[논문 리뷰] Does adjustment for measurement error induce positive bias if there is no true association?

Igor Burstyn|ArXiv.org|2009. 02. 06.

Statistical Methods and Bayesian Inference참고 문헌 15인용 수 5

한 줄 요약

이 논문은 진정한 연관성이 존재하지 않을 때, 역학 연구에서 측정 오차 보정이 허위로 양의 연관성을 유도하는지 조사한다. 고전적 곱셈 오차 모델 하에서 시뮬레이션 연구와 베이지안 방법을 사용하여, 적절한 보정은 양의 편향을 유도하지 않음을 입증한다. 반면, 이러한 편향은 보정 방법 자체의 문제보다는 부적절하게 강한 사전분포에서 기인한다.

ABSTRACT

This article is a response to an off-the-record discussion that I had at an international meeting of epidemiologists. It centered on a concern, perhaps widely spread, that measurement error adjustment methods can induce positive bias in results of epidemiological studies when there is no true association. I trace the possible history of this supposition and test it in a simulation study of both continuous and binary health outcomes under a classical multiplicative measurement error model. A Bayesian measurement adjustment method is used. The main conclusion is that adjustment for the presumed measurement error does not 'induce' positive associations, especially if the focus of the interpretation of the result is taken away from the point estimate. This is in line with properties of earlier measurement error adjustment methods introduced to epidemiologists in the 1990s. An heuristic argument is provided to support the generalizability of this observation in the Bayesian framework. I find that when there is no true association, positive bias can only be induced by indefensible manipulation of the priors, such that they dominate the data. The misconception about bias induced by measurement error adjustment should be more clearly explained during the training of epidemiologists to ensure the appropriate (and wider) use of measurement error correction procedures. The simple message that can be derived from this paper is: 'Do not focus on point estimates, but mind the gap between boundaries that reflect variability in the estimate'. And of course: 'Treat measurement error as a tractable problem that deserves much more attention than just a qualitative (throw-away) discussion'.

연구 동기 및 목표

• 역학자들 사이에서 널리 퍼져 있는 우려인 측정 오차 보정 방법이 실제로는 양의 연관성을 잘못 유도할 수 있다는 점을 다루기 위해.
• 노출과 결과 사이에 진정한 연관성이 없을 때, 베이지안 측정 오차 보정이 편향을 유도하는지 테스트하기 위해.
• 통계 분석에서 측정 오차 보정 방법의 행동에 대한 오해를 명확히 하기 위해.
• 수정된 결과를 해석할 때 점추정치보다 신뢰구간을 중심에 두는 것이 중요함을 강조하기 위해.
• qualitative 비판적 언급보다는 더 철저하고 정량적인 측정 오차 접근을 역학 연구에서 권장하기 위해.

제안 방법

• 연속적 및 이진 건강 결과에 대해 고전적 곱셈 측정 오차 모델 하에서 시뮬레이션 연구를 수행하였다.
• 약한 정보를 갖는 사전분포를 사용한 베이지안 측정 오차 보정 방법을 적용하여 수정된 효과 크기를 추정하였다.
• 진정한 연관성이 없는 근본가설 하에서 수정된 분석 결과를 수정하지 않은 모델의 결과와 비교하였다.
• 시뮬레이션 전반에서 유의수준 오류 빈도와 추정된 효과 크기의 분포를 평가하였다.
• 베이지안 프레임워크 내에서 일반화 가능성에 대한 힌트를 제공하기 위해 히우리스틱 논증을 사용하였다.
• 특히 강한 증거가 없을 때 데이터를 지배하는 사전분포의 영향을 평가하였다.

실험 결과

연구 질문

• RQ1 노출과 결과 사이에 진정한 연관성이 없을 때 역학 연구에서 측정 오차 보정이 양의 편향을 유도하는가?
• RQ2 특히 베이지안 프레임워크에서 측정 오차 보정이 허위 연관성을 유도할 수 있는 조건은 무엇인가?
• RQ3 사전분포의 선택이 측정 오차 보정된 추정치의 편향 가능성을 어떻게 영향을 주는가?
• RQ4 수정된 분석에서 점추정치는 신뢰구간 전체보다 얼마나 잘못된 정보를 줄 수 있는가?
• RQ5 왜 측정 오차 보정이 허위 연관성을 유도한다는 오해가 끈적하게 지속되는가?

주요 결과

• 사전분포가 부적절하게 강하지 않은 한, 진정한 연관성이 없을 때 측정 오차 보정은 양의 편향을 유도하지 않는다.
• 시뮬레이션 결과는 적절한 사전분포 설정 하에서 유의수준 오류율이 명목상 수준(예: 5%)에 매우 가까운 것으로 나타나, 체계적인 편향이 없음을 시사한다.
• 사전분포가 데이터를 지배할 때만 양의 편향이 나타나며, 이는 보정 기법 자체의 결함보다는 방법론적 오용을 반영한다.
• 베이지안 측정 오차 보정 방법은 근본가설 하에서 추론의 타당성을 유지하며, 1990년대에 개발된 이전 방법들과 일관된다.
• 연구는 주요 우려원인인 점추정치의 오해가 신뢰구간에 초점을 맞춤으로써 완화될 수 있음을 확인한다.
• 이러한 결과는 측정 오차가 인정되고 모델링될 경우, 측정 오차 보정이 역학 연구에서 타당하고 필수적인 도구임을 지지한다.