결과 분포 변동에 대한 치료 효과 일반화의 날카로운 경계

초록

본 논문은 무작위 임상시험 결과를 목표 모집단에 일반화할 때, 관측된 공변량만으로는 설명되지 않는 효과 조절변수의 분포 차이로 인한 결과 분포 이동을 고려한 민감도 분석 프레임워크를 제시한다. 결과 분포의 대상·시험 간 likelihood ratio를 상수 Λ≥1 로 제한하고, 각 Λ에 대해 목표 평균 치료 효과(ATE)의 가장 타이트한 구간(Sharp Bounds)을 도출한다. 최적의 likelihood ratio는 단일 임계값을 기준으로 Λ와 1/Λ 사이에서 전이하는 구조를 가지며, 이를 이용해 정렬과 재분배만으로 O(n log n) 시간에 구할 수 있는 폐쇄형 그리디 알고리즘을 제안한다. 시뮬레이션은 제시된 구간이 명시된 Λ 범위 내에서 명목 커버리지를 달성하고, 기존 최악의 경우 경계보다 훨씬 좁으며 현실적인 위반 상황에서도 유용함을 보여준다.

상세 분석

이 연구는 일반화(generalization)와 전이(transportability) 문제를 “결과 분포 이동”이라는 새로운 관점에서 접근한다. 기존 문헌은 주로 조건부 평균 전이(conditional mean transportability)를 가정하거나, 미측정 교란에 대한 편향 함수를 도입해 민감도 분석을 수행했다. 그러나 평균만을 제한하면 전체 분포의 형태 차이를 충분히 포착하지 못한다는 한계가 있다. 저자들은 이를 보완하기 위해, 각 치료군 a와 공변량 x에 대해 대상 모집단의 결과 조건밀도 f_o(y|a,x)와 시험 모집단의 조건밀도 f_r(y|a,x) 사이의 likelihood ratio L(y;a,x)=f_o/f_r가 Λ와 1/Λ 사이에 머무른다고 가정한다. Λ=1이면 기존 전이 가정과 동일하고, Λ가 커질수록 더 큰 분포 이동을 허용한다.

이 제한은 “마진 민감도 모델(marginal sensitivity model)”과 구조적으로 유사하지만, 적용 대상이 치료 할당이 아니라 결과 분포라는 점에서 차별화된다. 핵심 수학적 결과는 다음과 같다. (1) 목표 평균 잠재 결과 μ_o^a = E_o