A Novel Approach to Instrumental Variable Estimation: TEAM-IV

기술 요약: TEAM-IV

문제 정의
도구 변수(Instrumental variable, IV) 분석은 미측정 혼란 변수가 존재하는 상황에서 인과 효과를 추정하기 위한 표준적인 접근 방식이다. 그러나 IV 추정치의 타당성은 도구 변수가 오직 노출(exposure)을 통해서만 결과에 영향을 미친다는 배제 제약(exclusion restriction)에 의존한다. 실제 상황, 특히 멘델 무작위 배정(Mendelian randomization) 연구에서는 도구 변수가 직접 효과(수평적 다표현성, horizontal pleiotropy)를 통해 이 제약을 위반하는 경우가 빈번하다. sisVIVE 및 CIIV와 같은 기존의 강건한 IV 방법들은 유효한 도구 변수가 후보 집합의 절반 이상(또는 최대 다수)을 차지해야 한다는 "다수 유효성(majority-validity)" 또는 "다수 우위(plurality-validity)" 조건을 전제로 한다. 이러한 방법들은 유효하지 않은 도구 변수가 만연하거나, 직접 효과가 크거나, 혹은 다수 조건이 위반되는 경우 실패하거나 편향된 추정치를 생성할 수 있다.

방법론: TEAM-IV
저자들은 유효한 도구 변수들이 함께 유효해 보이는 집합("팀", teams)을 식별하고 결합함으로써, 단 몇 개의 후보 도구 변수만이 유효하더라도 신뢰할 수 있는 추정을 가능하게 하도록 설계된 새로운 접근 방식인 TEAM-IV(Team-based Instrumental Variable estimation)를 제안한다. 이 방법은 네 가지 주요 단계로 진행된다:

1. 릿지 기반 정렬(Ridge-Based Ordering): 직접 효과 추정을 왜곡할 수 있는 도구 강도의 이질성을 완화하기 위해, 저자들은 먼저 노출 벡터의 투영이 균일한 도구 강도에 대응하도록 조정된 노출 벡터($d_{adj}$)를 구성한다. 그 후 릿지 페널티 모델을 적합시켜 직접 효과($\hat{\alpha}$)를 추정하고, 이 추정치를 기준으로 도구들을 정렬한다. 이론적 결과에 따르면, 대칭적인 모집단 체제 하에서 이 정렬은 유효한 도구들을 연속적인 블록 내에 배치한다.
2. 윈도우 기반 MCP를 통한 팀 구성: 정렬된 도구들은 겹치는 연속 윈도우(overlapping contiguous windows)를 통해 분석된다. 각 윈도우 내에서는 직접 효과를 추정하기 위해 MCP(Minimax Concave Penalty) 회귀가 적합된다. "팀성(teamness)" 행렬은 윈도우 전반에 걸쳐 쌍방향 증거(dyadic evidence)를 집계하여 구축된다. 즉, 직접 효과가 함께 0으로 축소되는(concordant validity status를 나타내는) 도구들이 하나의 후보 "팀"으로 그룹화된다.
3. 교차 검증 평가: 각 후보 팀은 잠재적인 유효 도구 집합으로서 평가된다. 이 방법은 sisVIVE 스타일의 교차 검증 기준을 사용한다. 후보 유효 집합 $G$에 대해, 나머지 도구들($G^c$)은 투영된 노출에 대한 결과의 회귀 분석에서 공변량(covariates)으로 취급된다. 표본 외 예측 위험(out-of-sample prediction risk)은 K-폴드 교차 검증을 통해 추정된다. 유효하지 않은 도구(공변량 세트에서 제외된 도구)를 포함하는 팀은 더 높은 예측 위험을 가질 것으로 예상된다.
4. 합집합 및 추정: 최종적인 유효 도구 집합은 "최적에 가까운(near-best)" 팀들(최소 위험의 1 표준 오차 이내에 있는 팀들)의 합집합으로 정의된다. 이후 인과 효과는 2단계 최소제곱법(2SLS)을 사용하여 추정되는데, 이때 선택된 합집합 내의 도구들은 제외된 도구(excluded instruments)로 사용되며, 유효하지 않은 것으로 분류된 도구들은 그들의 직접 효과를 조정하기 위한 외생적 공변량으로 포함된다.

주요 기여

• 새로운 선택 절차: 본 논문은 단일 페널티 적합에 의존하는 대신, 여러 개의 후보 유효 도구 집합을 구축하는 팀 기반 선택 및 집계 절차를 도입한다.
• 이론적 결과: 저자들은 두 가지 이론적 특성을 확립한다:
  1. 복합 대칭 공분산을 가진 단순화된 대칭 모집단 체제 하에서, 릿지 기반 정렬은 유효한 도구들을 점근적으로 연속적인 블록에 배치한다.
  2. 윈도우별 MCP 추정량은 직접 효과가 0이 아니더라도, 윈도우 내의 유효한 도구들에 대해 점근적으로 공통된 부호-허용 오차(sign-with-tolerance) 분류를 할당한다.
• 유효성 결여에 대한 강건성: 이 방법은 유효하지 않은 도구 변수가 후보 집합의 다수를 차지하는 시나리오에서도 작동하도록 설계되었으며, 이는 sisVIVE와 CIIV가 흔히 어려움을 겪는 상황이다.

시뮬레이션 및 실증 결과

• 시뮬레이션 연구: 유효하지 않은 직접 효과의 수, 크기, 부호, 도구 간 상관관계, 그리고 노출의 내생성을 변화시키며 수행한 시뮬레이션 전반에서, TEAM-IV는 일반적으로 sisVIVE 및 CIIV보다 낮은 절대 추정 오차를 달성했다.
  • 상대적 이득은 유효하지 않은 도구가 만연하여(다수 유효 조건을 위반하여) 혹은 직접 효과가 클 때 가장 컸다.
  • TEAM-IV는 상관관계가 있는 도구(자기회귀 및 복합 대칭 구조)와 혼합된 부호의 직접 효과 하에서도 강건함을 유지했으나, 혼합 부호 설정에서는 sisVIVE와의 성능 격차가 좁혀졌다.
• MESA 적용: 이 방법은 LDL 콜레스테롤이 경동맥 내중막 두께(IMT)에 미치는 영향을 추정하기 위해 다민족 심혈관 연구(MESA)에 적용되었다. 실증 분석에서 TEAM-IV와 sisVIVE 모두 8개의 후보 SNP를 모두 유지하였으며 동일한 점 추정치($\hat{\beta} = 2.19$)를 산출했다.
• 검증 연구: 두 가지 데이터 기반 검증 연구는 방법론 간의 차이를 강조했다:
  1. 적대적 스트레스 테스트: 의도적으로 유효하지 않은 결과 정보 기반 의사 도구(pseudo-instruments)를 사용했을 때, TEAM-IV는 의사 도구의 100%를 유효하지 않다고 정확히 식별한 반면, sisVIVE는 1.2%만을 식별했다. TEAM-IV의 추정치는 sisVIVE보다 경험적 참조값에 더 근접했다.
  2. 준합성 결과(Semi-Synthetic Outcome): 도구의 62.5%가 유효하지 않은 것으로 알려진 실제 정답(ground truth)이 있는 설정에서, TEAM-IV는 sisVIVE에 비해 완벽한 도구 분류(민감도 및 특이도 100%)를 달행했으며 더 낮은 편향(bias), MAE, RMSE를 기록했다.

의의 및 주장
본 논문은 TEAM-IV가 기존의 페널티 IV 방법들과 비교하여, 특히 유효하지 않은 도구가 많거나 강한 도전적인 구성에서 강력한 대안이 될 수 있다고 주장한다. 저자들은 TEAM-IV가 유효하지 않은 도구가 다수를 차지하는 시뮬레이션에서 "일반적으로" sisVIVE 및 CIIV보다 더 정확하다고 강조한다.

그러나 저자들은 다음과 같이 신중한 태도를 유지한다:

• 그들은 결과가 "검토된 데이터 생성 메커니즘 하에서" TEAM-IV의 강건성을 뒷받침한다고 명시하며, 이것이 "모든 도구 변수 설정에 대한 보편적 우월성"을 의미하는 것은 아니라고 밝힌다.
• 경험적 MESA 분석에서 두 방법 간의 일치는 도구의 유효성을 입증하는 것이 아니며, 특히 약한 공동 1단계 F-통계량을 고려할 때 그러하다고 언급한다.
• 저자들은 시뮬레이션에서의 고정된 샘플 크기($n=2000$)와 적은 수의 도구($L=10$) 사용을 포함한 한계를 인정하며, $n$ 대비 $L$이 큰 설정에 대한 향후 연구, 선택에 대한 이론적 보장, 그리고 유효한 불확실성 정량화에 대한 필요성을 제기한다.

결론적으로, 본 논문은 페널티가 부여된 도구 선택 방법과 사후 선택 2SLS를 결합하면 직접적인 도구 효과에 대해 상당한 강건성을 제공할 수 있으며, 특히 TEAM-IV는 기존 방법들이 요구하는 다수 유효 조건을 위반하는 유효하지 않은 도구가 많을 때 매우 유망하다고 결론짓는다.