📊 통계학

A Bayesian Alternative to the Two One-Sided Tests (TOST) Procedure: State of the Art and a Proposal for a Generalized Bayesian Equivalence Model

본 논문은 연속형 및 이산형 소스 모두로부터의 과거 데이터를 공식적으로 통합하고 조절 가능한 방식으로 할인하며, 다섯 가지 독창적인 이론적 결과를 확립하고 동등성 검정을 위한 재현 가능한 R 구현을 제공함으로써, 고전적인 TOST 절차의 한계를 극복하는 전력 할인 사전 분포를 이용한 일반화된 베이지안 TOST(GBT-PP)를 제안한다.

원저자: Antonio Monleon-Getino

게시일 2026-10-13

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Antonio Monleon-Getino

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

의학 연구 분야에서 과학자들은 종종 일반적인 질문과는 정반대되는 질문에 직면하곤 합니다. 새로운 치료법이 기존의 치료법과 다른지를 묻는 대신, 그것이 실질적으로 동일한지를 묻는 것입니다. 이것이 등가성 검정(equivalence testing)의 핵심이며, 제네릭 의약품이 브랜드 명의 제품만큼 효과적인지, 혹은 새로운 바이오시밀러를 사용하는 것이 안전한지를 입증하는 데 필수적인 통계적 도구입니다. 수십 년 동안 이 질문에 답하는 표준적인 방법은 '양측 단측 검정(Two One-Sided Tests, TOST)'이라 불리는 방식이었습니다. 이 접근법은 엄격한 문지기처럼 작동합니다. 두 치료법 사이의 차이가 사전에 합의된 '실질적 동일성 영역(zone of practical sameness)' 안에 들어올 만큼 충분히 작은지를 확인합니다. 데이터가 이 영역 안에 완전히 들어맞으면 두 치료법은 동등하다고 선언됩니다. 이 방법은 단순하고 널리 사용되지만, 중대한 사각지대를 가지고 있습니다. 과거의 연구를 되돌아보며 학습하거나, 두 치료법이 진정으로 동일할 확률을 직접적으로 제시하지 못한다는 점입니다. 이는 단지 현재의 데이터만을 바탕으로 "예" 또는 "아니오"를 말할 뿐, 규제 기관과 연구자들이 점점 더 활용하고자 하는 풍부한 역사적 증거들을 무시합니다.

바르셀로나 대학교의 연구자 안토니오 몰레온-게티노(Antonio Monleón-Getino)는 이 문제를 해결하기 위한 새로운 방법을 제안했습니다. 그는 '감쇄된 사전 분포를 가진 일반화된 베이지안 TOST(Generalized Bayesian TOST with Power-Discounted Priors)'라는 프레임워크를 개발했습니다. 이것을 과거의 목소리에 귀를 기울이되 그에 휘둘리지는 않는, 더 똑똑하고 유연한 버전의 문지기라고 생각하면 됩니다. 이 새로운 방법은 혈압 수치와 같은 연속형 측정값이나 완치 환자 수와 같은 빈도 데이터 등 이전 연구로부터 얻은 데이터를 가져올 수 있게 해줍니다. 핵심 혁신은 '감쇄(discounting)' 메커로니즘입니다. 이는 과거의 목소리를 조절하는 볼륨 노브와 같습니다. 만약 과거의 데이터가 매우 신뢰할 만하다면 노브를 높여 새로운 분석이 그 데이터에 크게 의존하게 만듭니다. 반대로 과거의 데이터가 불확실하거나 다른 맥락에서 온 것이라면 노브를 낮추어 새로운 연구가 스스로 목소리를 낼 수 있게 합니다. 이 접근법은 서로 호환되지 않는 별개의 도구를 사용해야 했던 기존의 간극을 해결하며, 두 가지 유형의 데이터를 하나의 결정 규칙으로 통합합니다.

이 논문은 단순히 아이디어를 제안하는 데 그치지 않고, 다양한 조건 하에서 이 방법이 어떻게 작동하는지 증명합니다. 저자는 새로운 데이터가 수집됨에 따라 과거 데이터의 영향력이 자연스럽게 사라지며, 최종 결정이 항상 가장 최신의 증거에 의해 주도되도록 보장함을 보여줍니다. 이는 과거의 정보에 의존함으로써 결과가 왜곡될 수 있다는 흔한 우려를 해결하는 중요한 안전 장치입니다. 또한, 이 연구는 과거의 성과로부터 힘을 빌려올 때 새로운 연구의 규모를 얼마나 더 줄일 수 있는지에 대한 정확한 공식을 확립하여, 얼마나 많은 참가자를 절약할 수 있는지를 정량화합니다. 나아가, 이 논문은 계산 과정에서의 미묘한 함정을 지적합니다. 만약 과거에 대한 수학적 가정이 너무 모호하면, 데이터가 아무것도 말해주지 않음에도 불구하고 동등성에 대한 강력한 증거가 있다고 잘못 주장할 수 있습니다. 저자는 이를 피하기 위한 명확한 규칙을 제공하며, 과거에 대한 가정이 연구 시작 전에 반드시 고정되고 구체적이어야 한다고 강조합니다.

이 방법을 테스트하기 위해 저자는 두 가지 상세한 사례를 실행했습니다. 연속형 측정을 포함하는 한 시나리오에서, 새로운 방법은 과거 데이터에 더 많은 가중치가 부여됨에 따라 동등성에 대한 확신이 꾸준하고 예측 가능하게 증가함을 보여주었습니다. 완치율을 다룬 두 번째 시나리오에서, 이 방법은 중요한 현실 점검을 보여주었습니다. 즉, 만약 과거의 완치율이 현재의 완치율보다 실제로 더 낮았다면, 그 역사를 빌려오는 것이 새로운 치료법을 더 좋게 만드는 것이 아니라 오히려 더 나쁘게 보이게 만들었습니다. 이는 이 시스템이 정직하다는 것을 증명합니다. 즉, 과거를 맹목적으로 선호하는 것이 아니라, 그 통합이 동등성을 입증하는 데 도움이 되든 해가 되든 정확하게 통합한다는 것입니다. 또한, 이 논문은 방대한 컴퓨터 시뮬레이션 없이도 이러한 복잡한 계산을 수행할 수 있는 새로운 수학적 지름길을 도입하여, 방법을 더 빠르고 감사하기 쉽게 만들었습니다.

궁극적으로 이 연구는 '동일함'을 입증해야 하는 연구자들에게 엄격하고 통합된 경로를 제공합니다. 이는 기존의 경직된 통계 검정 규칙과 모든 가용 증거를 사용하고자 하는 현대적 요구 사이의 간극을 메워줍니다. 과거의 지식을 공식적으로 포함하면서도 최종 결정은 현재의 데이터에 확고히 뿌리를 두게 함으로써, 이 새로운 프레임워크는 두 치료법이 진정으로 동등한지에 대해 규제 기관과 과학자들에게 더 명확하고 정직한 그림을 제공합니다. 논문은 이 접근법이 실무에 적용될 준비가 되었음을 결론지으며, 차이를 증명하는 것만큼이나 차이의 부재를 증명하는 것이 중요한 생물학적 동등성 시험 및 기타 핵심 연구 분야에 즉시 적용할 수 있는 재현 가능한 도구를 제공합니다.

기술 요약: 이중 단측 검정(TOST)에 대한 베이지안 대안

문제 정의
동등성 검정은 생물학적 동등성, 바이오시밀러 개발, 그리고 재현성 연구에서 매우 중요한 통계적 과업으로, 효과가 사전에 지정된 무시할 수 있는 구간 $(-\delta, \delta)$ 내에 있음을 입증하는 것을 목표로 한다. 표준적인 빈도주의적 해법인 이중 단측 검정(TOST) 절차는 다음과 같은 세 가지 주요 한계점에 직면한다:

확률적 해석의 부재: 매개변수의 위치가 동등성 영역 내에 있는지에 대한 직접적인 확률 진술 대신, 이진적인 기각/비기각 결정을 내린다.
역사적 증거 통합 불가능: 규제 기관의 권고에도 불구하고, 이전의 생물학적 동등성 연구나 역사적 대조군 빈도와 같은 사전 또는 역사적 데이터를 공식적으로 통합할 수 있는 내재적 메커니즘이 부족하다.
비대칭성: 표준적인 영 가설 유의성 검정과 마찬가지로, TOST의 영 가설을 기각하지 못하는 것이 동등성에 대한 긍정적인 증거를 구성하지는 않는다. 이 절차는 그러한 경우 침묵을 지킨다.

베이지안 대안들(예: ROPE 접근법 및 구간-영 베이즈 인자)과 역사적 데이터 차입을 위한 방법론들(예: 파워 사전 분포)은 존재하지만, 문헌상에는 연속형 및 빈도 기반(계수) 역사적 데이터를 동시에 처리하면서 명시적이고 조절 가능한 할인 메커니즘을 갖춘 통합적이고 실무적으로 구현 가능한 프레임워크가 결여되어 있다. 또한, 이러한 통합 모델에 대한 폐쇄형 이론적 특성 또한 거의 제시되지 않았다.

방법론: 파워 할인 사전 분포를 이용한 일반화된 베이지안 TOST (GBT-PP)
본 논문은 GBT-PP를 제안하며, 이는 공액 업데이트(conjugate updating)와 파워 사전 분포(power priors)를 결합한 이중 결정 규칙을 통합한다.

사전 분포 도출 및 할인: 본 모델은 두 가지 형태의 역사적 데이터를 수용한다:
- 연속형: 평균( $\bar{x}_0$ ), 표준편차( $s_0$ ), 샘플 크기( $n_0$ )로 요약됨.
- 빈도형: $n_0$ 번의 시행 중 성공 횟수( $s_0$ )와 실패 횟수( $f_0$ )로 요약됨.
- 파워 할인 사전 분포: Ibrahim과 Chen(2000)을 따라, 역사적 가능도(likelihood)를 $w \in [0, 1]$ $w \in [0, 1]$ 의 거듭제곱으로 올린다. 이 가중치 $w$ $w$ 는 사전에 등록된 고정된 할인 계수 역할을 한다.
  - 연속형 데이터의 경우, 이는 분산이 $1/w$ 로 스케일링된 정규 분포(Normal prior)를 생성한다.
  - 빈도형 데이터의 경우, 이는 역사적 계수가 $w$ 로 스케일링된 베타 분포(Beta prior)를 생성한다.
- 본 모델은 비정규화된 파워 사전 분포와 관련된 기술적 병리 현상(Neuenschwander et al., 2009)을 피하기 위해 $w$ 를 계층적으로 추정하는 대신 고정하는 방식을 의도적으로 채택한다.
사후 업데이트:
- 연속형 사례는 정규-정규 공액(Normal-Normal conjugacy)을 활용한다.
- 빈도형 사례는 베타-이항 공액(Beta-Binomial conjugacy)을 활용한다.
- 사후 분포는 파워 할인된 사전 분포와 현재 연구의 가능도를 결합한다.
이중 결정 규칙: 다음의 두 조건이 모두 충족될 때만 동등성을 선언한다:
1. 사후 확률 ( $P_{eq}$ ): 동등성 영역 $E = (-\delta, \delta)$ 내의 사후 확률 질량이 임계값 $\gamma$ (예: 0.95)를 초과해야 한다.
2. 구간-영 베이즈 인자 ( $BF_{01}$ ): 구간 영 가설 $H_0: \theta \in E$ 와 $H_1: \theta \notin E$ 를 비교하는 베이즈 인자가 임계값 $BF^*$ (예: 3)를 초과해야 한다.
- 핵심 설계 특징: $BF_{01}$ 은 하이브리드 방식으로 계산된다. $P_{eq}$ 는 파워 할인된 사전 분포(즉, $w$ 에 의존)로부터 도출되는 반면, 베이즈 인자의 분모에 사용되는 사전 확률 $\pi_{eq}$ 는 $w$ 와 독립적인 별도의, 사전에 등록된 참조 사전 분포(reference prior) 하에서 계산된다. 이러한 디커플링(decoupling)은 참조 사전 분포가 확산됨에 따라 베이즈 인자가 사후 확률과 무관하게 무한대로 발산하는 제프리스-린들리 역설(Jeffreys–Lindley paradox)을 방지한다.
빈도 데이터에 대한 근사: 두 비율(two-proportion) 사례의 경우, 사후 동등 확률의 폐쇄형이 존재하지 않으므로, 본 논문은 몬테카를로 시뮬레이션의 왜도(skewness)를 보정한 대안으로서 결정론적인 에지워스 전개(Edgeworth expansion)(Proposition 6)를 제안한다.

주요 이론적 기여
본 논문은 부록 C에서 완전히 증명된 GBT-PP에 관한 다섯 가지 독창적인 이론적 결과를 확립한다:

사후 평균의 단조성 (Proposition 1): 사후 평균 $\theta_n(w)$ 는 할인 가중치 $w$ 에 대해 단조적이다. 변화의 방향은 정밀도(precision)의 비율에 의해 결정되며, 역사적 평균과 현재 추정치 사이의 불일치에 엄격히 종속된다.
점근적 일치성 (Theorem 2 & Corollary 3): 고정된 가중치 $w$ 에 관계없이, 현재 샘플 크기 $n \to \infty$ 임에 따라 GBT-PP 결정 규칙은 고전적 TOST 결정으로 확률 수렴한다. 이는 역사적 데이터 차입이 점근적으로 "해롭지 않으며", 결국 현재의 데이터가 추론을 지배하게 됨을 공식적으로 보여준다.
제프리스-린들리 유형의 역설 (Theorem 4): 베이즈 인자의 구성 요소로 사용되는 참조 사전 분포가 점점 더 확산될 경우, 데이터와 무관하게 베이즈 인자가 $+\infty$ 로 발산하는 역설을 규명한다. 이 결과는 참조 사전 분포의 분산이 임의로 커지는 것이 아니라, 고정되고 사전에 등록되어야 한다는 설계 권고를 뒷받침한다.
폐쇄형 표본 크기 공식 (Corollary 5): 목표 사후 동등 확률을 달기 위해 필요한 현재 샘플 크기를 계산하는 공식을 도출한다. 이는 역사적 정보를 차입함으로써 "절약된" 관측치의 수( $\Delta n^*$ )를 현재 연구의 분산 단위로 명시적으로 정량화한다.
에지워스 근사 (Proposition 6): 두 비율 사례의 사후 동등 확률을 위한 1차 에지워스 전개를 제공하여, 왜도 보정이 포함된 결정론적이고 감사 가능한 대안을 제시한다.

결과 및 예시
본 방법론은 두 가지 작업 사례를 통해 설명된다:

연속형 생물학적 동등성: $w$ 를 증가시키면 사후 평균이 역사적 평균 쪽으로 끌려가며, 역사적 데이터가 동등성을 지지할 때 $P_{eq}$ 와 $BF_{01}$ 이 모두 단조적으로 증가함을 보여준다.
빈도 기반 완치율: 역사적 데이터가 현재 데이터보다 덜 유리한(대조군으로부터 더 먼) 경우, $w$ 를 증가시키는 것이 오히려 동등 확률을 감소시킬 수 있음을 보여준다. 이는 차입이 본질적으로 유익한 것이 아니라, 역사적 추정과 현재 추정의 일치 여부에 달려 있음을 강조한다. 에지워스 근사는 $w$ 의 범위 전체에서 몬테카를로 추정치를 밀접하게 추적함을 보여준다.

의의 및 주장
본 논문은 연속형 및 빈도 기반 역사적 데이터를 단일 결정 규칙 내에서 대칭적으로 처리하는 통합적 프레임워크를 제공함으로써 특정 방법론적 공백을 메운다고 주장한다. 본 연구의 의의는 다음과 같다:

실무적 구현 가능성: 복잡한 계층적 모델링이나 순수 시뮬레이션에 의존하지 않고, 민감도 분석을 위해 폐쇄형 또는 결정론적 근사 방식을 제공하여 재현 가능한 접근법을 제시한다.
이론적 엄밀성: 파워 할인된 구간-영 설정에 특화된 단조성, 점근적 일치성, 역설적 행동, 표본 크기 절감에 대한 최초의 폐쇄형 특성을 제공한다.
규제 관련성: 다양한 유형의 역사적 증거(분석적/약동학적 데이터 vs 임상적 사건 발생률)를 결합할 수 있는 도구에 대한 요구(예: FDA 2026 초안 가이드라인)에 부응하며, 증거 중심의 통합 프레임워크를 지원한다.

저자는 GBT-PP를 모든 계층적 차입 방법(예: 공통 사전 분포)을 대체하는 것이 아니라, 고정되고 감사가 가능한 가중치 $w$ 를 통해 역사적 영향력과 현재 데이터 사이의 트레이드오프를 명시적으로 관리하는, 최소한의 투명하고 이론적으로 근거가 확실한 기준점(baseline)으로 위치시킨다.

기술 요약: 이중 단측 검정(TOST)에 대한 베이지안 대안

유사한 논문