베이지안으로 재해석한 코른필드 민감도 분석: 임계값에서 확률로

초록

본 논문은 관찰연구에서 미측정 교란을 평가하는 전통적 코른필드·E‑value 접근을 베이지안 프레임워크로 전환한다. 교란 강도를 확률 변수로 모델링하고, E‑value를 임계값으로 활용해 “교란이 해당 임계값 이상일 확률”을 사후 확률로 제시한다. 간단한 생성 모델과 반감형 사전분포를 통해 요약 통계만으로도 교란 가능성을 정량화하며, 실제 사례 11개에 적용해 각 연구의 견고성을 확률적으로 비교한다.

상세 분석

이 연구는 코른필드와 E‑value가 제공하는 “교란이 얼마나 강해야 관찰된 연관을 없앨 수 있는가”라는 정량적 임계값을, 베이지안 관점에서 “그러한 교란이 실제 존재할 가능성”이라는 확률적 질문으로 전환한다는 점에서 혁신적이다. 저자는 관찰된 위험비 R̂ 를 로그 변환한 θ̂ = log(R̂) 로 두고, 실제 인과효과 θ₀와 교란 강도 Γ(≥1) 사이의 관계를 θ̂ ∼ N(θ₀ + log Γ, s²) 로 가정한다. 여기서 s는 보고된 표준오차이며, θ₀와 log Γ는 각각 인과효과와 교란 효과를 나타내는 잠재 변수이다. 모델 자체는 데이터만으로는 식별 불가능하므로, 사전분포를 통해 불확실성을 반영한다. 인과효과에 대해서는 평균 0, 분산 σ*²인 정규분포를, 교란 강도에 대해서는 Γ≥1을 보장하는 반감형 정규분포(Half‑Normal)인 log Γ ∼ HN(0, σ⁺) 를 채택한다. σ⁺는 연구자가 교란이 강하게 나타날 가능성에 대해 사전적으로 얼마나 회의적인지를 조절한다. 예를 들어 σ⁺ = 0.5이면 Γ가 2~3을 초과할 확률이 급격히 감소한다는 의미다.

E‑value는 기존 방법에서 “교란이 충분히 강해지면 관찰 효과가 1이 된다”는 임계값 Γ를 제공한다. 베이지안 프레임워크에서는 Γ를 그대로 사용해 사후 확률 P(Γ ≥ Γ* | θ̂) 를 계산한다. 이는 “관찰된 연관이 교란에 의해 완전히 소멸될 가능성”을 직접적으로 제시하므로, 연구자는 단순히 “E‑value가 크다/작다”는 주관적 판단 대신, 사전 지식과 데이터에 기반한 정량적 확신을 얻을 수 있다.

실증 부분에서는 Xiang et al. (2026)의 공개 데이터셋에서 11개의 노출‑결과 쌍을 선택해 분석하였다. 각 사례에 대해 로그 위험비와 표준오차를 추출하고, 위의 베이지안 모델을 MCMC(예: Stan)로 추정했다. 결과는 E‑value와 사후 확률 사이에 단조적 관계가 있음을 보여준다: E‑value가 4 이상인 환경보건 연구는 P≈0.004 로 교란 가능성이 거의 없으며, E‑value가 1.31.4 수준인 알츠하이머 연구는 P≈0.5 로 교란이 충분히 강할 가능성이 절반에 가깝다. 또한 동일 연구 내에서도 노출 강도에 따라 P가 크게 변동함을 확인했다(예: 흡연 연구에서 가정된 노출 대비 가정된 가정에 따라 P가 0.160.20). 이러한 결과는 기존의 “E‑value가 크면 견고하다”는 정성적 해석을 확률적·정량적 차원으로 확장한다.

이 접근법의 장점은 (1) 요약 통계만으로 적용 가능해 데이터 접근 제한이 큰 상황에서도 활용 가능, (2) 사전 지식을 명시적으로 반영해 연구자 주관을 투명하게 만들며, (3) 사후 확률이라는 직관적인 척도로 정책·임상 의사결정에 직접 활용할 수 있다는 점이다. 반면 모델이 단일 교란 파라미터 Γ에 의존한다는 단순화 가정, 사전 선택에 대한 민감도, 그리고 실제 교란 구조가 복합적일 경우 모델 불일치 위험이 존재한다는 한계도 논의된다. 저자는 향후 다중 교란 요인 모델링, 사전 민감도 분석, 그리고 개별 연구 설계와 결합한 베이지안 네트워크 확장 등을 제안한다.