깊은 결정론과 범주형·연속형 변수 간 메커니즘 상호작용 평가

초록

본 논문은 두 인과 요인이 이진 반응에 미치는 효과가 동일한 메커니즘을 통해 매개되는지를 판단하기 위해 ‘메커니즘 상호작용’을 정의하고, 범주형·연속형 변수 조합에 적용 가능한 검정법을 제시한다. 검정은 ‘깊은 결정론’ 가정 하에 조건부 독립성을 그래프적으로 표현한 Augmented Directed Graphs(ADG)를 이용해 전제조건을 명시한다. 관찰·중재 데이터 모두에 적용 가능하도록 설계되었으며, 관상동맥 질환 연구 두 사례를 통해 실용성을 입증한다.

상세 분석

논문은 먼저 메커니즘 상호작용을 “A가 B의 효과를 방해하지만 B는 A를 방해하지 않는다”는 비대칭적 관계로 정의한다. 기존의 교호작용(interaction) 개념은 주로 통계적 상관관계에 머물러 메커니즘을 밝히지 못한다는 점을 지적하고, 이를 보완하기 위해 ‘깊은 결정론(deep determinism)’이라는 전제조건을 도입한다. 깊은 결정론은 관측되지 않을 수도 있는 ‘맥락 변수 V’가 존재하며, 반응 Y는 V와 연구 대상 요인 A, B의 값에 의해 완전히 결정된다고 가정한다. 이 가정 하에 Y의 확률분포는 실제로는 조건부 확률이 아니라 V에 대한 함수이므로, 관찰된 데이터에서 조건부 독립성(예: Y ⟂ A | B, C) 검정을 통해 메커니즘 상호작용 여부를 추론할 수 있다.

이를 구현하기 위해 저자는 Augmented Directed Graphs(ADG)를 활용한다. ADG는 전통적인 DAG에 ‘잠재 변수’와 ‘함수 노드’를 추가해 V와 Y 사이의 결정론적 관계를 시각화한다. 그래프상의 d-분리 규칙을 확장한 ‘m-분리’를 사용해, 관찰 데이터가 어떤 조건부 독립성을 만족해야 검정이 유효한지를 명시한다. 특히, 중재(intervention)와 관찰(observational) 데이터 모두에 적용 가능한 일반화된 조건을 제시함으로써, 실험 설계가 제한적인 역학 연구에서도 활용 가능하도록 한다.

검정 절차는 다음과 같다. 첫째, 관심 요인 A와 B를 각각 이산형 또는 연속형으로 구분하고, 필요에 따라 적절한 구간화(binning) 혹은 회귀 모델을 적용한다. 둘째, ADG를 기반으로 조건부 독립성 가설을 설정하고, 데이터에서 해당 가설을 검정한다. 셋째, 비대칭적 상호작용을 확인하기 위해 A가 B를 방해하는 경우와 B가 A를 방해하는 경우를 별도로 검정한다. 검정 통계량은 일반화된 선형 모델(GLM) 혹은 비모수적 방법을 사용해 추정하며, p‑값이나 신뢰구간을 통해 유의성을 판단한다.

논문은 두 실제 사례를 통해 방법론을 검증한다. 첫 번째 사례는 관상동맥 질환 환자에서 흡연(A)과 고콜레스테롤(B)이 심근경색 발생(Y)에 미치는 영향을 분석한다. ADG를 구성한 결과, 흡연이 고콜레스테롤의 효과를 억제하는 비대칭적 메커니즘 상호작용이 발견되었으며, 반대 방향은 통계적으로 유의하지 않았다. 두 번째 사례는 혈압 조절제(C)와 운동량(D)이 혈관 폐쇄 위험(Y)에 미치는 복합 효과를 조사했으며, 여기서는 연속형 변수인 운동량이 약물 효과를 강화하는 양방향 상호작용이 확인되었다. 두 사례 모두 깊은 결정론 가정이 현실적으로 타당함을 논의하고, 잠재 변수 V가 실제로는 환자의 유전적 배경이나 생활 습관 등 복합적인 요인임을 제시한다.

마지막으로 저자는 깊은 결정론이 현실 연구에 적용될 때의 한계와 위험성을 강조한다. V가 완전히 관측되지 않으면 검정 결과가 편향될 수 있으며, V와 요인 A, B 사이에 복잡한 피드백 루프가 존재할 경우 ADG의 단순화가 부적절할 수 있다. 따라서 연구자는 사전 지식과 도메인 전문가 의견을 통해 V의 후보를 충분히 탐색하고, 민감도 분석을 수행해 결과의 견고성을 검증해야 한다. 전반적으로 이 논문은 메커니즘 기반 상호작용 검정이라는 새로운 패러다임을 제시함으로써, 인과 추론과 임상 역학 분야에 중요한 방법론적 기여를 한다.