증거 기반 사전 분포 하에서의 인과 추론 추정량의 베이즈 민감도

인과 추론(Causal inference)은 특히 관찰 연구에서 진정한 데이터 생성 과정에 대한 검증 불가능한 가정에 의존합니다. 민감도 분석(Sensitivity analysis)은 이러한 근본적인 가정을 변경했을 때 우리의 결론이 얼마나 견고한지 판단하는 데 도움을 줍니다. 기존의 민감도 분석 프레임워크는 가정의 최악의 경우 변화에 초점을 맞추고 있습니다. 본 연구에서는 이러한 비관적인 기준을 사용하는 것이 종종 정보성이 떨어지거나 세상에 대한 우리의 사전 지식과 모순되는 결론으로 이어질 수 있다고 주장합니다. 이 주장을 입증하기 위해, 우리는 최근의 s-value 프레임워크(Gupta & Rothenhäusler, 2023)를 일반화하여 인과 추론에서 사용되는 세 가지 다른 일반적인 가정의 민감도를 추정합니다. 경험적으로, 우리는 최악의 경우에 대한 민감도 결론이 데이터 생성 과정의 비현실적인 변화에 의존할 수 있음을 발견했습니다. 이를 극복하기 위해, 우리는 새로운 민감도 분석 기준인 베이즈 민감도 값(Bayesian Sensitivity Value, BSV)으로 s-value 프레임워크를 확장합니다. BSV는 실제 세계 증거로부터 구성된 사전 분포 하에서 가정 위반에 대한 추정량의 기대 민감도를 계산합니다. 우리는 몬테카를로 근사(Monte Carlo approximations)를 사용하여 이 양을 추정하고, 당뇨병 치료가 체중 감소에 미치는 영향에 대한 관찰 연구에 그 적용 가능성을 설명합니다.