발행 | 최종 업데이트 :
의학 연구에서 성향 점수 매칭(Propensity Score Matching, PSM)은 관찰 데이터로부터 인과 관계를 추론하는 데 가장 강력한 도구 중 하나로 자리 잡았습니다. 무작위 대조 시험(RCT)을 시행하기 어렵거나, 윤리적으로 문제가 있거나, 비용이 너무 많이 드는 경우, 연구자들은 선택 편향을 줄이고 통제된 실험 조건과 유사한 환경을 조성하기 위해 성향 점수 매칭 기법을 활용합니다. 이 종합적인 튜토리얼은 연구 설계부터 논문 발표에 필요한 보고서 작성까지, 연구에 성향 점수 매칭(PSM)을 적용하는 모든 단계를 안내합니다.
전자 건강 기록, 대규모 행정 데이터베이스 또는 레지스트리 데이터를 분석하든 관계없이 의학 연구에서 성향 점수 매칭을 이해하는 것은 엄격한 검증을 견딜 수 있는 신뢰할 만한 동료 검토 결과를 도출하는 데 필수적입니다.
성향 점수 매칭이란 무엇인가요?
로젠바움과 루빈이 1983년에 처음 소개한 성향 점수는 관찰된 기준선 공변량 집합이 주어졌을 때 치료(또는 노출)를 받을 조건부 확률로 정의됩니다. 수학적으로 성향 점수 e(x) = P(T = 1 | X = x)이며, 여기서 T는 치료 지표이고 X는 관찰된 공변량 벡터를 나타냅니다.
연구자들은 유사한 성향 점수를 공유하는 치료군과 비치료군을 매칭함으로써 사실상 유사 무작위 비교군을 생성합니다. 이는 관찰된 교란 변수의 분포를 두 그룹 간에 균형 있게 조정하여 무작위화되지 않은 데이터로부터 치료 효과를 보다 정확하게 추정할 수 있도록 합니다.
의학 연구에서 성향 점수 매칭을 사용하는 이유는 무엇일까요?
관찰 연구는 의학 연구 분야에서 지배적인 위치를 차지하고 있습니다. 대규모 행정 데이터베이스, 전자 건강 기록(EHR), 질병 등록 시스템은 무작위 대조 시험(RCT) 결과를 보완하는 풍부한 실제 데이터를 제공합니다. 그러나 이러한 데이터 소스는 치료 배정이 무작위가 아니기 때문에 본질적인 선택 편향을 내포하고 있습니다.
성향 점수 매칭은 다음과 같은 몇 가지 핵심적인 장점을 통해 이러한 근본적인 문제를 해결합니다.
교란 편향 감소: PSM은 무작위 배정을 통해 달성되는 균형을 모방하여 치료군 간의 관찰된 공변량을 균형 있게 조정합니다. 고차원 데이터 처리: 수십 개의 공변량을 개별적으로 조정하는 대신, PSM은 측정된 모든 교란 변수를 단일 스칼라 점수로 압축합니다. 투명한 품질 평가: 회귀 조정과 달리, PSM을 통해 연구자는 결과 분석 전에 공변량 균형이 달성되었는지 직접 확인할 수 있습니다. 규제 및 동료 검토 승인: PSM은 FDA, EMA와 같은 규제 기관과 학술지 편집자들에게 관찰 데이터로부터 인과 추론을 위한 엄격한 접근 방식으로 널리 인정받고 있습니다.
1단계: 연구 질문 및 연구 설계 정의
성향 점수를 계산하기 전에 치료군과 대조군, 주요 결과 변수와 보조 결과 변수, 그리고 성향 점수 모델에 사용할 사전 처리 공변량 집합이라는 세 가지 핵심 요소를 명확하게 정의해야 합니다.
먼저 변수들 간의 인과 관계를 나타내는 방향성 비순환 그래프(DAG)를 작성하십시오 . 이 시각적 도구를 사용하면 어떤 변수가 진정한 교란 변수(치료 배정 및 결과 모두에 영향을 미치는 변수), 어떤 변수가 매개 변수(인과 경로 상에 있는 변수), 그리고 어떤 변수가 콜라이더(조건부로 고려해서는 안 되는 변수)인지 식별할 수 있습니다.
공변량 선택 시에는 치료 배정과의 연관성이 약하더라도 결과 변수를 강력하게 예측하는 변수를 우선적으로 고려해야 합니다. Brookhart 등(2006)의 연구에 따르면 이러한 변수를 포함하면 편향을 증가시키지 않으면서 치료 효과 추정치의 정확도를 향상시킬 수 있습니다.
2단계: 성향 점수 추정
성향 점수를 추정하는 가장 일반적인 접근 방식은 로지스틱 회귀 분석 이며 , 여기서 이진 치료 지표가 종속 변수로, 기준 시점의 공변량이 독립 변수로 사용됩니다. 이 모델에서 예측된 확률이 각 대상자의 성향 점수가 됩니다.
R 언어에서 널리 사용되는 MatchIt 패키지는 이 과정을 간소화합니다.
# Install and load required packages
library(MatchIt)
library(cobalt)
# Estimate propensity scores and perform matching
ps_model <- matchit(
treatment ~ age + sex + bmi + smoking_status +
comorbidity_score + baseline_creatinine +
diabetes + hypertension + prior_surgery,
data = study_data,
method = "nearest",
distance = "glm", # logistic regression (default)
caliper = 0.2, # caliper in SD units of logit PS
ratio = 1 # 1:1 matching
)
# View matching summary
summary(ps_model)로지스틱 회귀 분석 외에도 여러 머신러닝 접근 방식을 통해 성향 점수를 더욱 유연하게 추정할 수 있습니다.
| 방법 | 장점 | R 패키지 |
|---|---|---|
| 로지스틱 회귀 | 간단하고, 해석하기 쉽고, 널리 받아들여진다. | 매치잇(glm) |
| 일반화 부스팅 모델(GBM) | 비선형 관계 및 상호 작용을 자동으로 포착합니다. | 콧소리 |
| 분류 트리(CART) | 누락된 데이터를 처리하고 중요한 상호 작용을 식별합니다. | 부품 |
| 랜덤 포레스트 | 모델 오설정에 강건함 | 랜덤 포레스트 |
3단계: 치료군과 대조군 대상 매칭
성향 점수가 추정되면 다음 단계는 적절한 매칭 알고리즘을 선택하는 것입니다. 알고리즘 선택은 결과에 상당한 영향을 미칠 수 있으므로 옵션을 이해하는 것이 매우 중요합니다.
최근접 이웃 매칭은 가장 일반적인 접근 방식입니다. 각 치료 대상자는 성향 점수가 가장 유사한 대조 대상자와 매칭됩니다. 매칭된 쌍 사이의 최대 허용 거리인 캘리퍼를 사용하면 부적절한 매칭을 방지할 수 있습니다. Austin(2011)은 성향 점수 로짓의 표준 편차의 0.2배를 캘리퍼 너비로 사용할 것을 권장하며, 이는 측정된 교란 변수의 편향을 약 98% 제거하는 것으로 나타났습니다.
최적 매칭은 한 번에 한 쌍씩 매칭하는 방식이 아니라, 매칭된 모든 쌍 사이의 총 거리를 동시에 최소화합니다. 이는 전역적으로 최적의 매칭 결과를 제공하지만, 대규모 데이터셋의 경우 계산량이 많습니다.
완전 매칭(Full Matching)은 다양한 매칭 비율을 사용하여 최소한 한 명의 치료군 대상자와 한 명의 대조군 대상자를 포함하는 매칭 세트를 생성합니다. 이는 원래 표본을 더 많이 유지하고 통계적 효율성을 향상시킬 수 있습니다.
주요 변수에 대한 정확한 매칭 과 성향 점수 매칭을 결합하면 중요한 공변량(예: 성별, 연구 장소)에서 완벽한 균형을 보장하는 동시에 성향 점수를 사용하여 나머지 변수의 균형을 맞출 수 있습니다.
# Different matching methods in MatchIt
# 1:1 Nearest neighbor with caliper
m_nn <- matchit(treatment ~ covariates, data = df,
method = "nearest", caliper = 0.2)
# Optimal matching
m_opt <- matchit(treatment ~ covariates, data = df,
method = "optimal")
# Full matching
m_full <- matchit(treatment ~ covariates, data = df,
method = "full")
# Exact matching on sex + PS matching on rest
m_exact <- matchit(treatment ~ covariates, data = df,
method = "nearest", exact = ~ sex)4단계: 공변량 균형 평가
이는 성향 점수 매칭에서 가장 중요한 단계라고 할 수 있으며, 동시에 가장 부실하게 수행되는 단계이기도 합니다. 매칭 후에는 치료군 간의 공변량이 균형을 이루는지 엄격하게 검증해야 합니다.
가장 표준적인 지표는 표준화 평균 차이(SMD) 입니다 . SMD가 0.1 미만(표준 편차 차이의 10% 미만)이면 균형이 잘 잡혀 있다고 널리 인정됩니다. p값과 달리 SMD는 표본 크기의 영향을 받지 않으므로 균형을 평가하는 데 더 적합합니다.
# Comprehensive balance assessment with cobalt
library(cobalt)
# Balance table
bal.tab(ps_model,
thresholds = c(m = 0.1), # SMD threshold
un = TRUE) # Show unmatched comparison
# Love plot (visual balance assessment)
love.plot(ps_model,
threshold = 0.1,
abs = TRUE,
var.order = "unadjusted",
title = "Covariate Balance Before and After Matching")
# Density plots for propensity score distribution
bal.plot(ps_model, var.name = "distance",
which = "both", type = "density")5단계: 치료 효과 추정 및 결과 보고
균형 잡힌 매칭 표본을 사용하면 이제 치료 효과를 추정할 수 있습니다. PSM에서 주요 추정량은 일반적으로 치료를 받은 사람들의 평균 치료 효과(ATT) 입니다.
적절한 통계적 검정 방법은 결과 유형에 따라 다릅니다.
| 결과 유형 | 추천 분석 | R 함수 |
|---|---|---|
| 이진 변수 (예: 사망률) | 조건부 로지스틱 회귀 분석 또는 맥네마 검정 | survival의 clogit() |
| 연속형 변수 (예: 검사 결과) | 클러스터 ID를 사용한 쌍체 t-검정 또는 GEE | t.test(paired=TRUE) |
| 사건 발생 시간(생존) | 층화 Cox 모델 또는 견고한 SE Cox 모델 | coxph()와 cluster() |
| 계산 (예: 입원 일수) | 매칭 쌍 ID를 사용한 음이항 분포 | MASS의 glm.nb() |
측정되지 않은 교란변수에 대한 민감도 분석: PSM은 관찰된 교란변수만 고려합니다. 따라서 잠재적인 측정되지 않은 교란변수에 대한 결과의 민감도를 평가해야 합니다. 널리 사용되는 두 가지 방법으로는 로젠바움 경계 (측정되지 않은 교란변수가 결과를 무효화하기 위해 얼마나 강력해야 하는지를 정량화)와 E값 (측정되지 않은 교란변수가 관찰된 효과를 설명하기 위해 치료 및 결과 모두와 최소한으로 연관되어야 하는 정도)이 있습니다.
성향 점수 매칭에서 피해야 할 일반적인 실수
의학 저널에 게재된 PSM 적용 사례에 대한 체계적인 검토를 바탕으로, 연구자들이 가장 자주 저지르는 오류는 다음과 같습니다.
1. 치료 후 변수 포함: 치료 배정 후 측정된 변수는 치료 자체의 영향을 받을 수 있으며, 과잉 조정이나 교란 변수 편향을 유발할 수 있습니다. 치료 전(기준선) 공변량만 포함하십시오.
2. 공변량 균형 평가 실패: 매칭을 통해 실제로 균형이 달성되었는지 확인하지 않고 성향 점수 모델 적합도(예: C-통계량)만 보고하는 경우. 모든 공변량에 대한 표준화 평균 차이(SMD)를 항상 보고해야 합니다.
3. 분석에서 매칭된 설계를 무시하는 경우: 1:1 매칭 후 데이터는 쌍을 이루게 됩니다. 쌍을 이루지 않은 통계 검정을 사용하면 이러한 구조를 무시하게 되어 잘못된 표준 오차와 p값을 산출할 수 있습니다.
4. 매칭되지 않은 대상자에 대한 정보 미보고: 많은 연구에서 치료받은 대상자 중 매칭되지 않은 대상자의 수와 이들이 매칭된 대상자와 체계적으로 다른지 여부를 명시하지 않습니다. 이는 ATT 추정치의 일반화 가능성에 영향을 미칩니다.
5. 민감도 분석 생략: 학술지와 심사위원들은 측정되지 않은 교란 변수에 대한 민감도 분석을 점점 더 요구하고 있습니다. 이러한 분석이 없으면 인과 관계에 대한 주장이 약해집니다.
성향 점수 매칭과 다른 인과 추론 방법 비교
PSM은 관찰 데이터를 기반으로 인과 관계를 추론하는 여러 접근 방식 중 하나입니다. 각 방법을 언제 사용해야 하는지 이해하면 연구 질문에 가장 적합한 설계를 선택하는 데 도움이 됩니다.
| 방법 | 지원 기기 | 주요 제한 사항 |
|---|---|---|
| 성향 점수 매칭 | 이진 처리, 투명한 잔액 확인 | 측정된 교란변수만 다루며, 일치하지 않는 대상자로부터 표본 손실이 발생합니다. |
| 역 확률 치료 가중치(IPTW) | 전체 샘플 보존; ATE 추정 | 과도한 무게는 불안정성을 초래할 수 있으므로 무게 제한이 필요합니다. |
| 도구변수 분석 | 측정되지 않은 교란 요인 해결 | 유효한 계측기가 필요합니다 (찾기 어려운 경우가 많습니다). |
| 차이점-중-차이점 | 정책 변화; 사전-사후 설계 | 평행 추세 가정이 필요합니다 |
| 회귀 불연속 | 임계값에 따라 결정되는 치료 | 절단점 근처에서만 일반화 가능성이 제한적입니다. |
PSM 보고: STROBE 체크리스트
성향 점수 분석 결과를 보고할 때는 STROBE(역학 분야 관찰 연구 보고 강화) 가이드라인에 성향 점수 모델(PSM) 관련 확장 내용을 포함해야 합니다. 방법론 섹션에서는 성향 점수 모델에 포함된 변수와 그 선택 근거, 성향 점수 추정 방법, 매칭 알고리즘 및 매개변수(캘리퍼 폭, 매칭 비율), 균형 진단 및 임계값, 그리고 매칭 설계를 고려한 분석 접근 방식을 설명해야 합니다.
결과 섹션에는 매칭 전후의 대상자 수, 매칭 전후의 표준화 평균 차이(SMD)를 포함한 기준 특성 표, 러브 플롯 또는 이와 유사한 균형 시각화 자료, 신뢰 구간을 포함한 추정 치료 효과, 그리고 측정되지 않은 교란 변수에 대한 민감도 분석 결과를 보고해야 합니다.
성향 점수 매칭을 위한 도구 및 소프트웨어
다양한 소프트웨어 플랫폼에서 PSM 구현을 지원합니다. R 에서는 MatchIt 패키지(Ho et al.)가 가장 포괄적이며, 여러 매칭 방법을 지원하고 균형 평가를 위해 cobalt 패키지와 통합되어 있습니다. Stata는 내장된 균형 진단 기능을 갖춘 teffects psmatch 명령어를 제공합니다. Python 사용자는 causalinference 및 DoWhy 라이브러리를 활용할 수 있으며, SAS는 버전 14.1 이상에서 PROC PSMATCH를 제공합니다.
PSM 연구를 계획하는 연구자에게 적절한 표본 크기를 결정하는 것은 매우 중요합니다. Editverse 무료 표본 크기 계산기는 예상 효과 크기, 매칭 비율 및 예상 공변량 분포를 고려하여 특정 연구 설계에 필요한 표본 크기를 추정하는 데 도움을 줍니다.
Editverse의 전문적인 통계 지원
성향 점수 매칭을 정확하게 구현하려면 인과 추론 이론, 통계 프로그래밍, 공변량 선택 및 방법론적 보고 표준을 아우르는 전문 지식이 필요합니다. 경험이 풍부한 연구자조차도 특히 복잡한 데이터 세트, 드문 결과 또는 중대한 임상적 결정을 다룰 때는 전문가의 지도를 받는 것이 도움이 될 수 있습니다.
Editverse는 관찰 연구 설계에 대한 전문적인 지원이 필요한 의학 연구자들을 위해 특별히 고안된 포괄적인 통계 분석 서비스를 제공합니다 . 당사의 생물통계학 전문가 팀은 연구 설계 및 DAG(방향 비순환 그래프) 구성부터 성향 점수 추정, 매칭 최적화, 민감도 분석, 그리고 출판용 표, 그림 및 통계 보고서 작성에 이르기까지 전 과정에 걸쳐 지원을 제공합니다.
또한, 저희는 모든 경력 단계의 연구자들을 위해 메타 분석 , 체계적 문헌 고찰 지원 , 종합적인 생물통계학 컨설팅을 포함한 전문 서비스를 제공합니다 .
성향 점수 매칭에 대한 전문가의 도움이 필요하신가요?
저희 생물통계학자들이 최고 수준의 논문 발표 기준에 맞춰 PSM 분석을 설계, 실행 및 보고해 드립니다.
참고자료
- Rosenbaum PR, Rubin DB. 인과 효과에 대한 관찰 연구에서 성향 점수의 핵심적인 역할. Biometrika. 1983;70(1):41-55. doi:10.1093/biomet/70.1.41
- Austin PC. 관찰 연구에서 교란 변수의 영향을 줄이기 위한 성향 점수 방법 소개. 다변량 행동 연구. 2011;46(3):399-424. doi:10.1080/00273171.2011.568786
- Stuart EA. 인과 추론을 위한 매칭 방법: 검토 및 전망. 통계 과학. 2010;25(1):1-21. doi:10.1214/09-STS313
- Brookhart MA, Schneeweiss S, Rothman KJ, 외. 성향 점수 모델을 위한 변수 선택. 역학의 미국의 저널. 2006;163(12):1149-1156. doi:10.1093/aje/kwj149
- Ho DE, Imai K, King G, Stuart EA. MatchIt: 모수적 인과 추론을 위한 비모수적 전처리. 통계 소프트웨어 저널. 2011;42(8):1-28. doi:10.18637/jss.v042.i08
- VanderWeele TJ, Ding P. 관찰 연구에서의 민감도 분석: E-값 소개. 내과 실록. 2017;167(4):268-274. doi:10.7326 / M16-2607
- Ali MS, Groenwold RH, Belitser SV 등. 성향 점수 분석에서 공변량 선택 및 균형 평가 보고는 최적화되지 않았습니다: 체계적 검토. 임상 역학 저널. 2015;68(2):122-131. doi:10.1016/j.jclinepi.2014.08.011
- Lunt M. 성향 점수 매칭에서 좋은 균형을 이루려면 적절한 캘리퍼를 선택하는 것이 필수적일 수 있습니다. 역학의 미국의 저널. 2014;179(2):226-235. doi:10.1093/aje/kwt212
Editverse 관련 자료
→ 무료 샘플 크기 계산기
→ 통계 분석 서비스
→ 통계 분석 제품
→ 메타 분석 서비스
→ 체계적인 검토 지원
→ 원고 편집 서비스
→ Editverse에 문의하세요