Causal Inference for Case Studies in Behavioral Health

기술 요약: 행동 건강 사례 연구를 위한 인과 추론

문제 제기
본 논문은 행동 건강 분야의 $N=1$ 관찰 사례 연구에서 발생하는 인과 추론의 근본적인 과제를 다룬다. 표준적인 인과 추론 방법론은 일반적으로 혼란 변수를 조정하기 위해 무작위 배정, 실험적 통제 또는 대규모 모집단 프레임에 의존한다. 그러나 개별 케어 과정에는 이러한 특징이 결여되어 있다. 제공자와 내담자는 처치 선택($T$)과 결과($Y$) 모두에 영향을 미치는 잠재 변수의 망, 즉 "측정되지 않은 혼란 변수"($U$)의 맥락 속에서 작동한다. 또한, 엄격한 실험 설계(예: A-B-A-B 역전 설계)는 윤리적으로 부적절하거나 치료 관계를 저해할 수 있다. 결과적으로, 제공자는 반사실(예: $Y|do(t=1)$이 관찰될 때$Y|do(t=0)$)을 경험적으로 측정할 수 없으며, 서로 다른 시점이나 개인 간의 "본질적 동일성"을 전제로 하는 모집단 기반 매칭 가설에도 의존할 수 없다. 핵심 문제는 혼란 변수를 측정하거나 조정할 필요 없이 유효한 인과 추정치(causal estimands)로 나아가는 타당한 경로를 구축하는 것이다.

방법론 및 프레임워크
저자들은 **구조적 인과 모델(SCM)**과 확률을 객관적 빈도가 아닌 개인의 불확실성에 대한 척도로 보는 주관주의적(드 피네티, de Finetti) 확률 해석에 기반한 프레임워크를 제안한다.

1. $\Omega$-추정치($\Omega$-Estimands): 본 논문은 확률 분포의 대비(예: 평균 차이)에서 **지지 집합(support)**의 대비로 초점을 전환한다. 확률 변수의 지지 집합 $\Omega$는 비제로 확률을 갖는 값들의 집합을 의미한다. 저자들은 $\Omega$-추정치를 확률 가중치를 포함하지 않는 지지 집합의 함수(예: $\max(\Omega)$, $\min(\Omega)$, 범위 또는 기수)로 정의한다.
2. 핵한 가정 (양성, Positivity): 이 프레임워크는 단 하나의 결정적인 가정인 **양성(Positivity)**에 의존한다. 형식적으로, 모든 처치 값 $t \in \Omega_T$와 측정되지 않은 혼란 변수 $u \in \Omega_U$에 대하여, 조건부 확률 $f(t|u) > 0$이다. 주관주의적 맥락에서 이는 측정되지 않은 혼란 변수의 상태 $u$가 특정 처치 $t$를 불가능하게 만들지 않음을 의미한다. 저자들은 처치를 충분히 거친 수준(예: 미세한 개입보다는 "사례 관리 노출"과 같은 수준)으로 개념화한다면, 혼란 변수가 존재하는 상황에서도 양성이 성립한다고 주장한다.
3. 지지 집합의 일치 (Support Coincidence): 핵심 이론적 결과(명제 1)는 양성 가정 하에서 관찰된 결과의 지지 집합이 개입된 결과의 지지 집합과 일치함을 증명한다: $\Omega_{Y|t} = \Omega_{Y|do(t)}$. 이는 현실 세계에서 관찰되는 가능한 결과의 집합이 가상의 개입 하에서 발생할 수 있는 결과의 집합과 동일함을 의미하며, 이로 인해 $\Omega$-효과의 식별은 측정되지 않은 혼란 변수에 의해 영향을 받지 않는다.

주요 기여 및 확장
논문은 추론을 용이하게 하기 위해 세 가지 조건을 도입한다:

• 조건 I (양성): 관찰된 지지 집합과 개입된 지지 집합이 일치함을 식별하기에 충분하다.
• 조건 II (인식적 보존, Epistemic Preservation): 에이전트의 불확실성의 "구조적 모티프"(특히 기대값과 지지 집합의 함수적 평균 사이의 관계)가 처치 상태와 비처치 상태 전반에 걸쳐 불변한다고 가정한다. 이를 통해 기대-평균 항등식(expected-average identity) $E(Y) = Av(Y) - \kappa$ (여기서 $\kappa$는 왜도 관련 항)을 통해 $\Omega$-효과를 기대값의 차이로 변환할 수 있다. 만약 $\kappa$가 보존된다면, 평균의 차이는 인과적 의미를 갖게 된다.
• 조건 III (지지 집합 회상, Support Recall): 내담자가 회상한 기저선 추정치($\hat{Y}$)가 관찰되지 않은 기저선 지지 집합($\Omega_{Y|t=0}$)의 대리물 역할을 할 수 있다고 가정한다. 이는 회상의 확률 분포는 다를 수 있지만, *가능한 값의 집합(support)*은 동일한 실재에 고정되어 있다는 것을 전제로 한다.

결과 및 사례 연구 적용
저자들은 불안 장애를 겪는 23세 학생의 인지 행동 치료(CBT) 임상 사례 연구를 통해 이 프레임워크를 입증한다.

• 데이터: 0–10 척도의 불안 점수가 10에서 4로 감소하는 추세를 보이는 19주간의 주간 데이터.
• 적용: 저자들은 $\Omega$-효과를 기저선 지지의 최솟값과 처치 지지의 최솟값 사이의 대비($\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$)로 정의한다.
• 추론: 주관적 베이지안 접근법을 사용하여 처치 효능에 대한 사후 확률을 계산한다. 사전 믿음을 설정하고 관찰된 데이터(최솟값의 변화)로 이를 업데이트함으로써, 저자들은 효능에 대한 사후 확률(약 0.59)을 도출한다.
• 해석: 이 결과는 빈도 기반의 보증이 아니라, 극심한 증상 가능성을 제거하는 능력(지지 집합의 변화)에 대한 "일관되고 절제된 신념(coherent, tempered credence)"이다.

의의 및 주장
본 논문은 혼란 변수를 차단하거나 측정할 필요 없이 개별 케어 과정에 대한 인과 추론으로 나아가는 경로를 제공한다고 주장한다.

• 민감도보다 강건성 (Robustness over Sensitivity): 이 프레임워크는 (혼란의 영향을 받는) 분포 변화에 대한 민감도를 희생하는 대신, (양성 조건 하에서 식별 가능한) 지지 집합 변화에 집중함으로써 강건성을 얻는다. 저자들은 효과적인 치료가 종종 극단적인 가능성을 제거하는 것(예: 공황 발작을 예방함)으로 나타나며, 이는 혼란 변수를 알지 못해도 감지 가능한 지지 집합의 변화라고 주장한다.
• 실용적 유용성: 이는 의료 제공자가 고급 통계 훈련이나 실험 설계 없이도 측정 기반 케어 데이터를 사용하여 치료 효능을 추론할 수 있는 원칙적이고 기초적인 방법을 제공한다.
• 한계: 저자들은 양성(positivity)이 검증 불가능하며, 근간이 되는 유향 비순환 그래프(DAG)의 타당성을 통해 옹호되어야 함을 인정한다. 또한, 이 프레임워크는 지지 집합 내에서 확률 질량만을 이동시키는 치료(예: "10"을 제거하지 않고 "4"보다 "5"가 더 나타나게 만드는 경우)에는 둔감하다는 점을 언급한다. 아울러, 결과는 추론 에이전트를 위한 일관성 진술이지 빈도 기반의 보증이 아니다.

요약하자면, 본 논문은 인과적 목표를 분포가 아닌 결과 지지 집합의 대비로 재정의함으로써, 양성이라는 단일 조건 하에서 $N=1$ 행동 건강 연구의 유효한 인과 식별이 가능하다고 주장한다.