편향 증폭을 고려한 인과 시뮬레이션 설계

초록

**
본 논문은 측정되지 않은 교란(confounding)으로 인한 편향을 증폭시킬 수 있는 변수(편향 증폭 변수)를 이론적으로 규명하고, 이를 반영한 시뮬레이션 프레임워크를 제시한다. 선형 OLS 추정기의 기하학적 해석을 통해 기존 시뮬레이션이 놓친 한계를 밝히고, 실제 임상 데이터에 적용 가능한 민감도 분석 절차를 제안한다.

**

상세 분석

**
이 연구는 기존 인과 추정문헌에서 제시된 “편향 증폭(bias amplification)” 현상을 보다 일반적인 DAG와 함수형태에 확대한다. 저자들은 먼저 10개의 측정 가능한 편향 증폭 변수(BAV)가 존재하고, 이 변수들이 치료(A)와 미측정 교란(U) 모두에 영향을 미치지만 결과(Y)에는 직접적인 효과가 없다는 구조 방정식을 설정한다. 이때 A←U→Y 라는 미측정 교란 경로는 차단할 수 없으며, A←BAV→U→Y 라는 10개의 경로는 BAV를 포함함으로써 차단될 수 있다. 그러나 BAV를 포함하면 오히려 편향이 커지는 현상이 발생한다는 것이 핵심이다.

저자들은 OLS 추정량을 행렬표기와 Frisch‑Waugh‑Lovell(FWL) 정리를 이용해 재표현하고, 편향을 확률극한(probability limit) 형태로 일반화한다. Naïve 추정량(단순 회귀)과 BAV를 포함한 추정량의 기대값을 각각 (9)와 (12)식으로 도출했으며, (12)식에서 보듯이 분모에 나타나는 σ²_A−γ²_BAVσ²_BAV가 작아질수록 편향이 증폭된다. 이는 치료 변수 A의 분산 중 BAV가 차지하는 비중이 클수록, 즉 BAV가 A를 거의 완전히 설명할수록 남은 잔차분산이 작아져 미측정 교란 U의 효과가 과대평가된다는 직관적 설명을 제공한다.

또한, Pearl의 기존 편향 증폭 유도는 E