Debiased inference for proximal dose-response function

기술 요약: 근접 용량-반응 함수를 위한 편향 제거 추론 (Debiased Inference for Proximal Dose-Response Function)

문제 정의
본 논문은 미측정 혼란 변수(unmeasured confounding)가 존재하는 상황에서 연속적 처치(continuous treatments) 하의 인과적 용량-반응 곡선 $\theta(a) = E\{Y(a)\}$에 대한 비모수적 추론 문제를 다룬다. 연속적 처치에 대해 미측정 혼란이 없다는 가정하에 광범는 문헌(예: Hirano and Imbens, 2004; Calonico et al., 2018)이 존재하지만, 관측 연구에서 이러한 가정은 사회경제적, 행동적 또는 생물학적 요인의 불완전한 기록으로 인해 유지되기 어려운 경우가 많다. 잠재적 혼란 변수는 표준적인 추정과 불확실성 정량화를 무효화한다.

본 논문은 관측된 공변량($X$)이 불충분할 때 인과 효과를 식별하기 위해 처치 유도(treatment-inducing, $Z$) 및 결과 유도(outcome-inducing, $W$) 혼란 프록시(proxies)를 활용하는 근접 인과 추론(proximal causal inference) 프레임워크를 활용한다. Wu 등(2024)이 최근 이 설정에 대해 커널 국소화된 증강 추정량(kernel-localized augmented estimator)을 제안했으나, 그들의 연구는 점별 편향-분산 비율(pointwise bias-variance rates)만을 확립했을 뿐, 실행 가능한 점근적 분포, 표준 오차, 신뢰 구간 또는 동시 신뢰 띠(simultaneous confidence bands)를 제공하지 못했다. 또한, 평균 제곱 오차(MSE) 최적 대역폭(bandwidth)에서 주된 편향(leading bias)은 일반적으로 표준 오차와 동일한 차수(order)를 가지며, 이는 추론을 어렵게 만든다.

방법론
저자들은 근접 조정(proximal adjustment)과 곡선 학습(curve learning)을 분리하는 새로운 편향 제거 추론 프레임워크를 제안한다. 방법론은 다음 세 단계로 진행된다:

1. 근접 이중 강건 의사 결과물 (Proximal Doubly Robust Pseudo-Outcome):
   저자들은 처치-브릿지 가중치가 적용된 결과-브릿지 잔차(treatment-bridge-weighted outcome-bridge residual)를 주변 결과-브릿지 평균(marginal outcome-bridge mean)에 더하여 구성된 모집단 의사 결과물 $\xi_{\text{prox}}(O; \tilde{q}, \tilde{h})$를 도입한다.
   $$\xi_{\text{prox}}(O; \tilde{q}, \tilde{h}) = \tilde{q}(Z, A, X)\{Y - \tilde{h}(W, A, X)\} + S_{\tilde{h}}(A)$$
   여기서 $S_{\tilde{h}}(a) = E\{\tilde{h}(W, a, X)\}$이다. 정리 1은 결과 브릿지 $\tilde{h}$ 또는 처치 브릿지 $\tilde{q}$ 중 하나만 올바르게 지정되어도 이 의사 결과물의 처치 $A=a$에 대한 조건부 평균이 실제 용량-반응 곡선 $\theta(a)$와 같음을 입증한다. 이러한 "근접 이중 강건(proximal doubly robust)" 특성은 브릿지 함수들의 유연한 추정을 가능하게 한다.

2. 국소 다항식 적합을 통한 편향 제거 추정 (Debiased Estimation via Local-Polynomial Fitting):
   $\theta(a)$를 추정하기 위해, 저자들은 곡선을 위한 대역폭 $h$를 가진 국소 선형 적합(local-linear fit)과 편향 수정을 위해 필요한 2차 도함수를 추정하기 위한 대역폭 $b$를 가진 국소 이차 적합(local-quadratic fit)을 사용한다.

• 영향 함수 (Influence Function): 저자들은 편향 수정의 확률적 기여를 고려하여 평활화된 표적 매개변수에 대한 효율적 영향 함수(efficient influence function)를 도출한다.
• 교차 적합 (Cross-Fitting): 엔트로피 또는 Donsker 조건을 부과하지 않고 고복잡도 브릿지 함수를 수용하기 위해, 저자들은 교차 적합 추정량을 사용한다. 데이터는 폴드(folds)로 나뉘며, 브릿지 함수는 훈련 폴드에서 추정되어 검증 폴드에 적용된다. 이는 누설 함수 클래스(nuisance classes)에 대한 균등 수렴율이나 복잡성 제한을 피하게 해준다.
• 편향 수정 (Bias Correction): 언더스무딩(undersmoothing, $h \to 0$이 MSE 최적 속도보다 빠르게 감소하는 것)을 요구하는 이전 방식들과 달리, 이 방법은 2차 도함수의 추정 오차를 극한 분산에 반영하는 국소 이차 수정을 사용한다. 이를 통해 $h \asymp b \asymp n^{-1/5}$인 MSE 최적 차수에서도 언더스무딩 없이 추정이 가능하다.

3. 추론 및 대역폭 선택 (Inference and Bandwidth Selection):
   논문은 점별 및 유한 차원 점근적 정규성, 콤팩트 처치 구간에 대한 균등 가우시안 근사, 플러그인 규칙(추정된 적분 MSE 최소화 또는 직접 척도 규칙 사용) 및 leave-one-out 교차 검증에 기반한 데이터 적응형 대역폭 선택기를 포함한 실용적인 추론 도구를 개발한다.

주요 기여
본 논문의 주요 기여는 네 가지이다:

1. 이론적 항등식 (Theoretical Identity): 연속적 처치에 대한 근접 이중 강건 회귀 항등식을 확립하여, 단일 브릿지 정확성 하에서 조건부 평균이 용량-반응 곡선과 일치하는 의사 결과물을 공식화하였다.
2. 편향 제거 추정량 구축 (Debiased Estimator Construction): 국소 이차 편향 수정을 갖춘 교차 적합 국소 선형 추정량을 구축하였다. 결정적으로, 편향 수정의 확률적 기여를 포함하는 영향 함수 표현을 도출함으로써, 언더스무딩 없이 MSE 최적 대역폭에서 유효한 추론을 가능하게 하였다.
3. 완화된 정규성 조건 (Relaxed Regularity Conditions): 본 이론적 프레임워크는 표적 곡선 $\theta$, 주변 처치 밀도, 그리고 조건부 의사 결과 분산에 대해서만 매끄러움(smoothness)을 요구한다. 이는 균등 추론을 위해 필요했던 브릿지 추정량의 sup-norm 수렴율이나 Lipschitz 조건을 피한다. 교차 적합의 사용은 브릿지 추정 클래스에 대한 엔트로피 제한을 더욱 제거한다.
4. 실제 구현 (Practical Implementation): 실용적인 대역폭 선택기를 개발 및 비교하였으며, 점별 신뢰 구간과 동시 신뢰 띠를 구축하는 방법을 제공한다.

결과

• 점근 이론 (Asymptotic Theory): 저자들은 추정량의 점별 및 유한 차원 점근적 정규성을 확립한다. 또한 콤팩트 처치 구간에 대한 균등 가우시안 근사를 증명하여, 스튜던트화된 추정량 프로세스가 타이트한 가우시안 프로세스로 수렴함을 보여준다.
• 시뮬레이션 연구 (Simulation Studies): 다양한 누설 지정 체제(두 브릿지 모두 정확, 하나만 정확, 둘 다 부정확) 하에서의 광범위한 시뮬레이션은 제안된 추정량이 명목상의 점별 및 동시 커버리지를 달성함을 보여준다. 추정량은 브릿지 함수 중 하나만 정확히 지정된 경우에도 커버리지를 유지하는 강건성을 보인다. 편향 수정된 추정량(PDR)은 언더스무딩된 국소 선형 경쟁 모델(ProxLL-US)에 비해 일관되게 더 좁은 신뢰 구간과 낮은 적분 평균 제곱 오차를 나타낸다.
• 실제 데이터 적용 (Real Data Application): 본 방법은 낙태 합법화와 범죄율 사이의 연구(Donohue and Levitt, 2001)에 적용되었다. 여러 프록시를 가진 주-연도 패널 데이터를 사용하여, 제안된 추정량은 생성 모델로부터 도출된 실제 용량-반응 곡선을 높은 정확도로 성공적으로 회복하였다(MSE 0.0025 ~ 0.0052). 이는 Wu 등(2024)이 보고한 벤치마크를 능가하는 성능이다. 결과는 낙태율과 이후의 살인율 사이의 음(-)의 용량-반응 관계를 뒷받침한다.

의의 및 주장
본 논문은 언더스무딩에 의존하지 않는 실행 가능한 추론 프레임워크(표준 오차, 신뢰 구간 및 띠)를 제공함으로써, 연속적 처치에 대한 근접 인과 추론의 중요한 공백을 메운다고 주장한다. 교차 적합과 새로운 편향 수정 전략을 활용함으로써, 이 방법은 MSE 최적 수렴 속도를 달성하는 동시에 미측정 혼란 하에서도 유효한 불확실성 정량화를 유지한다. 저자들은 이 접근 방식이 제한적인 엔트로피 조건 없이 고차원적인 누설 추정량을 사용할 수 있게 하여, 현대의 복잡한 데이터 구조에 적용 가능하게 만든다는 점을 강조한다. 시뮬레이션 및 실제 데이터 결과는 제안된 방법이 브릿지 함수의 모델 오지정(misspecification)에 대해 강건하며 실무적인 환경에서 경쟁력 있는 성능을 보임을 시사한다.