RWD 연구에서 결측 시나리오별 민감도 분석 전략 시뮬레이션 평가

국문 초록 (Abstract)

Real-World Data(RWD)에서 관찰되는 결측 양상 하에서 다중 대체(MI), Missing Indicator, complete-case analysis(CCA)의 성능을 비교하고, delta-adjustment를 적용한 Not-at-Random Fully Conditional Specification(NARFCS) 민감도 분석을 통해 MI 기반 추론의 MNAR 이탈에 대한 강건성을 평가하고자 하였다. 재구성된 기준 데이터셋을 이용하여 RWD 유사 결측 환경에서 MI, Missing Indicator, CCA를 비교하였다. 성능 평가는 주로 mean L1 bias를 기준으로 수행되었으며 MI의 강건성은 delta-adjusted NARFCS를 통해 평가하였다. 소규모(1.58), 중간 규모(1.16), 대규모(1.15) 코호트에 대해 기준 HR을 정의하였다. 결측률이 증가함에 따라 mean L1 bias는 MI와 Missing Indicator 에서는 완만하게 증가한 반면(0.010–0.026), CCA에서는 현저하게 증가하였으며(0.050–0.170), 특히 결측률이 30%를 초과하는 구간에서 두드러진 증가를 보였다. 표본 크기가 증가함에 따라 모든 방법에서 mean L1 bias는 감소하였다(MI: 0.029→0.014; Missing Indicator: 0.036→0.014; CCA: 0.163→0.069). 결측 구조 전반에서 MI는 MNAR 포함 여부에 따라 성능 차이를 보였고, Missing Indicator는 결측 구조의 복잡성이 증가할수록 편향이 증가하였으며(0.019→0.024), CCA에서는 체계적인 패턴이 관찰되지 않았다. MNAR 민감도 분석에서 MI 기반 HR은 ΔHR = 0.004–0.013 범위 내에서 변동하였다. MI는 전반적인 조건에서 비교적 안정적인 성능을 보였으나 MNAR 메커니즘에는 민감하게 반응하였다. Missing Indicator 은 결측률 자체에는 비교적 둔감하였으나, 표본 크기, MNAR 포함 여부, 그리고 결측 차원이 증가할수록 점차적인 영향을 받는 것으로 나타났으며, CCA는 특히 표본 크기가 작고 결측률이 높은 조건에서 가장 큰 전반적 변동성을 보였다. 이러한 결과는 실제 세계 데이터에서 결측의 전체 구조를 특성화하고 이에 부합하는 민감도 분석 전략을 채택할 필요성을 강조한다.

다국어 초록 (Multilingual Abstract)

To compare the performance of multiple imputation (MI), missing Indicator, and complete-case analysis (CCA) methods under RWD-like missingness, and to assess the robustness of MI-based inference to MNAR departures using NARFCS delta-adjustment sensitivity analysis. Using a reconstructed reference dataset, MI, the Missing Indicator method, and CCA were compared under RWD-like missingness. Performance was primarily assessed by mean L1 bias, and MI robustness was evaluated using delta-adjusted NARFCS. Reference HRs were defined for the small (1.58), medium (1.16), and large (1.15) cohorts. With increasing missingness, mean L1 bias increased modestly for MI and the Missing Indicator method (0.010–0.026) and markedly for CCA (0.050–0.170), with pronounced increases beyond 30% missingness. With increasing sample size, mean L1 bias decreased for all methods (MI: 0.029→0.014; Missing Indicator: 0.036→0.014; CCA: 0.163→0.069). Across missing-data structures, MI differed by MNA inclusion, the Missing Indicator method showed increasing bias with greater complexity (0.019→0.024), and no systematic pattern was observed for CCA. In MNAR sensitivity analyses, MI-based HRs varied within ΔHR = 0.004–0.013. MI was generally stable across conditions but remained sensitive to MNAR mechanisms. The missing-indicator method was relatively insensitive to missing rate but was increasingly influenced by sample size, MNAR inclusion, and higher missing-data dimensionality, whereas CCA showed the greatest overall variability, particularly in response to smaller sample sizes and higher missing rates. Together, these findings highlight the need to characterize missing-data patterns and to adopt sensitivity analysis strategies that reflect the overall structure of incompleteness in real-world data.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 3
• 제2장 이론적 배경 및 문헌 고찰 4
• 2.1 결측 데이터의 개념과 분석에 미치는 영향 4
• 2.2 결측 처리 방법의 이론적 기반 6
• 2.2.1 완전사례분석(Complete Case Analysis, CCA) 6
• 2.2.2 결측 지시자(Missing Indicator) 7
• 2.2.3 다중대체법(Multiple Imputation, MI) 8
• 2.2.4 NARFCS (Not at Random Fully Conditional Specification) 10
• 2.3 RWD에서 관찰되는 결측 양상 11
• 2.4 결측 처리 방법에 대한 기존 시뮬레이션 연구 13
• 제3장 연구 방법 15
• 3.1 연구 설계 개요 15
• 3.2 기준 데이터셋 17
• 3.2.1 연구 데이터 구성 17
• 3.2.2 기준 모형 20
• 3.3 결측 데이터 생성 시나리오 21
• 3.4 분석 대상 결측 처리 방법 24
• 3.4.1 완전사례분석(Complete Case Analysis, CCA) 24
• 3.4.2 결측 지시자(Missing Indicator) 25
• 3.4.3 다중대체법(Multiple Imputation, MI) 26
• 3.4.4 NARFCS (Not at Random Fully Conditional Specification) 27
• 3.5 평가 지표 29
• 3.6 시뮬레이션 구현 절차 31
• 제 4장 연구 결과 33
• 4.1 기준 데이터셋의 특성 요약 33
• 4.2. 결측률 증가에 따른 성능 변화 36
• 4.3. 표본 크기에 따른 성능 변화 40
• 4.4. 결측 구조에 따른 성능 비교 43
• 4.4.1 결측 변수 수 43
• 4.4.2 결측 메커니즘 44
• 4.5. NARFCS 기반 MNAR 민감도 분석 결과 47
• 제 5 장 고찰 50
• 5.1 주요 결과 요약 50
• 5.2 결측률 증가에 따른 방법 간 특성 51
• 5.3 표본 크기에 따른 특성 53
• 5.4 결측 구조(변수 수, 메커니즘)에 따른 특성 56
• 5.4.1 결측 변수 수에 따른 변화 56
• 5.4.2 결측 메커니즘(MAR, MNAR, 혼합)에 따른 특성 57
• 5.5 종합적 해석 및 실무적 시사점 59
• 제 6 장 결론 61