무작위 실험에서 공변량 균형 검정: 단순·층화·군집 설계의 새로운 시각

초록

본 논문은 무작위 배정 실험에서 처리군과 대조군의 사전 변수(공변량) 균형을 평가하는 방법을 재검토한다. Fisher의 무작위화 추론을 이용해 개별 변수별 검정과 전체(omnibus) 검정을 비교하고, 중간 규모 표본에서 신뢰할 수 있는 p값을 얻기 위한 계산식과 시뮬레이션 방식을 제시한다. 또한 군집 무작위화가 도입될 때 발생하는 새로운 균형 문제를 논의하며, 두 실제 연구 사례에 적용해 기존 결론을 뒤집는다.

상세 분석

논문은 먼저 무작위 실험에서 “균형(balancing)”이라는 개념이 단순히 평균 차이가 없다는 수준을 넘어, 전체 사전 변수 분포가 유사해야 함을 강조한다. 이를 정량화하기 위해 기존 연구가 사용한 t‑검정, χ² 검정 등 개별 변수별 테스트와, Mahalanobis 거리 기반의 다변량 omnibus 테스트를 비교한다. Fisher의 무작위화 추론을 적용하면, 실제 배정 과정 자체가 귀무분포를 정의하므로 전통적인 큰표본 근사에 의존하지 않고 정확한 유의확률을 계산할 수 있다. 특히, 중간 규모(n≈50~200) 표본에서는 정규근사보다 무작위화 기반 p값이 더 보수적이며, 시뮬레이션을 통해 검정력과 제1종 오류율을 동시에 최적화할 수 있음을 실증한다.

군집 무작위화 상황에서는 개별 단위가 아닌 군집 수준에서 배정되므로, 군집 내 상관구조가 공변량 균형에 미치는 영향을 별도로 고려해야 한다. 논문은 군집 내 공변량 평균의 차이와 군집 간 변동성을 동시에 검정하는 확장된 Mahalanobis 통계량을 제안하고, 이를 무작위화 추론에 통합함으로써 군집 효과를 정확히 반영한다.

두 실제 사례—임상시험과 정치 참여 현장실험—에 적용한 결과, 기존 연구가 보고한 “불균형 없음” 결론이 무작위화 기반 검정에서는 유의미한 불균형으로 드러났다. 이는 특히 다변량 omnibus 검정이 개별 변수 검정보다 더 민감하게 불균형을 포착함을 보여준다. 논문은 이러한 결과가 인과 추론의 외적 타당성을 재평가하게 만들며, 연구 설계 단계에서 사전 균형 검정을 체계적으로 수행할 필요성을 강조한다.