다중연구 이질성 해석을 위한 새로운 인과분해 프레임워크

초록

본 논문은 관찰연구와 무작위시험에서 나타나는 인과효과 이질성을 사전공변량, 매개변수, 그리고 순수 효과 변형이라는 세 가지 요인으로 분해하는 비모수적 방법을 제시한다. 식별 가정과 추정 절차를 제시하고, 시뮬레이션과 Moving to Opportunity 실험 데이터를 통해 방법의 유효성을 검증한다.

상세 분석

이 연구는 다중 연구 환경에서 인과효과의 차이를 구조적 인과모델(SCM) 하에 명확히 정의하고, 이를 수학적으로 세 부분으로 분해한다. 첫 번째는 ‘케이스‑믹스(Case‑mix)’ 효과로, 사전공변량 분포 차이가 치료효과에 미치는 영향을 의미한다. 두 번째는 ‘매개변수‑관련(Mediator‑related)’ 이질성으로, 연구마다 매개변수(M)의 분포와 그 매개효과가 다를 때 발생한다. 세 번째는 ‘순수 효과 변형(Pure effect modification)’으로, 연구 자체가 직접적으로 결과(Y)에 영향을 미치는 경우를 말한다. 저자들은 δ=ATE₁−ATE₀ 라는 전체 이질성 지표를 δ=δ_EH+δ_CM 형태로 분해하고, δ_EH를 다시 매개변수와 순수 효과로 세분한다. 이를 위해 S‑ignorability, S‑admissibility 등 기존 데이터‑퓨전 가정을 일반화하고, 각 가정 하에서 비모수적 식별식을 도출한다. 특히, 사전공변량과 매개변수를 동시에 조정하는 ‘중첩 재가중(weighting)’과 ‘교차‑조건부 평균 처리 효과(CATE)’ 추정기를 결합한 새로운 추정 절차를 제안한다. 식별 단계에서는 잠재변수 U의 존재를 허용하면서도, 관측가능한 변수(W, M)와 연구 지표(S)를 이용해 구조적 무편향을 확보한다. 시뮬레이션에서는 3가지 이질성 원천을 각각 독립적으로 변형시켜 제안된 추정기가 각 원천을 정확히 분리해내는지를 검증했으며, 평균 절대 오차와 편향이 기존 단일‑분해 방법보다 현저히 낮았다. 실제 MTO 데이터 적용에서는 도시별(시카고, 로스앤젤레스, 뉴욕) 치료효과 차이가 주로 매개변수(학교 빈곤도)와 순수 효과(도시 고유 정책)에서 기인함을 확인했다. 이 결과는 정책 입안자가 특정 지역 특성을 고려해 맞춤형 개입을 설계할 필요성을 강조한다. 전반적으로 이 논문은 다중 연구 메타분석이나 증거 종합(evidence synthesis)에서 이질성 원인을 정량화하고, 각각에 맞는 교정 전략을 선택할 수 있는 실용적 도구를 제공한다.