Causal Inference of Ordinal Outcomes: A Bayesian Solution

기술 요약: 서열형 결과의 인과 추론: 베이지안 솔루션

문제 정의
무작위 실험은 종종 서열형 결과(예: 통증 점수, 만족도 등급)를 산출하는데, 이 범주들은 의미 있는 순서는 갖추고 있으나 수치적 간격이 동일하지는 않습니다. 결과적으로, 평균 처치 효과(ATE)와 같은 표준 인과 추론량(estimands)은 해석이 불가능한 경우가 많습니다. 분포적 인과 효과(DCE)나 오즈비 인과 효과(Odds Ratio Causal Effect)와 같은 대안적인 인과 추론량들이 존재하지만, 이들은 일반적으로 $K$차원의 값을 가지며 간결함이 부족합니다. 보다 최근에 Lu 등(2018)은 두 가지 1차원 인과 추론량인 $\tau$(처치가 유익하거나 중립적일 확률, $Y(1) \le Y(0)$)와 $\eta$(처치가 엄격히 유익할 확률, $Y(1) < Y(0)$)를 제안했습니다. 그러나 이러한 인과 추론량들은 관측된 데이터로부터 일반적으로 식별 불가능하며(unidentifiable), 이는 잠재적 결과들 사이의 독립성(independence of potential outcomes)과 같은 강력한 가정이 없으면 불가능합니다. 이를 해결하기 위한 기존의 비모수적 접근법(예: 날카로운 경계값(sharp bounds) 도출)은 종종 너무 넓은 구간(예: 0에서 1까지)을 생성하여 유의미한 인과적 결론을 내리는 데 실패합니다.

방법론
저자들은 식별 문제를 해결하고 초모집단(super-population) 및 유한 모집단(finite-population) 설정 모두에 대해 일관된 추론을 수행하기 위해 베이지안 잠재 변수 프레임워크를 제안합니다.

1. 잠재 변수 모델: 이 접근법은 순서형 프로빗 모델(ordered probit model)을 활용합니다. 이는 절단점(cutpoints) $\alpha$에 의해 정의되는 이산화 함수를 통해 관측된 서열형 결과 $Y(1)$ 및 $Y(0)$로 매핑되는 연속적인 잠재 변수 $Z(1)$과 $Z(0)$가 존재한다고 가정합니다. 잠재 변수는 다음과 같이 모델링됩니다:
   $$Z_i(w) = X_i^T \beta + \epsilon_i(w)$$
   여기서 오차항 $\epsilon_i(w)$는 상관계수 $\rho = \text{corr}(\epsilon_i(1), \epsilon_i(0))$를 갖는 이변량 정규 분포를 따릅니다. 파라미터 $\beta_W$는 처치 효과를 나타냅니다.

2. 식별 및 민감도: 연관성 파라미터 $\rho$는 관측된 데이터로부터 식별되지 않습니다. Volfovsky 등(2015)의 연구를 따라, 저자들은 $\rho$를 민감도 파라미터로 취급합니다. 저자들은 $\rho$가 $\tau$와 $\eta$에 미치는 영향을 이론적으로 조사하여, 그 관계가 비단조적(non-monotonic)임에도 불구하고 처치 효과의 크기가 커질수록 민감도가 감소함을 증명합니다. 또한, 다양한 $\rho$ 값의 범위에 따라 추론이 어떻게 변화하는지 평가하기 위한 민감도 분석을 제안합니다.

3. 베이지안 추론:

   • 초모집단(Super Population): 가상의 모집단 분포에 대한 추론이 이루어집니다. $\tau^{sp}$와 $\eta^{sp}$의 사후 분포는 공변량 분포에 대한 적분을 통해 도출됩니다.
   • 유한 모집단(Finite Population): 특정 $N$개 단위에 대한 추론으로 제한됩니다. 이를 위해 잠재 모델과 상관관계 $\rho$로부터 도출된 사후 예측 분포를 사용하여 누락된 반사실적 결과($Y^{mis}$)를 임퓨테이션(imputing)합니다.
   • 계산: 저자들은 파라미터($\alpha, \beta$)와 잠재 변수($Z$)의 결합 사후 분포로부터 샘플링하기 위해 깁스 샘플링(Gibbs sampling) 알고리즘을 사용합니다. 이 알고리즘은 회귀 계수, 절단된 정규 분포를 따르는 잠재 변수, 그리고 제약 조건 내에서의 절단점을 반복적으로 샘플링한 후, 인과 추론량을 계산합니다.

주요 결과
본 논문은 광범적인 시뮬레이션 연구와 인간 두피 건강에 관한 무작위 실험에 대한 실제 적용을 통해 방법론을 검증합니다.

• 시뮬레이션 연구:

  • 정밀도: $\tau$와 $\eta$에 대한 베이지안 사후 추정치는 비모수적 날카로운 경계값(sharp bounds)에 비해 실질적으로 더 정밀한(좁은) 신용 구간(credible intervals)을 제공합니다. 날파한 경계값이 종종 [0, 1] 전체 범위를 포괄하는 반면, 베이지안 추정치는 높은 사후 포함 확률(95%에 근접)을 가진 정밀한 점 추정치를 제공합니다.
  • 강건성: 이 방법은 다양한 표본 크기($N=100$에서 $500$)와 결과 범주의 수($K=3, 5, 7$)에 걸쳐 잘 작동합니다.
  • 민감도 분석: 저자들은 $\eta$가 다양한 $\rho$ 값에 대해 상대적으로 안정적인 반면, $\tau$는 더 민감하다는 것을 발견했습니다. 저자들은 실질적인 $\rho \in [0, 0.5]$ 범위를 권장합니다. 이 범위를 넘어서면 단위 수준의 상관관계가 처치 효과를 압도하기 시작하여 추론이 어려워집니다.

• 실제 적용 (두피 건강):

  • 4개의 서열형 범주를 가진 95개 단위(처치군 46, 대조군 49)의 데이터에 적용되었습니다.
  • 비모수적 경계값은 넓고 정보가 부족했습니다(예: $\eta$ 경계값이 0.0에서 0.7).
  • 베이지안 모델은 해석 가능한 결과를 제공했습니다: 약 80%의 단위가 혜택을 받았거나 영향을 받지 않았으며($\tau \approx 0.8$), 약 30%는 엄격한 개선을 경험했습니다($\eta \approx 0.3$).
  • 분석 결과, 8개의 두피 구역에 걸친 공간적 이질성이 드러났으며, 전두부 구역이 후두부 구역보다 더 강한 처치 효과를 보였습니다.

의의 및 주장
본 논문은 제안된 베이지안 프레임워크가 서열형 결과의 인과 추론에 있어 해석 가능성과 식별 가능성 사이의 간극을 성공적으로 메운다고 주장합니다. 잠재 변수 구조를 통해 잠재적 결과들의 결합 분포를 모델링함으로써, 유용하지 않을 정도로 지나치게 넓은 기존의 비모수적 경계값의 한계를 극복합니다.

저자들은 자신들의 접근 방식이 연구자로 하여데 다음과 같은 능력을 부여한다고 단언합니다:

1. 초모집단 및 유한 모집단 설정 모두에 대해 일관된 추론을 도출할 수 있습니다.
2. 처치가 유익한지 여부뿐만 아니라, 얼마나 많이, 그리고 어느 정도의 확신으로 그러한지를 정량화할 수 있습니다.
3. 민감도 분석을 통해 알려지지 않은 잠재적 결과 간의 연관성에 대한 결론의 강건성을 평가할 수 있습니다.

이 연구는 서열형 결과가 흔히 발생하는 과학적 응용 분야에서, 현재의 경계값 기반 방법보다 우수한 의사결정 관련 평가를 제공하는 실질적인 솔루션으로 제시됩니다.