GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations

技術的サマリー：GEEPERs – プリンシパルスコアとスタッキング推定方程式を用いたプリンシパル層別化

問題の定義
プリンシパル層別化は、治療によって影響を受ける可能性のある事後変数（例：コンプライアンス行動）によって定義されるサブグループに対する治療効果を推定するために設計された因果推論の枠組みです。この分野における主要な課題は、プリンシパル層（例：「コンプライアンスする者」対「決して治療を受けない者」）が観測されない反事実であることです。研究者は、異なる治療割り当ての下で被験者のコンプライアンス状態がどうなっていたかを観測することはできません。

既存のプリンシパル効果の推定量は、しばしば強い構造的仮定や複雑なモデリング技術に依存しており、応用研究者のアクセスを制限しています。具体的には：

1. パラメトリック混合モデル： これらはしばしばベイズマルコフ連鎖モンテカルロ（MCMC）法を必要とし、仕様が困難であり、分布仮定（例：正規性）が違反された場合、深刻なバイアスを伴う推定量をもたらす可能性があります。
2. プリンシパルスコア重み付け： 実装は容易ですが、これらの方法は「プリンシパル無視可能性」仮定（共変量を条件とした場合、プリンシパル層の所属は潜在的な結果と独立であるという仮定）に依存しています。これは、無作為化試験が特に回避するために設計された、観察研究で必要とされるのと同様の、強く検証不可能な仮定です。

手法：GEEPERs
著者は、プリンシパル層の所属が治療群では観測されるが対照群では観測されない一方向の非コンプライアンス状況に対する新しい推定量として、GEEPERs（回帰を用いたプリンシパル効果のための一般推定方程式）を導入します。この手法は、プリンシパルスコアの推定とプリンシパル効果の推定を組み合わせるために、M 推定とスタッキング推定方程式に依存しています。

GEEPERs の手順は、単一の回帰モデルとして実装される 3 段階の論理に従います：

1. プリンシパルスコアの推定： 治療群からの観測されたコンプライアンスデータと治療前共変量（$x$）を用いて、「コンプライアンスする者」層（$S_T=1$）に所属する確率を予測するモデル（例：ロジスティック回帰）を当てはめます。この確率を $e(x)$ とします。
2. 欠損層の補完： 対照群で観測されていない層の所属の代理となる変数 $R_i$ を構築します：
   • $Z_i=1$（治療）の場合、$R_i = S_i$（観測されたコンプライアンス）。
   • $Z_i=0$（対照）の場合、$R_i = e(x_i)$（推定されたプリンシパルスコア）。
3. OLS による効果の推定： 結果変数 $Y$ を、治療指標 $Z$、補完された層の代理変数 $R$、およびそれらの交互作用に対して、独立性仮定を緩和するために共変量 $g(x)$ を含める可能性のある通常最小二乗法（OLS）回帰を当てはめます：
   $$Y_i = \beta_0 + \beta_1 R_i + \beta_2 Z_i + \beta_3 (Z_i R_i) + \gamma' g(x)_i + \epsilon_i$$
   プリンシパル効果は、係数の線形結合として復元されます：$\hat{\tau}_0 = \hat{\beta}_2$ および $\hat{\tau}_1 = \hat{\beta}_2 + \hat{\beta}_3$。

主要な仮定と技術的特性

• 強い単調性： 一方向の非コンプライアンス（例：すべての $i$ に対して $S_{Ci}=0$）を仮定します。つまり、対照群に割り当てられた場合はコンプライアンスするが、治療群に割り当てられた場合はコンプライアンスしない被験者はいないことを意味します。
• 残差化共変量独立性： この手法は、共変量の線形調整を可能にすることで、厳密な「共変量独立性」仮定を緩和します。これは、共変量を調整した後、潜在的な結果が層内で共変量から平均的に独立であると仮定します。
• 分布仮定の不在： 混合モデルとは異なり、GEEPERs は回帰誤差に対して特定の分布を仮定しません。
• 標準誤差： この手法は 2 段階のプロセス（スコアの推定、次に効果の推定）を含むため、著者はスタッキング推定方程式を利用します。これにより、最初の段階（スコア推定）からの不確実性を 2 段階目（効果推定）に正しく伝播させる「サンドイッチ」標準誤差の計算が可能になります。

シミュレーション結果
著者は、GEEPERs をパラメトリック混合モデリング（PMM）およびプリンシパルスコア重み付け（PSW）と比較するシミュレーション研究を、様々な条件下で実施しました：

• 分布違反に対する頑健性： GEEPERs は、回帰誤差が正規分布、対数正規分布、または一様分布のいずれであったかに関わらず、一貫して良好に機能しました。一方、PMM は誤差が非正規（特に一様分布）の場合、深刻なバイアス、二峰性のサンプリング分布、および信頼区間のカバレッジの悪化に苦しみました。
• 測定されていない交絡に対する頑健性： 「プリンシパル無視可能性」の仮定が（コンプライアンスと結果の両方を予測する測定されていない共変量により）違反された場合、PSW は顕著なバイアスを示しました。GEEPERs は PMM や PSW よりもバイアスが少なく残りましたが、共変量と治療割り当ての相互作用に対してある程度の感度を示しました。
• サンプルサイズと予測可能性： GEEPERs はサンプルサイズ全体でほぼ不偏でした。小サンプルの場合や共変量がコンプライアンスをうまく予測しない場合には PMM よりもわずかに分散が大きかったものの、この効率性のギャップはサンプルサイズと共変量の予測能力の増加とともに縮小しました。
• 感度分析： 著者は、共変量と治療割り当て（効果調整変数）の相互作用が疑われる場合、分析からそれらの特定の共変量を除外することで GEEPERs 推定量の有効性を回復でき、実用的な感度チェックを提供できることを示しました。

実データへの適用
この手法は、ASSISTments オンライン数学プラットフォームからの 3 つの無作為化比較試験（RCT）の再分析に適用され、「ビデオ・スケフォールディング」が学生の習得速度に与える効果を評価しました。

• 発見： GEEPERs は、すべてのモデル仕様において「コンプライアンスする者」（スケフォールディングを使用した学生）に対して正の効果を推定しました。推定値は 0.30 から 0.50 標準偏差の範囲でした。「決して治療を受けない者」の推定値はゼロに近く、標準誤差も大きく、効果がないことと一致していました。
• 比較： PMM はコンプライアンスする者に対して同様の点推定値を生成しましたが、モデルの誤指定チェックにより疑わしいとして指摘された、驚くほど大きな正の効果を「決して治療を受けない者」に対して示唆しました。PSW は「決して治療を受けない者」に対して大きな正の効果を、コンプライアンスする者に対してはより小さな効果を示しましたが、これはプリンシパル無視可能性の違反（助けを必要とする学生は本質的により苦労していた）によるものでした。

意義と主張
本論文は、GEEPERs が既存の文献における 3 つの重要なギャップに対処すると主張しています：

1. アクセシビリティ： プリンシパル層別化を標準的なロジスティック回帰と線形回帰に還元することで、この手法はベイズ MCMC や尤度最適化の高度な訓練を必要とせず、応用研究者にアクセス可能になります。
2. 頑健性： この手法は、分布仮定に関するパラメトリック混合モデルの脆弱性や、重み付け法が要求する強く検証不可能なプリンシパル無視可能性の仮定を回避します。
3. 柔軟性： 広く利用可能な回帰ツールを活用しつつ、サンドイッチ分散推定量を介して 2 段階推定の不確実性を厳密に処理する方法を提供する、統一された枠組みを提供します。

著者は、GEEPERs がすべての違反（特にモデル化されていない効果調整変数に関連するもの）に対して免疫ではないものの、一方向の非コンプライアンスを伴う教育およびその他の無作為化試験におけるプリンシパル効果の推定のために、頑健で解釈可能かつ計算的に単純な代替手段を提供すると結論付けています。