초과 데이터 결합을 통한 순차 검정과 추정

논문은 순차 임상시험에서 정지 경계에 도달한 뒤에도 추가 데이터(오버러닝)가 발생하는 상황을 다루며, 이러한 데이터를 기존 순차 검정에 어떻게 통합할 것인가에 대한 새로운 방법론을 제시한다. 전통적인 접근법으로는 ‘삭제법(deletion method)’이 있었으며, 이는 정지 시점 이전의 분석을 무시하고 오버러닝 데이터를 마치 사전에 계획된 최종 분석처럼 취급한다. 또 다른 방법인 Anderson의 likelihood‑ratio 기반 접근은 정지 규칙을 완전히 명시해야 하는 단점이 있다. 이러한 제약을 극복하고자 저자들은 ‘가중 Z값을 더하는(adding weighted Zs)’ p‑value 결합 기법을 도입한다. 먼저 p‑value 결합의 일반 이론을 정리한다. 두 독립적인 p‑value \(p_1, p_2\)에 대해 \(z(p)=\bar\Phi^{-1}(p)\)라 두고, 양의 가중치 \(w_1, w_2\) ( \(w_1^2+w_2^2=1\) )를 사용해 결합 p‑value를 \(\bar\Phi(w_1 z(p_1)+w_2 z(p_2))\) 로 정의한다. 이때 \(P\)는 영가설 하에서 정확히 균등분포를 따르며, 두 p‑value가 모두 작을 때 결합 p‑value도 작아지는 직관적인 성질을 가진다. 또한, 조건부 p‑value와 같은 종속 구조에서도 동일한 결합식이 적용될 수 있음을 증명한다. 논문의 핵심 적용 사례는 브라운 운동 \(X(t)\)에 드리프트 \(\delta\)가 있는 상황이다. 순차 실험은 정지 시점 \(T\)와 관측값 \(X\equiv X(T)\)를 제공하고, 정지 후 추가 관측은 시간 \(\tau_o\) 동안의 증분 \(Y\)로 요약된다. 정지 시점까지의 정보량은 \(t\) (관측시간)이며, 오버러닝 정보량은 \(\tau_o\)이다. 정지 단계에서의 p‑value는 \(\bar\Phi\big((X-\delta_0 t)/\sqrt{t}\big)\) 로, 오버러닝 단계에서의 조건부 p‑value는 \(\bar\Phi\big((Y-\delta_0 \tau_o)/\sqrt{\tau_o}\big)\) 로 정의된다. 여기서 \(\tau_o\)는 \(T,X\)에 의존하는 함수 \(\tau_o(T,X)\) 로 가정한다. 가중치 선택은 정보량의 제곱근에 비례하도록 한다. 즉, \(w_1=\sqrt{t}/\sqrt{t+\tau_o},\; w_2=\sqrt{\tau_o}/\sqrt{t+\tau_o}\) 로 두면 결합 통계량은 \(\frac{Z_1\sqrt{t}+Z_2\sqrt{\tau_o}}{\sqrt{t+\tau_o}}\) 가 되며, 이는 표준 정규분포를 정확히 따른다. 따라서 결합 p‑value는 정확히 균등분포를 유지한다. 이 경우는 \(\tau_o\)가 \(t\)에 비례(예: \(\tau_o=c t\))할 때 가중치가 상수이며, 실제 임상시험에서 흔히 관찰되는 상황이다. 하지만 실제 데이터에서는 \(\tau_o\)가 \(t\)와 비례하지 않을 수 있다. 이때 가중치를 관측된 \(\sqrt{t},\sqrt{\tau_o}\) 로 그대로 사용하면 결합 p‑value의 영분포가 근사적으로만 균등함을 보인다. 저자들은 기대 정보량에 기반한 가중치(예: \(w_1^2=E_{\delta_0}(T)/