기술 요약: 무작위 포화 설계에서의 무작위화 검정 (Randomization Tests in Randomized Saturation Designs)

문제 정의

무작위 포화 설계(Randomized saturation designs)는 클러스터링된 모집단에서 파급 효과(spillover effects)를 추정하기 위한 주요 도구이다. 이러한 설계에서는 클러스터가 먼저 서로 다른 처리 포화 수준(클러스터 내 처리된 단위의 비율)에 할당되며, 이후 할당된 포화도에 따라 클러스터 내에서 단위들이 무작위로 할당된다. 이러한 설계는 자신의 처리 효과(own treatment effects)와 동료의 처리 강도(peer treatment intensity)를 효과적으로 분리하지만, 유효한 통계적 추론을 수행하는 데에는 여전히 어려움이 따른다.

두 가지 주요 장애물이 추론을 방해한다:

1. 작은 표본 크기: 클러스터의 수가 너무 적어 대표본 근사법을 적용하기 어렵고, 클러스터 크기가 빈번하게 이질적이다. 이는 점근적 정규 근사보다는 정확한 유한 표본 방법(exact finite-sample methods)을 필요로 한다.
2. 부분적 선명성(Partial Sharpness): 관심 있는 많은 가설(예: 파급 효과 없음, 경계가 있는 파급 효과, 또는 평균 파급 효과)은 부분적으로만 선명하다(partially sharp). 이들은 특정 노출 조건하에서의 잠재적 결과는 제한하지만, 전체 할당 공간에 걸친 누락된 잠재적 결과의 전체 스케줄을 임퓨테이션(impute)하지는 않는다. 결과적으로, 전체 할당 벡터를 재표집하는 나이브한 무작위화 검정은 유효한 참조 분포를 생성하는 데 실패한다.

기존 문헌은 주로 선명한 귀무가설(sharp nulls) 하에서의 대표본 추정이나 조건부 무작위화 검정에 집중해 왔다. 다중 포화 설계에서 부분적으로 선명하고, 경계가 있으며, 약한 평균 귀무가설에 대한 유한 표본 유효한 무작위화 검정을 개발하는 데에는 공백이 존재한다.

방법론

본 논문은 균일한 부분 간섭(homogeneous partial interference, 결과가 자신의 처리 상태와 클러스터 내 처리된 동료의 수에만 의존함) 가정을 바탕으로, 무작위 포화 설계의 구조에 맞춤화된 일련의 무작위화 검정을 개발한다. 방법론은 귀무가설의 성격과 포화 수준의 수에 따라 세 가지 주요 구성 요소로 나뉜다.

1. 두 가지 포화 수준에 대한 조건부 검정

고정된 두 포화 수준 $s$와 $s'$에 대해, 저자들은 "초점 단위(focal units)"에 대해 조건화하는 조건부 무작위화 프레임워크를 제안한다.

• 초점 단위 선택: 관측된 포화도가 $s$ 또는 $s'$인 클러스터들로부터 고정된 수의 미처리(untreated) 단위를 샘플링한다. 이 단위들은 비교의 기초가 된다.
• 재라벨링 분포(Relabeling Distribution): 이 테스트는 선택된 클러스터들 사이에서 포화 라벨($s$와 $s'$)을 순열(permuting)하여 참조 분포를 생성하되, 초점 단위와 그들의 관측된 결과는 고정한다. 이는 문제를 클러스터 수준의 재라벨링 문제로 축소시킨다.
• 귀무가설 특화 통계량:
  • 부분적으로 선명한 귀무가설 ($H_{0,PS}$): 모든 단위에 대해 $Y_i(0, s) = Y_i(0, s')$라고 가정한다. 이 귀무가설 하에서는 초점 결과가 재라벨링에 불변하므로, 어떤 초점 통계량(예: 평균 차이)도 유한 표본에서 유효한 검정을 제공할 수 있다.
  • 경계가 있는 귀무가설 ($H_{\delta,B}$): $Y_i(0, s) - Y_i(0, s') \leq \delta$라고 가정한다. 이 테스트는 등가 경계($=\delta$)를 "최악의 경우(least-favorable)" 임퓨테이션으로 사용한다. 관측된 결과를 $\delta$만큼 이동시킴으로써, 테스트는 부등식 귀무가설에 대해 유한 표본 유효성을 유지하는 보수적인 통계량을 구축한다.

2. 약한 평균 귀무가설에 대한 점근적 검정

평균 파급 효과(예: 단위 평균 또는 클러스터 평균 파급 효과)에 관한 가설의 경우, 귀무가설이 누락된 잠재적 결과들을 결정하지 못하므로 정확한 유한 표본 조건부 검정이 불가능하다.

• 접근 방식: 저자들은 동일한 조건부 재라벨링 분포를 활용하되, 이를 학생화된 통계량(Neyman 분산 추정치 사용)과 결합한다.
• 유효성: 조건부 분포가 정확한 유한 표본 귀무 분포는 아니지만, 저자들은 학생화된 재라벨링 통계량이 규제 조건(예: 안정적인 설계 비율 및 유계 모멘트) 하에서 점근적으로 유효한 추론을 제공함을 증명한다. 이는 피셔주의적(Fisherian) 무작위화 관점과 네이만식(Neymanian) 대표본 추론을 연결한다.

3. 전역적 단조성을 위한 무조건적 검정

여러 개의 순서가 있는 포화 수준이 있는 설계의 경우, 본 논문은 미처리 결과가 포화 수준에 대해 단조적이라는 전역적 귀무가설을 다룬다.

• 쌍별 임퓨테이션(Pairwise Imputation): 문제를 쌍별 대비(pairwise contrasts)로 분해하는 대신(이는 다중 검정 보정을 필요로 함), 저자들은 쌍별 임퓨테이션(PIRT)에 기반한 무조건적 무작위화 검정을 개발한다.
• 메커니즘: 이 테스트는 관측된 할당을 설계 지원 범위 내의 다른 모든 가능한 할당과 비교한다. 이는 "쌍별 임퓨테이션 가능(pairwise-imputable)"한 통계량을 활용하는데, 이는 관측된 할당과 참조 할당 모두에서 미처리 상태이며, 노출 정도가 귀무가설에 의해 덮이는 순서 집합 내에 있는 단위들에만 의존함을 의미한다.
• 유효성: 이러한 구성은 전역 단조 귀무가설에 대해 무조건적으로 유한 표본 유효한 검정을 산출하며, 로컬 대비로부터 p-값을 결합할 필요가 없게 한다.

주요 결과

본 논문은 다음과 같은 이론적 결과를 확립한다:

1. 유한 표본 유효성 (조건부): 두 가지 포화 수준을 포함하는 부분적으로 선명하거나 경계가 있는 귀무가설에 대해, 제안된 조건부 무작위화 검정(절차 3.1)은 선택된 초점 집합에 대해 유한 표본에서 유형 I 오류율을 정확하게 제어한다.
2. 점근적 유효성 (약한 귀무가설): 약한 평균 귀무가설의 경우, 학생화된 조건부 무작위화 검정은 점근적 크기를 제어하여, 귀무가설이 선명하지 않은 경우에도 유효한 추론을 제공한다.
3. 유한 표본 유효성 (전역 단조성): 전역 단조 귀를 위한 쌍별 임퓨테이션 무작위화 검정(PIRT)(절차 5.1)은 무조건적으로 유한 표본 유효함이 증명되었다. 이 테스트는 보수적이지만, 단조성의 큰 위반을 탐지하는 데 있어 우수한 검정력을 제공한다.
4. 실증적 성능: Zomba 현금 이체 실험에 맞춰 조정된 시뮬레이션은 다음을 보여준다:
   • 경계가 있는 귀무가설에 대한 조건부 CRT는 명목 수준에 가까운 크기(평균 크기 ~0.051)를 유지하며, 작은 표본에서 회귀 기반 벤치마크보다 더 나은 검정력을 제공한다.
   • 전역 단조 PIRT는 본페로니(Bonferroni)를 통해 인접한 쌍별 검정을 결합하는 것보다 더 보수적이지만, 특히 포화 수준의 수가 증가함에 따라 단조성 위반을 탐지하는 데 있어 더 우수한 검정력을 제공한다.

의의 및 기여

본 논문은 간섭 하의 인과 추론 문헌에 세 가지 주요 기여를 한다:

1. 조건부 무작위화 검정의 확장: 단일 처리 단위가 있는 이진 1단계 설계에 적용되었던 기존의 조건부 무작위화 프레임워크를 다중 포화 설계(클러스터 내 다수의 처리 단위 포함)로 확장한다. 이는 더 복적인 할당 공간과 부분적 임퓨테이션 문제를 해결한다.
2. 약한 귀무가설에 대한 추론: 약한 평균 파급 귀무가설에 대한 무작위화 기반 추론 경로를 제공한다. 조건부 재라벨링과 학생화를 결합함으로써, 본 논문은 피셔의 정확한 검정과 네이만의 점근적 추론을 연결하여, 정확한 유한 표본 유효성을 달성하기 어려운 경우에도 과학적으로 의미 있는 평균 효과를 테스트할 수 있게 한다.
3. 전역 단조성 검정: 단순한 등가 귀무가설을 넘어 경계가 있거나 단조적인 제한을 테스트한다. 전역 단조성을 위한 PIRT의 개발은 연구자들이 로컬 쌍별 비교에 의존하지 않고, 단일 프레임워크 내에서 파급 반응의 전체 형태를 테스트할 수 있게 한다. 이는 파급의 방향(예: 증가 또는 감소)이 주요 질문인 응용 분야에서 특히 중요하다.

저자들은 핵심 통찰이 조건화 단계(임퓨테이션 가능한 단위의 선택)와 통계량(특정 귀무가설에 맞춤화된)의 분리에 있다는 점을 강조한다. 이러한 모듈형 접근 방식은 선명한 개별 효과부터 약한 평균 효과, 그리고 전역 단조성에 이르기까지 다양한 가설 스펙트럼에 대해 유효한 추론을 가능하게 하며, 이는 도전적인 무작위 포화 설계 맥락 내에서 매우 유용하다.