네트워크 상관관계를 활용한 실험 설계 최적화

초록

본 논문은 사전에 관측된 네트워크 구조를 이용해 잠재적 결과들의 상관관계를 모델링하고, 평균 처리 효과 추정의 평균제곱오차(MSE)를 최소화하도록 제한된 무작위 배정 전략을 설계한다. 모델 기반 MSE 분해를 통해 네트워크 차수와 같은 새로운 균형 기준을 제시하고, 모델이 틀리더라도 차이 평균 추정량의 설계 불편성을 유지함을 증명한다. 시뮬레이션을 통해 네트워크를 무시한 전통적 배정보다 효율성이 크게 향상됨을 확인한다.

상세 분석

이 연구는 잠재적 결과가 네트워크에 의해 상관되는 상황에서, 실험 설계 단계에서 사전 네트워크 정보를 어떻게 활용할 수 있는지를 체계적으로 탐구한다. 저자는 먼저 “정규합(normal‑sum) 모델”을 제시한다. 각 단위 i의 통제군 잠재 결과 Y_i(0)는 i와 인접한 모든 단위 j의 잠재 변수 X_j의 합에 정규오차 γ를 더한 형태이며, 처리군 결과는 단순히 상수 τ만큼 증가한다. 이 모델은 네트워크 차수(또는 이웃 크기)가 결과 평균에 직접적인 영향을 미친다는 직관을 반영한다.

모델을 기반으로 차이 평균 추정량 ˆτ의 조건부 평균제곱오차(MSE)를 명시적으로 계산한다. MSE는 (i) μ²·δ_N(Z)² 형태의 편향 제곱, (ii) γ²·ω_T·ω 형태의 분산, (iii) σ²·ω_T·A·ω 형태의 추가 분산으로 분해된다. 여기서 δ_N(Z)는 처리군과 통제군의 평균 이웃 크기 차이이며, ω는 각 군의 크기 비율을 나타낸다. 이 분해는 두 가지 핵심 균형 조건을 도출한다. 첫째, 평균 이웃 크기(즉, 평균 차수)를 처리군과 통제군이 동일하게 맞추어야 편향을 최소화한다. 둘째, 처리군과 통제군의 표본 크기를 동일하게 유지해야 γ에 의해 가중되는 분산 항을 최소화한다. 기존의 공변량 균형 개념에 네트워크 차수라는 새로운 균형 기준을 추가함으로써, 제한된 무작위 배정(restricted randomization) 혹은 재무작위화(rerandomization) 전략을 설계한다.

특히 중요한 점은 이러한 제한 전략이 “설계 불편성(design‑unbiasedness)”을 유지한다는 증명이다. 즉, 실제 데이터 생성 과정이 제시된 모델과 다르더라도 차이 평균 추정량의 기대값은 여전히 진정한 평균 처리 효과 τ*와 일치한다. 이는 모델‑보조 설계가 모델 오차에 대해 견고함을 보장한다는 강력한 이론적 결과다.

또한 저자는 모델을 일반화하여 정규평균(normal‑mean) 모델 및 보다 복잡한 선형/비선형 구조를 포함하는 확장 모델을 제시하고, 각 경우에 대한 MSE 표현식을 유도한다. 이러한 일반화는 네트워크가 단순히 이웃 합이 아니라 가중 평균, 혹은 비선형 함수에 의해 결과에 영향을 미치는 상황에도 적용 가능함을 보여준다.

실험에서는 다양한 네트워크 토폴로지(무작위 그래프, 스케일프리, 작은 세계)와 다양한 수준의 모델 오차를 고려한 시뮬레이션을 수행한다. 결과는 네트워크 기반 균형을 고려한 제한 배정이, 네트워크를 무시한 전통적 완전 무작위 배정보다 평균 제곱오차를 현저히 감소시키며, 특히 μ와 γ가 큰 경우(즉, 네트워크 효과가 강한 경우) 효과가 두드러진다. 또한 모델 오차가 존재하거나 네트워크 구조가 일부 잘못 지정된 경우에도 성능 저하가 제한적이며, 설계 불편성은 유지된다.

전반적으로 이 논문은 “모델‑보조 설계(model‑assisted design)”라는 새로운 패러다임을 제시한다. 사전 네트워크 정보를 활용해 MSE를 최소화하는 배정 규칙을 도출하고, 그 규칙이 모델 오차에 대해 강건함을 보장함으로써, 네트워크 상관관계가 존재하는 실험 설계에 실용적인 지침을 제공한다.