백신 효과와 전염성·전염 경로: 사회 네트워크에서의 인과 추정

본 논문은 전염성 질환에서 개인의 백신 접종이 타인에게 미치는 간접 효과를 두 가지 인과 메커니즘, 즉 “전염성(infectiousness)” 효과와 “전염(contagion)” 효과로 구분하고, 이를 정량화하기 위한 식별·추정 방법을 제시한다. 전염성 효과는 백신이 감염된 경우에도 전파력을 감소시키는 메커니즘을, 전염 효과는 백신이 감염 자체를 예방함으로써 전파 가능성을 차단하는 메커니즘을 의미한다. 이러한 구분은 기존의 간접 효과(indirect effect) 개념을 보다 세분화한 것으로, 백신 정책의 효과를 보다 정밀하게 평가할 수 있게 한다. 연구는 두 가지 데이터 환경을 고려한다. 첫 번째는 독립적인 가구(또는 집단)들로 구성된 표본이며, 두 번째는 단일 사회 네트워크 내에서 관측된 데이터이다. 독립 가구 환경에서는 기존 연구(VanderWeele et al., 2012b)와 유사하게, 각 가구를 두 사람(ego와 alter)으로 구성하고, alter의 백신 상태가 ego의 감염 결과에 미치는 영향을 매개변수(M, 즉 alter의 감염 상태)를 통해 분해한다. 이를 위해 네 가지 핵심 가정(무교란 가정, 매개와 결과 사이의 무교란, 백신과 매개 사이의 무교란, 매개에 대한 교란이 백신에 의해 영향을 받지 않음)을 명시하고, Pearl(2001)의 매개효과 식별 프레임워크를 전염성 상황에 맞게 확장한다. 두 번째 환경인 단일 사회 네트워크에서는 관측치 간 상관관계가 존재한다는 점이 큰 도전 과제이다. 기존에 GLM이나 GEE를 적용할 경우, 독립성 가정 위배로 인해 표준 오류가 과소평가되고, 결과적으로 반보수적(anticonservative)인 추론이 이루어진다. 저자들은 이러한 문제를 해결하기 위해 GLM 잔차가 네트워크 내에서 상관되지 않도록 설계하는 방법을 제안한다. 구체적으로, 각 시점의 결과를 이전 시점의 결과와 개인·네트워크 수준의 공변량을 포함한 회귀식에 넣어 예측하고, 그 잔차를 사용한다. 이렇게 하면 모델은 여전히 GLM의 형태를 유지하면서, 잔차가 독립적이라는 가정을 만족한다. 제안된 방법은 시뮬레이션을 통해 검증되었다. 시뮬레이션에서는 네트워크 규모, 평균 차수, 전염성·전염 효과의 크기 등을 다양하게 변형하였다. 결과는 네트워크가 충분히 크고 연결성이 높을수록 전염성 및 전염 효과를 검출할 확률이 증가함을 보여준다. 반면, 작은 네트워크나 희소한 연결 구조에서는 검정력이 낮아 실제 데이터 적용 시 표본 설계와 사전 파워 분석이 필수적이다. 또한, 기존 독립성 가정 기반 GLM이 반보수적 결과를 초래하는 반면, 제안 방법은 보수적이지만 검정력이 제한적이라는 트레이드오프가 존재한다. 논문은 백신 효과 외에도 행동 전염, 정보 확산, 사회적 규범 전파 등 다양한 사회적 전염 현상에 이 방법을 확장할 수 있음을 논의한다. 다만, 모든 잠재적 교란 변수를 완전히 관측해야 한다는 강력한 가정과, 네트워크 구조가 시간에 따라 변하는 경우 동적 네트워크 모델링이 필요함을 인정한다. 결론적으로, 저자들은 (1) 전염성 질환에서 간접 효과를 전염성·전염 두 가지 경로로 명확히 구분하고, (2) 독립 가구와 단일 네트워크 두 상황에서 이를 식별·추정하는 구체적 방법을 제시하며, (3) GLM을 네트워크 데이터에 적용할 때 잔차 비상관화 전략을 통해 독립성 위배 문제를 해결함으로써, 보다 타당한 인과 추론이 가능하도록 기여한다.