Bias-Reduced GEE via Adjusted Estimating Equations, with Odds-Ratio Extensions

기술 요약: 조정된 추정 방정식을 통한 편향 감소 GEE 및 오즈비 확장

문제 제기
Liang과 Zager [1986]가 도입한 일반화 추정 방정식(Generalized Estimating Equations, GEE)은 종단적 연구와 같이 상관된 데이터를 분석하는 표준적인 접근 방식이다. GEE 추정량은 완만한 정규성 조건 하에서 일치성과 점근적 정규성을 갖지만, 독립적인 클러스터의 수가 적거나 중간 정도인 경우 상당한 유한 표본 편향(finite-sample bias)을 보일 수 있다. 이러한 편향은 Wald 유형의 추론에 영향을 미쳐 제1종 오류율을 높이는 결과를 초래한다.

편향 감소에 관한 기존 문헌은 몇 가지 한계점을 가진다. 첫째, Paul과 Zhang [2014] 및 Lunardon과 Scharfstein [2017]의 방법은 종종 작업 공분산 행렬을 평균 파라미터에 대해 고정된 것으로 취급한다. 이러한 단순화는 이진(binary) 및 포아송(Poisson) 반응에서 분산과 평균 사이의 의존성을 고려하지 못하므로, 이러한 흔한 설정에서 1차 편향 감소를 달성하는 데 실패한다. 둘째, 기존의 편향 교정 추정량들은 상관계수 매개변수화를 기반으로 한다. 이러한 매개변수화는 주변 평균에 의해 부과되는 엄격한 실행 가능성 제약(Fréchet bounds)을 받는데, 이는 특히 소표본에서 상관 추정치가 허용 범위를 벗어나거나 작업 상관 행렬을 양의 정부호(positive definite)가 아니게 만들 수 있다. 셋째, 기존의 편향 교정 추정량들은 잘 정의된 일반 GEE 추정량을 시작점으로 필요로 하며, 이는 분리(separation) 또는 근접 분리(near-separation)가 발생하는 경우 수치적으로 불안정하거나 적용이 불가능하게 만든다.

방법론
본 논문은 Kosmidis와 Lunardon [2024]의 강건한 편향 감소 방법론을 바탕으로, GEE 추정량을 클러스터 데이터 M-추정(M-estimation) 프레임워크 내에 내장함으로써 통일된 1차 편향 감소 프레임워크를 개발한다.

1. 편향 감소 조정: 저자들은 GEE 추정 방정식에 대한 명시적인 목표 조정값 $\Lambda_G$를 도출한다. 이 유도 과정은 추정량을 M-추정량으로 취급하며, 작업 공분산 행렬이 평균 파라미터에 의존하는 것을 명시적으로 고려한다. 이상적인 조정은 미지의 공분산 행렬에 의존하는 선도 편향 항인 $\Lambda_G$를 목표로 한다.
2. 세 가지 구현 가능한 추정량: 조정을 실용적으로 만들기 위해 세 가지 근사치를 구성한다.
   • 강건한 조정 (Robust Adjustment, RBR): 미지의 공분산 행렬을 불편 경험적 유사체($S_i S_i^\top$)로 대체한다. 이 추정량은 작업 연관 구조가 올바르게 지정되었는지 여부와 관계없이 1차 편향 감소를 달 Achieve한다.
   • 나이브 조정 (Naive Adjustment, NBR): 작업 공분산이 실제 공분산과 같다고 가정한다. 이는 Paul과 Zhang [2014]의 추정량을 (분산의 평균 의존성을 무시하는 특수한 경우로서) 포함한다. 이는 연관 구조가 올바르게 지정되었거나 특정 조건 하에서 오설정(misspecification)된 경우에도 편향 감소를 달성한다.
   • 경험적 조정 (Empirical Adjustment, EBR): 모든 기댓값을 표본 유사체로 대체한다. 이론적으로는 타당하지만, 유한 표본 변동성을 높일 수 있으므로 강건한 절차가 수치적으로 불안정한 경우에만 대안으로 권장된다.
3. 단일 단계 편향 교정 유사체: 일반 GEE 추정량에 조정을 적용함으로써 계산적으로 편리한 단일 단계 추정량을 도출한다. 이는 조정된 방정식을 반복할 필요는 없으나, 일반 GEE 해의 존재를 전제로 한다.
4. 오즈비 매개변수화: 본 프레임워크는 상관된 이진 데이터를 위해 쌍별 오즈비 매개변수화(pairwise odds-ratio parameterization; Lipsitz et al., 1991; Carey et al., 1993)로 확장된다. 이 접근 방식은 상관계수의 제한적인 실행 가능성 제약을 피한다. 저자들은 이 매개변수화를 위한 필요한 조정($\Lambda_{OR}$)을 도출하여, 오즈비 모델링 하에서의 최초의 편향 감소 및 편향 교정 GEE 추정량을 제공한다.
5. 추론: 소표본 추론을 위해, 저자들은 표준 샌드위치 추정량 대신 Morel 등 [2003]의 소표본 조정 공분산 추정량($\hat{\Sigma}_M$)을 사용할 것을 권장한다.

주요 결과
다양한 클러스터 크기($N \in \{20, 35, 50, 100, 500\}$)와 결측 패턴(MCAR 단조 탈락)을 포함하여 상관된 이진(프로빗 모델) 및 포아송 반응에 대한 10,000회의 몬테카를로 반복 실험이 수행되었다.

• 편향 감소: 강건한 편향 감소(RBR) 추정량은 특히 시변 공변량이 있는 경우와 소규모~중간 규모의 표본 크기에서 일반 GEE에 비해 유한 표본 편향을 일관되게 감소시켰다. 편향 감소는 이진 반응에서 가장 두드러졌다.
• 효율성 및 커버리지: RBR 추정량은 일반 GEE와 대등한 효율성을 유지했다. $\hat{\Sigma}_M$에 기반한 명목 95% Wald 신뢰 구간의 경험적 커버리지는 RBR의 경우 명목 수준에 근접했으나, 일반 GEE는 소표본에서 자주 과소 커버리지(undercoverage)를 보였다.
• 오설정에 대한 강건성: RBR 추정량은 작업 연관 구조가 오설정된 경우에도 잘 작동했다. 나이브 편향 감소(NBR) 추정량 또한 특정 시나리오에서 오설정 하에서도 편향 감소를 보여 이론적 발견을 확인해주었다.
• 수치적 안정성: 경험적 편향 감소(EBR) 추정량은 결측 데이터가 있는 소표본에서 수치적 불안정성을 보였으며, 낮은 수렴율과 팽창된 표준 오차를 나타내어 RBR을 기본값으로 사용하라는 권고를 뒷받침했다.
• 오즈비 vs 상관계수: 임상 시험 적용(어깨 끝 통증 데이터)에서 비구조적 작업 상관 행렬을 사용하여 모델을 적합시켰을 때 수치적 어려움(비수렴, 허용되지 않는 추정치)이 발생했다. 반면, 오즈비 매개변수화는 안정적인 추정치를 제공하여 소표본에서 이진 연관의 유연한 모델링을 위한 우월성을 입증했다.

의의 및 주장
본 논문은 다음과 같은 특징을 가진 최초의 통일된 GEE 편향 감소 프레임워크를 제공한다고 주장한다:

1. 작업 공분산이 평균 파라미터에 의존하는 것을 명시적으로 고려함으로써, 이전 방법들이 실패했던 평균 의존적 분산 함수(이진/포아송)에 대해 1차 편향 감소를 보장한다.
2. 상관된 이진 데이터를 위한 오즈비 매개변수화로 편향 감소를 확장하여, 소표본에서 허용 가능성 제약으로 고통받는 상관 기반 방법의 안정적인 대안을 제시한다.
3. 기존 방법들(Paul and Zhang [2014]; Lunardon and Scharfstein [2017])을 제안된 강건 및 나이브 프레임워크의 특수한 경우로 보여줌으로써 이들의 관계를 포섭하고 명확히 한다.
4. Firth의 편향 감소 GLM을 통해 초기화할 수 있는 완전히 반복된 편향 감소 추정량을 제공함으로써, 일반 GEE가 실패하는 상황(예: 분리 현상)에 대한 실질적인 해결책을 제시한다.

저자들은 강건한 편향 감소(RBR) 추정량이 R 패키지 geer를 통해 구현되어 있으며, 소규모~중간 규모의 표본 크기, 특히 상관된 이진 데이터에 대해 일반 GEE의 점근적 특성과 효율성을 유지하면서 편향을 줄여주는 실질적인 기본값(default)으로 사용되어야 한다고 결론짓는다.