동시 전개 군집 무작위 실험에서 동적 인과 효과를 위한 모델 보조 추정법

초록

본 논문은 치료가 단계적으로 도입되는 군집 무작위 실험(SR‑CRE)에서, 사전 기대와 동적 인과 효과, 그리고 군집‑시점 크기의 비무시성을 동시에 고려한 가중 평균 처리 효과를 정의하고, 개인 수준, 군집‑시점 평균, 스케일링된 군집‑시점 총계 세 가지 형태의 회귀 추정량을 설계한다. 설계 기반(randomization‑based) 관점에서 각 추정량의 일관성·점근 정규성을 증명하고, Liang‑Zeger 군집‑강건 분산 추정량과 White‑Huber 이분산 일관 분산 추정량이 Löwner 순서에서 보수적임을 보인다. 효율성 비교를 통해 공변량 조정이 포함된 스케일링된 군집‑시점 총계 기반 추정량이 다른 방법보다 우수함을 제시한다.

상세 분석

이 연구는 기존 SR‑CRE 문헌이 주로 단일 수준(패널) 데이터에 초점을 맞추고, 사전 기대(no‑anticipation)와 고정된 치료 효과를 전제한 점을 비판한다. 저자는 군집‑시점 크기가 비무시적(non‑ignorable)일 수 있음을 인정하고, 이를 가중 평균 처리 효과(DWATE) 정의에 명시적으로 포함한다. 핵심 가정은 군집 수준 SUTVA와 무작위화된 치료 도입 시점이며, 이는 잠재 결과와 공변량을 고정된 것으로 보는 유한 모집단 프레임워크를 만든다.

DWATE는 세 가지 등가 표현을 갖는다. 첫 번째는 개인 수준 가중치 πij k 를 사용한 전체 평균 차이, 두 번째는 군집‑시점 평균 Yij·(a) 에 군집 가중치 πij· 를 곱한 형태, 세 번째는 스케일링된 군집‑시점 총계 ‹Yij·(a)› 를 이용한 단순 평균 차이다. 이 세 표현은 각각 개인‑레벨 회귀, 군집‑시점 평균 회귀, 스케일링된 총계 회귀 추정량의 설계 근거가 된다.

회귀 모델은 선형 형태를 가정하지만, 모델이 잘못 지정되더라도 추정량은 설계 기반으로 일관성을 유지한다는 ‘모델 보조(model‑assisted)’ 특성을 갖는다. 비정규성이나 이분산을 고려해, 개인‑레벨 회귀에는 Liang‑Zeger 군집‑강건 분산 추정량을, 군집‑시점 평균·총계 회귀에는 White‑Huber 이분산 일관 추정량을 적용한다. 저자는 두 분산 추정량이 모두 실제 분산보다 크거나 같게 되는 Löwner 순서 보수성을 증명함으로써, 추정량의 신뢰구간이 과소평가되지 않음을 보장한다.

효율성 비교는 동일한 가중치 구조와 균형된 군집 가중치 조건 하에 수행된다. 결과적으로, 공변량 Cij 를 포함한 스케일링된 총계 회귀가 가장 작은 asymptotic variance를 가지며, 이는 개인‑레벨 회귀보다 효율적이고, 군집‑시점 평균 회귀보다도 우수함을 수학적으로 입증한다. 특히, 군집‑시점 크기가 크게 변동하는 경우에도 총계 기반 추정량은 가중치 균형을 유지함으로써 안정적인 추정이 가능하다.

시뮬레이션에서는 다양한 군집‑시점 크기 분포와 공변량 구조를 모의실험하여, 제안된 분산 추정량이 보수적임을 확인하고, 총계 기반 추정량이 평균 제곱 오차(MSE) 면에서 일관적으로 우수함을 보여준다. 실제 데이터 예시에서는 보건 정책의 단계적 도입을 분석하여, 기대 효과와 지속 효과를 구분한 DWATE 추정값을 제공하고, 공변량 조정이 결과 해석에 미치는 영향을 논의한다.

전반적으로 이 논문은 SR‑CRE 설계에서 동적 인과 효과를 정확히 정의하고, 설계 기반 회귀 추정량의 이론적 성질을 체계적으로 정립함으로써, 실무자들이 복잡한 군집‑시점 데이터를 다룰 때 신뢰할 수 있는 분석 도구를 제공한다.