Y^x)$와 다르기 때문에 실패합니다. 결과적으로, 고전적인 SDR은 인과적 노출-반응 관계를 보존하지 못하는 요약을 찾아낼 수 있습니다.

방법론
저자들은 인과적 ERS, $\mu(x) = E(Y^x)$를 보존하는 노출 벡터 $X$의 저차원 선형 요약을 식별하도록 설계된 준모수적 프레임워크인 **인과적 충분 차원 축소(CSDR)**를 제안합니다.

1. 대상 추정량: 저자들은 $\mu(x) = g(\beta^\top x)$를 만족하는 행렬 $\beta$에 의해 생성되는 최소 부분 공간인 인과적 중심 평균 부분 공간(CCMS), $S_{E(Y^x)}$를 정식화합니다. 이는 관측된 조건부 평균을 대상으로 하는 고전적인 중심 평균 부분 공간(CMS)과는 다릅니다.
2. 모듈형 2단계 추정: 기존의 성향 점수 기반 한계 구조 모델(MSM) 접근 방식의 계산 및 넌서스(nuisance) 추정 부담을 극복하기 위해, 저자들은 모듈형 프레임워크를 개발했습니다:
   • 1단계 (변환): 조건부 평균이 인과적 ERS $\mu(X)$와 일치하는 변환된 변수 $(\tilde{Y}, \tilde{X})$를 구성합니다. 논문은 세 가지 구성을 제안합니다:
     • 노출-반응 표면(ERS) 타겟: 회귀 조정(RA) 또는 이중 강건(DR) 추정량을 통해 $\mu(X)$의 직접적인 추정치를 사용합니다.
     • 의사 결과물(Pseudo-outcome, PO) 타겟: 조건부 평균이 $\mu(X)$인 확률적 의사 결과물을 사용합니다.
     • 잔차화된 쌍(Residualized Pairs, RP): 가법 교란 모델 하에서, 교란 요인 $C$를 회귀 분석하여 제거한 후의 $Y$와 $X$의 잔차를 사용합니다.
   • 2단계 (차원 축소): 변환된 데이터 $(\tilde{Y}, \tilde{X})$에 표준 SDR 추정량(특히 Minimum Average Variance Estimator, MAVE)을 적용합니다. 저자들은 이를 **인과적 충분 MAVE(csMAVE)**라고 부릅니다.
3. 이론적 프레임워크: 논문은 표준적인 인과 가정(일관성, 강한 양의성, 조건부 무시성) 및 매끄러움 조건 하에서 CCMS가 식별 가능함을 입증합니다. 저자들은 1단계 넌서스 추정 오차가 2단계로 전파됨을 증명하고, 부분 공간 회복에 대한 수렴 속도를 도출하며, 구조적 차원 추정량의 일관성을 보여줍니다.
4. 해석: 기저 행렬 $\beta$의 비유일성 문제를 해결하기 위해, 저자들은 CCMS로의 직교 투영 행렬의 대각 요소로 정의되는 부분 공간 중요도 점수($\lambda_j$)를 도입합니다. 이 점수는 원래의 각 노출이 축소된 인과적 표현에 기여하는 정도를 정량화하며, 기저 선택에 불변합니다.

주요 기여

• CCMS의 정식화: 논문은 고전적인 SDR 타겟과 구별되는, 인과적 차원 축소를 위한 대상 추정량으로서 CCMS를 정의합니다.
• 모듈형 프레임워크: 넌서스 함수 추정과 부분 공간 추정을 분리하는 2단계 추정 전략을 제안합니다. 이는 알려지지 않은 축소에 의존하는 여러 넌서스 함수를 반복적으로 최적화해야 하는 기존의 점수 기반 MSM 방식에 비해 구현을 단순화합니다.
• 이론적 보장: 저자들은 1단계 넌서스 추정 오차를 고려하여 인과적 부분 공간 회복에 대한 수렴 속도를 확립하고, 구조적 차원 추정량의 일관성을 증명합니다.
• 해석 도구: 부분 공간 중요도 점수의 도입은 개별 노출의 인과적 축소 기여도를 해석하기 위한 기저 불변(basis-invariant) 방법을 제공합니다.
• 실증적 검증: 시뮬레이션과 실제 데이터 적용을 통해, CSDR이 비인과적 차원 축소나 원래의 고차원 노출을 사용하는 방법보다 ERS의 추정 및 불확실성 정량화 측면에서 더 정확한 결과를 얻음을 보여줍니다.

결과

• 시뮬레이션: $p=10$개의 노출과 $q=5$개의 교란 요인을 가진 몬테카를로 시뮬레이션에서, 인과적 SDR 방법(특히 RA 및 DR 변형)은 진정한 CCMS를 회복하는 데 있어 기준 방법들(PCA, pCCA, 그리고 연관성 기반 MAVE)보다 성능이 현저히 우수했습니다. 부분 공간 회복 오차는 표본 크기에 따라 감소한 반면, 기준 방법들은 교란으로 인해 수렴이 느리거나 올바른 부분 공간을 식별하는 데 실패했습니다.
• 차원 선택: CSDR 방법은 진정한 구조적 차원($d_0=2$)을 일관되게 회복한 반면, 연관성 기반 MAVE는 차원을 과대 추정하는 경향을 보였습니다.
• ERS 추정: 축소된 노출 $\hat{Z} = \hat{\beta}^\top X$를 사용할 때, CSDR 방법은 전체 노출 벡터나 비인과적 축소를 사용하는 방법보다 더 낮은 평균 제곱 오차(RMSE)와 더 나은 점별 95% 구간 피복률을 달-성했습니다.
• 실제 데이터 적용: 애틀랜타 아프리카계 미국인 모자 코호트($n=305$)에 적용하여, CSDR은 영아 출생 체중에 영향을 미치는 모체 PFAS 노출(PFOS, PFOA, PFNA, PFHxS)의 1차원 요약을 추정했습니다. 결과적인 노출 요약은 비선형적이고 단조 감소하는 관계를 나타냈습니다. 부분 공간 중요도 점수는 PFOS가 주요 기여자임을 나타냈으며, 이는 PFOA를 잘못 강조했던 표준 MAVE와 대조되었습니다.

의의 및 주장
본 논문은 CSDR이 환경 혼합물의 결합 인과 효과를 연구하기 위한 원칙적이고 계산 효율적인 접근 방식을 제공한다고 주장합니다. 인과적 노출-반응 표면을 보존하면서 차원을 축소함으로써, 이 방법은 더 효율적인 다운스트림 추정과 해석 가능한 요약을 용이하게 합니다. 저자들은 자신의 모듈형 프레임워크가 기존의 마진 구조 모델 접근 방식에 비해 넌서스 추정 부담을 실질적으로 줄여주어, 인과적 차원 축소를 더 쉽게 만든다는 점을 강조합니다. 이 연구는 연속적 처치에 대한 인과 추론과 충분 차원 축소 사이의 간극을 메우며, 교란이 존재하는 고차원 노출 환경을 처리하기 위해 특별히 설계된 도구를 제공합니다. 저자들은 자신의 프레임워크가 구현을 단순화하지만, 1단계 넌서스 추정량의 정확성에 의존한다는 점을 언급하며, 향후 연구에서 매끄러움 가정을 완화하거나 더 일반적인 교란 구조로 확장할 수 있음을 겸허히 밝히고 있습니다.