헌팅턴병 연구에서 현재의 목표 중 하나는 임상 진단 이전에 증상이 어떻게 변화하는지를 이해하는 것이다. 통계적으로 이는 증상 중증도를 공변량인 ‘진단까지의 시간(time until diagnosis)’의 함수로 모형화하는 것을 포함하며, 이는 관찰 연구에서 종종 강한 우측 검열(right-censored)을 동반한다. 우측 검열된 공변량을 처리하는 기존 추정기들은 검열된 공변량 및 검열 변수(censoring variable)의 주변분포(nuisance distribution)에 대해 모형이 잘못 지정(misspecified)된 경우의 통계적 효율성과 견고성이 서로 다르다. 한 극단에는 완전 사례 추정(complete case estimation)이 있는데, 이는 검열되지 않은 자료만을 사용하므로 주변분포 모형의 영향을 받지 않지만 정보가 있는 검열 관측치를 버린다. 다른 극단에서는 최대우도추정(maximum likelihood estimation)이 최대의 효율성을 갖지만 공변량의 분포가 잘못 지정되면 일치성을 보장하지 못한다. 우리는 견고하고 효율적인 반모수적(semiparametric) 추정기를 제안한다. 주변분포가 모수적으로 모형화되는 경우, 이 추정기는 이중 견고성(doubly robust)을 가지는데, 즉 적어도 한 분포가 올바르게 지정되면 일치하며, 두 모형이 모두 올바르게 지정되면 반모수적 효율성을 갖는다. 주변분포가 비모수적 또는 머신러닝 방법으로 추정되는 경우, 이 추정기는 일치적이며 반모수적으로 효율적이다. 우리는 R 패키지 sparcc에 구현된 제안 추정기가 주장된 성질을 갖는다는 점을 경험적으로 보이고, Enroll-HD 연구 자료를 사용하여 헌팅턴병 증상 궤적(symptom trajectories)을 연구하는 데 이를 적용한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.