Mitigating the Winner's Curse While Controlling Multiplicity: e-Process Methods for Anytime-Valid Inference in Dose-Ranging Trials

기술 요약: 용량 결정 시험에서 승자의 저주 완화 및 다중성 제어

문제 정의
2상 용량 결정 시험(Phase II dose-ranging trials)은 일반적으로 $K$개의 활성 용량을 대조군과 함께 무작위 배정하고, 임상적으로 의미 있는 효과를 가진 용량을 식별하기 위해 축적되는 데이터를 반복적으로 분석한다. 이러한 표준 관행은 두 가지 뚜렷한 통계적 과제를 야기한다:

1. 승자의 저주 (선택 낙관주의, Selection Optimism): 가장 큰 관측 효과($\hat{\delta}_{\max}$)를 가진 용량을 선택하는 것은 상향 편향(upward bias)을 생성한다. 개별 추정치들이 비편향적이라 하더라도, $K$개 추정치 중 최대값은 그것이 크다는 이유로 선택되었기 때문에 낙관적으로 편향된다.
2. 다중성 (Multiplicity): 데이터를 시간에 따라 반복적으로 확인(중간 분석)하고 여러 용량에 걸쳐 분석하는 것은 제1종 오류율을 팽창시킨다. 표준적인 다중성 보정(예: Dunnett's test)은 고정된 시점에서의 오류는 제어하지만, 선택된 최댓값의 편향은 고려하지 못하며, 반대로 편향 보정 방식은 데이터의 반복적인 "엿보기(peeking)"를 허용하지 않는다.

본 논문은 언제든 유효한 추론(anytime-valid inference), 즉 임의의 정지 시간(stopping time)에서도 전역적 제1종 오류율(가짜 "go" 결정을 내릴 확률)을 제어하면서 동시에 선택된 최댓값의 내재적 낙관성을 보정하는 방법론의 필요성을 다룬다.

방법론
저자들은 **e-프로세스(e-processes)**와 **선택 프리미엄 항등식(selection premium identity)**에 기반한 새로운 통계적 프레임워크를 제안한다. 핵심 혁신은 "승자의 저주"를 단순히 차감해야 할 편향으로 보는 것이 아니라, 마팅게일 기반 검정 프레임워크 내에서 고려되어야 할 예측 가능한 드리프트(drift)로 취급하는 것이다.

1. 선택 프리미엄 항등식 (The Selection Premium Identity):
   이 방법은 새로운 노이즈를 관찰한 후 리더(현재 가장 좋은 용량)를 교체할 수 있는 옵션을 유지함으로써 얻는 기대 1단계 이득을 정량화하는 "선택 프리미엄" 함수 $sp_L(u)$를 활용한다.

   • $S_{t,k}$를 $t$ 시점, $k$ 용량의 누적 중심 노이즈라고 하자.
   • 선택 프리미엄은 $sp_L(u) = E[\max_k(u_k + \eta_k)] - \max_k u_k$로 정의되며, 여기서 $\eta$는 다음 노이즈 증분의 분포를 나타낸다.
   • 이 프리미엄은 새로운 데이터에 의해 다른 용량이 리더가 될 가능성을 기다리는 것에 대한 "옵션 가치"를 나타낸다.

2. 등가 마진 참조 모델 (The Equal-Margin Reference):
   실제 효과를 모르는 상태에서 프리미엄을 계산하기 위해, 이 방법은 모든 용량이 동일한 효과 $\delta$를 갖는 "등가 마진" 참조 모델을 사용한다. 저자들은 이 등가 마진 구성하에서의 선택 프리미엄이 어떠한 이질적인 용량-반응 형태 하에서도 기대 낙관성을 나타내는 보수적인 포괄 범위(conservative envelope) 역할을 한다는 것을 증명했다. 이를 통해 이 절차는 실제 용량-반응 형태와 관계없이 유효한 "선택 비용(selection fee)"을 부과할 수 있다.

3. E-프로세스의 구축:
   이 절차는 보정된 잔차 프로세스 $R_t(\delta)$를 구축한다:
   $$R_t(\delta) = G_t(\delta) - A_t(\delta)$$
   여기서:

   • $G_t(\delta)$는 누적 점수(최대 효과에서 후보 마진 $\delta$를 뺀 값)이다.
   • $A_t(\delta) = \sum_{s=1}^t a_s(\delta)$는 누적 **선택 비용(selection charge)**이며, 여기서 $a_s$는 현재 상태(특히, 동률인 리더의 수)에 따라 계산된 선택 프리미엄이다.
   • 이 예측 가능한 상향 드리프트($A_t$)를 차감함으로써, 잔차 $R_t$는 비양의 드리프트(non-positive drift)를 갖는 초마팅게일(supermartingale)이 된다.

4. 언제든 유효한 결정 규칙 (Anytime-Valid Decision Rule):
   이 방법은 베팅 파라미터 $\lambda$에 대한 하프-노멀 혼합(half-normal mixture)을 사용하여 보정된 잔차를 e-프로세스 $E_t(\delta)$로 변환한다. 최적의 실제 효과 $\delta^*$가 임상적 마진 $\delta_0$를 초과한다는 "전역적 go"를 선언하는 결정 규칙은 다음과 같다:
   $$\hat{\delta}_{\max, t} \geq \delta_0 + \frac{A_t(\delta_0)}{n_t} + \frac{q_\alpha(V_t; \rho)}{n_t}$$

   • $\hat{\delta}_{\max, t}$: 관측된 최대 효과.
   • $A_t(\delta_0)/n_t$: 선택 비용 (승자의 저주를 보정).
   • $q_\alpha(V_t; \rho)/n_t$: 모니터링 마진 (e-프로세스 경계로부터 도출된 반복적 관찰에 대한 보정).
   • $n_t$: 팔(arm)당 누적 표본 크기.

   저자들은 가우시안 결과(수치 적분 또는 몬테카를로를 통한 프리미엄 계산 사용)와 이항 결과(동률 리더의 수 $r_t$에 기반한 폐쇄형 해법 사용)에 대한 구체적인 구현을 제공한다.

주요 기여

• 통합된 보정: 이 논문은 제1종 오류 제어(e-프로세스 경계)와 선택 편향 보정(선택 비용)을 분리하면서도, 이를 하나의 결정 규칙으로 통합한다.
• 상태 의존적 프리미엄: 정적인 보정과 달리, 선택 비용은 동적이다. 이는 용량 간 동률(ties)이 발생할 때(리더에 대한 불확실성이 높을 때) 높아지며, 고유한 리더가 등장함에 따라 0으로 감소하여 "옵션 가치"가 줄어듦을 반영한다.
• 언제든 유효한 신뢰 구간 (Anytime-Valid Confidence Sequences): 모든 후보 마진 $\delta$에 대해 이 테스트를 역전시킴으로써, $\delta^*$(최적의 실제 효과)에 대한 언제든 유효한 하한 신뢰 구간을 생성하며, 이 하한이 표본 크기가 증가함에 따라 실제 효과로 수렴하도록 보장한다.
• 강건성: 이 방법은 특정 용량-반응 모델(예: Emax, 로지스틱)이나 추세 가정에 의존하지 않으므로, 용량-반응 형태를 알 수 없는 탐색적 시험에 적용 가능하다.

결과 및 성능

• 제1종 오류 제어: 시뮬레이션 연구는 제안된 규칙이 연속적인 모니터링과 임의의 정지 시간 하에서도 명목 수준 $\alpha$(예: 0.05)에서 제1종 오류율(거짓 "go" 확률)을 엄격하게 제어함을 확인했다. 반면, 고정된 시점의 임계값(Dunnt's test 등)을 계획되지 않은 중간 분석에 적용하면 심각한 제1종 오류 팽창(시뮬레이션에서 최대 24%)이 발생한다.
• 검정력 및 효율성: 이 방법은 임상적 마진을 초과하는 효과를 탐지하는 데 합리적인 검정력을 보여준다. "선택 비용"이 초기 단계(동률이 흔할 때)에는 비용을 부과하지만, 이 비용은 고유한 리더가 등장함에 따라 점차 사라진다.
• 이항 결과: 이항 종점의 경우, 이 방법은 동률 리더의 수만을 사용하여 선택 비용을 계산하므로 계산 효율성이 매우 높다. 시뮬레이션 결과, 실제 효과가 충분히 클 때 절차가 "go" 결정을 올바르게 식별하며, 하한 신뢰 구간이 실제 효과로 수렴함을 보여주었다.
• 비교: 제안된 방법은 팔 단위 유니온 e-프로세스(armwise union e-processes) 및 고정 시점 max-z 검정과 비교되었다. 팔 단위 e-프로세스가 일부 시나리오에서 약간 더 높은 검정력을 제공할 수 있지만, 제안된 방법은 개별 팔을 독립적으로 검정하는 것이 아니라 최댓값의 선택 과정을 명시적으로 모델링한다는 점에서 뚜렷한 이점을 가진다.

의의 및 주장
본 논문은 용량 결정 시험에서 프로그램 수준의 활성 증명(proof-of-activity)을 위한 수학적으로 명시적이고 운영상 투명한 솔루션을 제공한다고 주장한다.

• 범위: 이 방법은 범위 내의 적어도 하나의 용량이 임상적 마진을 초과하는지를 테스트하고, 최적의 실제 효과에 대한 하한을 제공하기 위해 설계되었다.
• 한계: 저자들은 이 방법이 실제 최적의 용량을 식별(localization)하거나, 선택된 용량의 효과에 대한 비편향 추정치를 제공하는 것은 아님을 명시했다. 또한 이는 용량-반응 모델링, 안전성 평가, 또는 이익-위험 평가를 대체하지 않는다.
• 가치: 주요 기여는 반복적인 데이터 모니터링으로 인해 제1종 오류를 팽창시키지 않으면서도, 승자의 편향을 고려한 결정을 내릴 수 있는 유연한 적응형 시험 설계를 제공하는 것이다. 선택 비용은 낙관주의에 대한 비용을 정량화하는 "장부" 역할을 하며, 원시 증거가 선택의 과정과 반복적인 모니터링의 비용을 모두 지불하고도 견고함이 유지될 때만 "go" 결정이 내려지도록 보장한다.

결론적으로, 이 접근 방식은 승자가 동적으로 선택되는 환경에서 언제든 유효한 추론을 위한 엄격한 프레임워크를 제공함으로써, 선택 편향 보정과 순차적 가설 검정 사이의 간극을 메운다.