클러스터를 교란변수로 다루는 가중치 프레임워크: 전역·지역 균형의 통합 접근

초록

본 논문은 관찰연구에서 군집(학교·병원 등) 내·외부의 불균형을 동시에 조정하기 위한 가중치 방법을 제시한다. 기존의 무작위 효과 프로펜시티 모델 기반 IPW는 전역 균형만을 보장하고 지역 균형을 무시한다. 저자는 전역·지역 균형을 모두 만족시키는 계층적 균형 가중치와, 충분통계량을 이용한 일반화 Mundlak 접근을 결합한 Mundlak 균형 가중치를 개발한다. 두 방법은 각각 가정이 다르며, 시뮬레이션과 교육·보건 분야 실증연구를 통해 성능 차이를 검증한다.

상세 분석

이 논문은 군집 구조가 존재하는 관찰연구에서 인과효과 추정 시 두 종류의 불균형, 즉 ‘전역(global) 불균형’과 ‘지역(local) 불균형’이라는 개념을 명확히 구분한다. 전역 불균형은 군집 전체에서 치료군과 대조군의 평균 공변량 차이를 의미하고, 지역 불균형은 동일 군집 내에서 치료군과 대조군 사이의 차이를 의미한다. 기존 문헌에서 가장 널리 사용되는 무작위 효과 프로펜시티 모델(랜덤 인터셉트) 기반 IPW는 전역 불균형을 조정하지만, 각 군집 내부의 불균형을 전혀 제어하지 않는다. 이는 특히 군집 규모가 작거나 치료 할당이 군집별로 거의 일정한 경우(예: 모든 환자가 동일 치료를 받는 병원) 추정 편향을 초래할 수 있다.

저자는 이를 해결하기 위해 두 가지 새로운 가중치 설계를 제안한다. 첫 번째는 ‘계층적 균형 가중치(Hierarchical Balancing Weights)’로, 전역 및 지역 균형 제약을 동시에 만족하도록 최적화 문제를 정의한다. 이 방법은 군집 멤버십을 명시적으로 포함하면서도, 작은 군집이나 치료 변이가 없는 군집을 완전히 배제하지 않고 가중치를 조정한다. 다만, 전역·지역 균형을 동시에 달성하려면 충분한 데이터가 필요하므로, 매우 작은 군집에서는 제약 위반으로 인해 일부 군집을 제외해야 할 수도 있다.

두 번째는 ‘일반화 Mundlak 접근’을 기반으로 한 ‘Mundlak 균형 가중치(Mundlak Balancing Weights)’이다. 여기서는 군집 자체를 고정효과로 포함하는 대신, 군집 수준 충분통계량(예: 군집 평균 X, 치료 비율 등)을 사용한다. 이 접근은 군집을 ‘익명화’함으로써, 모든 군집이 동일한 충분통계량을 공유하면 동일한 효과를 가정한다. 중요한 전제는 (X, Z)의 군집 내 결합분포가 지수족(exponential family)이며, 선택된 충분통계량이 군집 수준 모든 교란 정보를 완전히 포착한다는 점이다. 이 가정이 충족될 경우, 작은 군집에서도 치료 변이가 없더라도 추정이 가능해진다. 그러나 지수족 가정이 위배되거나 충분통계량이 잘못 지정되면 편향이 발생한다.

논문은 이 세 가지 방법(IPW‑Random‑Intercept, Hierarchical Balancing, Mundlak Balancing)을 시뮬레이션으로 비교한다. 시뮬레이션 결과, 군집 크기가 고르게 큰 경우 계층적 균형 가중치가 가장 낮은 평균제곱오차를 보였으며, 군집이 매우 작거나 치료 변이가 없는 군집이 다수인 경우 Mundlak 균형 가중치가 더 안정적인 추정치를 제공했다. 실제 교육 데이터(소규모 학교)와 의료 데이터(대형 병원)에서도 유사한 패턴이 관찰되었다.

이 연구는 ‘전역·지역 균형’이라는 새로운 시각을 도입함으로써, 기존 방법이 놓치기 쉬운 군집 내부 불균형을 명시적으로 다룰 수 있게 한다. 또한, 가정의 차이에 따라 어느 방법을 선택할지에 대한 실용적인 가이드라인을 제공한다. 특히, 충분통계량 기반 접근은 작은 군집이 많을 때 유용하지만, 지수족 가정 검증이 필수적이다.

전반적으로 이 논문은 군집이 존재하는 관찰연구에서 인과추정의 정확성을 높이기 위한 이론적·실증적 토대를 제공하며, 정책 평가·교육·보건 분야 연구자들에게 실질적인 방법론 선택 지표를 제시한다.