공변량으로 설명되지 않는 인과효과 이질성 측정법

초록

본 논문은 이진 처리와 연속 결과, 그리고 연속 처리와 연속 결과 상황에서 공변량으로 설명되지 않는 인과효과 이질성을 정량화하는 새로운 지표 P‑CACE, N‑CACE, P‑CPICE, N‑CPICE를 제안한다. 각각은 긍정적·부정적 영향을 받은 집단의 평균 인과효과를 나타내며, 기존 THR·TBR와의 관계, 식별 가능성 및 경계 정리를 제공한다. 실제 의료 데이터에 적용해 실용성을 입증한다.

상세 분석

이 논문은 기존 연구가 이진 처리·이진 결과에 국한된 점을 극복하고, 연속 결과와 연속 처리까지 포괄하는 이질성 측정 체계를 구축한다는 점에서 학술적·실무적 의의가 크다. 먼저, 이진 처리·연속 결과 상황에서 저자는 잠재 결과의 순서 관계를 이용해 ‘양(正)·음(負) 영향을 받은’ 두 집단을 정의한다. 이를 기반으로 P‑CACE(w)=∫P(Y₀<y≤Y₁|W=w)dy, N‑CACE(w)=∫P(Y₁<y≤Y₀|W=w)dy 로 표현한다. 중요한 점은 이 적분이 개별 인과효과(ICE) 가 양(음)인 경우의 기대값에 해당 집단 비율을 곱한 형태로 변환된다는 것이다(식 8, 9). 따라서 P‑CACE는 “양의 ICE를 가진 사람들의 평균 효과”를, N‑CACE는 “음의 ICE를 가진 사람들의 절대 평균 효과”를 포착한다. 이는 기존 THR·TBR가 이진 결과에만 적용되던 한계를 연속 결과로 자연스럽게 확장한다는 의미다.

다음으로 연속 처리·연속 결과에 대해 저자는 stochastic intervention 개념을 도입한다. 두 개의 확률분포 π₀, π₁을 정의해 각각 ‘전처리’와 ‘후처리’ 상황을 모사하고, P‑CPICE와 N‑CPICE를 각각 P‑CPICE(w)=∫P(Y_{π₀}<y≤Y_{π₁}|W=w)dy, N‑CPICE(w)=∫P(Y_{π₁}<y≤Y_{π₀}|W=w)dy 로 정의한다. 이때 Y_{π}는 π에 따라 무작위로 할당된 처리값을 받는 잠재 결과이며, 기존 PICE와 동일한 프레임워크 내에서 양·음 효과를 분리한다. 저자는 조건부 외생성(Yₓ⊥⊥X|W)과 조건부 단조성(모든 x₀<x₁에 대해 Y_{x₁}≥Y_{x₀} 혹은 그 반대) 가정 하에 식별 가능성을 증명하고, 실제 데이터에서 완전 식별이 어려운 경우를 위한 상하한(bounding) 정리를 제시한다.

논문은 또한 CACE가 P‑CACE와 N‑CACE의 차이로 분해될 수 있음을 보이며(식 10), 이를 시각화한 Figure 1을 통해 공변량 W에 따른 양·음 효과의 변화를 직관적으로 보여준다. 예시 1~4에서는 공변량이 없거나 있을 때의 ICE 분포를 통해 P‑CACE·N‑CACE가 어떻게 ACE와 다른 정보를 제공하는지 설명한다. 특히, 평균 효과가 0이라도 양·음 집단이 존재하면 이질성을 포착할 수 있음을 강조한다.

실증 부분에서는 의료 데이터(예: 특정 약물 투여와 혈압 변화)를 사용해 P‑CACE·N‑CACE와 P‑CPICE·N‑CPICE를 추정한다. 추정 방법으로는 기계학습 기반의 잠재 결과 모델링(예: 베이지안 비선형 회귀)과 도메인 지식에 기반한 π 설계가 결합된다. 결과는 전통적인 ACE 추정치와 달리, 치료가 긍정적 영향을 미치는 환자군과 부정적 영향을 미치는 환자군을 명확히 구분해 맞춤형 치료 전략 수립에 활용 가능함을 시사한다.

전체적으로 이 논문은 (1) 연속 결과·처리 상황에 맞는 이질성 지표를 체계적으로 정의, (2) 식별·경계 이론을 제공, (3) 실제 데이터에 적용해 실용성을 검증함으로써 인과추론 분야에 중요한 확장성을 제공한다. 다만, 단조성 가정이 현실 데이터에서 위배될 가능성, π 설계의 주관성, 고차원 공변량 W에 대한 추정 불안정성 등은 향후 연구에서 보완이 필요하다.