예측인자 가용성에 따른 선택 및 콜라이더 제한 편향

초록

**
본 논문은 예후 모델 개발 시 사용 가능한 예측인자의 선택이 연구 대상 집단을 제한하거나 콜라이더 효과를 유발하여 편향을 초래할 수 있음을 이론적·시뮬레이션을 통해 설명한다. 선택 편향과 콜라이더 제한 편향의 메커니즘을 구체적으로 제시하고, 데이터 수집·전처리 단계에서의 실천적 방안을 제안한다.

**

상세 분석

**
이 연구는 예후 모델링 과정에서 흔히 간과되는 ‘예측인자 가용성’이라는 요인이 어떻게 선택 편향(selection bias)과 콜라이더 제한 편향(collider restriction bias)을 동시에 야기할 수 있는지를 체계적으로 분석한다. 먼저, 연구자는 인과 그래프를 활용해 예측인자(Predictor), 결과(Outcome), 그리고 공통 원인(Confounder) 사이의 관계를 시각화한다. 여기서 특정 예측인자가 실제 데이터베이스에 존재하지 않거나 측정되지 않을 경우, 연구자는 해당 변수를 제외하고 모델을 구축한다. 이때 제외된 변수가 결과와 공통 원인 사이의 경로를 차단하는 콜라이더 역할을 할 경우, 남은 변수들 사이에 인위적인 상관관계가 형성되어 추정치가 왜곡된다.

시뮬레이션 결과는 두 가지 핵심 상황을 보여준다. 첫째, 예측인자 가용성에 따라 연구 대상이 선택적으로 제한되는 경우(예: 특정 병원에서만 측정 가능한 바이오마커) 전체 모집단을 대표하지 못하는 선택 편향이 발생한다. 둘째, 가용하지 않은 변수가 콜라이더 역할을 할 때, 해당 변수를 제외함으로써 인과 경로가 인위적으로 연결되어 회귀계수가 과대·과소 평가된다. 특히, 다중공선성이나 상호작용 효과가 존재할 때 이러한 편향은 더욱 증폭된다.

논문은 또한 기존 문헌에서 흔히 사용되는 ‘완전 사례 분석(complete‑case analysis)’이 이러한 편향을 완화시키지 못한다는 점을 강조한다. 대신, 다중대체법(Multiple Imputation)이나 가중치 기반 방법(Weighting) 등 결측 데이터 처리 기법을 적용하더라도, 예측인자 자체가 측정되지 않은 경우(즉, 구조적 결측)에는 근본적인 편향을 제거할 수 없음을 지적한다.

마지막으로, 저자는 예측인자 가용성을 사전에 평가하고, 가능한 경우 외부 데이터베이스와 연계하거나, 사전 연구 단계에서 변수 선택을 인과적 관점에서 검토할 것을 권고한다. 이러한 접근은 모델의 외적 타당성을 확보하고, 임상 적용 시 의사결정 오류를 최소화하는 데 필수적이다.

**