技術要約：潜在的欠測（LMAR）アウトカムが存在する場合における、コンプライヤーおよびノンコンプライヤーの平均因果効果の特定

1. 問題提起

治療効果の研究は、しばしば2つの同時的な課題によって複雑化する。それは、非遵守（noncompliance）（参加者が割り当てられた治療に従わないこと）と、**アウトカムデータの欠測（missing data）**である。本論文は、**片側非遵守（one-sided noncompliance）**の設定、すなわち、非遵守が治療群でのみ発生する設定（コントロール群の参加者はコントロールを「拒否」できないため）に焦点を当てている。

この設定において、研究者はしばしば主因果効果（Principal Causal Effects: PCEs）、すなわちコンプライヤー平均因果効果（CACE）とノンコンプライヤー平均因果効果（NACE）に関心を持つ。これらの効果は、コントロール条件下では観測不可能な潜在的な主層（コンプライヤー対ノンコンプライヤー）に基づいて定義される。

本論文が扱う具体的な問題は、アウトカムが治療群では**Missing at Random (MAR)であるが、コントロール群ではMissing Not at Random (MNAR)である場合、すなわち潜在的Missing at Random (Latent Missing at Random: LMAR)**または潜在的無視可能性（latent ignorability）が生じている場合の、これらの効果の特定である。LMARの下では、欠測の確率は観測不可能な遵守タイプに依存する可能性がある。操作変数（IV）の枠組み（排除制約に依存する）内ではLMARを扱う手法が存在するが、非IVアプローチ（例えば主的無視可能性など）に対する一般的な解法や、異なる識別戦略と様々な欠測メカニズムを組み合わせるための手法は提案されていない。

2. メソドロジーとフレームワーク

2.1 基本的な仮定

著者らは、以下の2つの核となる仮定に基づくベースラインのフレームワークを確立している。

1. 治療割当の無視可能性 (A0): ベースライン共変量 $X$ を条件として、治療割当 $Z$ は潜在的アウトカムおよび遵守タイプと独立である。
2. 潜在的Missing at Random (B0): $X, Z,$ および遵守タイプ $C$ を条件として、欠測インジケーター $R$ はアウトカム $Y$ と独立である。決定的なのは、これによりコントロール群において欠測が $C$ に依存することを許容している点である。

2.2 非識別性の特性化

本論文は、A0およびB0のみの下では、PCEsが識別不能であることを示している。この非識別性は、各層における条件付きアウトカム平均 $\mu_{0c}(X) = E[Y | X, Z=0, C=c]$ を復元できないことに起因する。

著者らは、この問題が**2つの連結された混合方程式（mixture equations）**のシステムに帰着することを導き出している。

1. 応答混合方程式 (The Response Mixture Equation): コントロール群における全体の応答確率 $\lambda_0(X)$ を、層ごとの応答確率 $\varpi_{0c}(X)$ に関連付ける。
   $$\lambda_0(X) = \varpi_{01}(X)\pi_1(X) + \varpi_{00}(X)\pi_0(X)$$
2. アウトカム混合方程式 (The Outcome Mixture Equation): コントル群における観測されたアウトカム平均 $\kappa^R_0(X)$ を、層ごとの応答確率で重み付けされた層ごとのアウトカム平均 $\mu_{0c}(X)$ に関連付ける。
   $$\kappa^R_0(X) = \mu_{01}(X)\pi^R_{01}(X) + \mu_{00}(X)\pi^R_{00}(X)$$

未知数は、層ごとの応答確率 ($\varpi_{0c}$) と層ごとのアウトカム平均 ($\mu_{0c}$) である。これらの方程式は、応答確率がアウトカム方程式における重みを決定するという点で連結されている。

2.3 統一テンプレート

本論文は、2段階の識別テンプレートを提案している。

1. ステップ1 (欠測メカニズム): 応答混合方程式を解き、応答確率 ($\varpi_{0c}$) を特定するための、欠測メカニズムに関する特定の仮定を導入する。
2. ステップ2 (主的識別): アウトカム平均 ($\mu_{0c}$) を解くために、主的識別仮定を導入してアウトカム混合方程式を解く。

著者らは、これらが別個のプロセスであることを強調している。特定の欠測仮定が、特定の主的識別仮定と一致している必要はない（例：排除制約を、非ERの欠測仮定と組み合わせることができる）。

3. 主な貢献

3.1 新しい欠測仮定と修正

本論文は、欠測仮定を以下の2つのタイプに分類している。

• タイプ1: 治療条件間での欠測の比較
  • 既存の仮定である**Stable Noncomplier Response (SNR/rER)およびStable Complier Response (SCR)**を含む。
  • 重要な知見: 著者らは、既存のSNR/SCR仮定の限界を特定した。すなわち、観測されたデータの分布によっては、不合理な応答確率（負の値または1を超える値）を導き出す可能性がある。
  • 提案: 彼らは、正確な仮定が不適切な値を生じる場合に、確率を妥当な範囲（例：$[\epsilon, 1]$）に制約する修正版である、Near-SNRおよびNear-SCRを提案している。
• タイプ2: 主的層間での欠測の比較
  • 応答主的無視可能性 (rPI): コントロール群において、応答確率は遵守タイプに依存しないと仮定する（$R \perp C | X, Z=0$）。
  • 比例応答オッズ (rPO): コンプライヤーとノンコンプライヤーの間の応答のオッズ比が両方の腕で同一であると仮定する。
  • これらの仮定は、タイプ1に内在する不合理な確率の問題には直面しない。

3.2 識別公式

本論文は、以下の組み合わせの下でのCACE、NACE、およびATEの明示的な識別公式を導出している。

• 主的識別仮定: 排除制約 (ER)、主的無視可能性 (PI)、および感度分析の仮定 (PIsens-GOR, PIsens-MR, PIsens-SMD)。
• 特定の欠測仮定: Near-SNR, Near-SCR, rPI, および rPO。

主要な理論的結果: もし**主的無視可能性 (PI)**が主的識別仮定として使用されるならば、PCEsは、LMAR以外の特定の欠測メカニズムを必要とせずに識別される。PIは、応答混合方程式を解く必要を回避して、アウトカム混合方程式に対する解を提供する。さらに、PIとLMARの組み合わせは、アウトカムがMARであることを意味する。

3.3 実証的例示

著者らは、彼らのフレームワークをBaltimore Experience Corps Trial（高齢者のボランティアに関する研究）のデータに適用している。

• データ: 623名の参加者（介入群284名、コントロール群339名）で、アウトカムである「知覚された生成性達成度」の全体的な欠測率は22.6%であった。
• 分析: 3つの主的仮定（ER, PI, PIsens-SMDe）と4つの欠測仮定のすべての組み合わせの下で、効果を推定した。
• 結果:
  • 推定された効果は、選択された主的識別仮定（例：ER vs. PI）に基づいて大きく変動した。
  • 固定された主的識別仮定の下では、推定値は特定の欠測仮定の選択に対して比較的頑健であった（Near-SNRによる不確実性の増大を除いて）。
  • PIを仮定した場合、結果は欠測メカニズムの選択に関わらず同一であり、PIが特定の欠測仮定を不要にするという理論的結果を裏付けた。

4. 意義と主張

本論文は、LMARアウトカムが存在する場合の効果識別のための統一的な視点と柔軟なテンプレートを提供することを主張している。その主な意義は以下の通りである。

1. 仮定の分離: PCEsの識別には、一般に（実質的な正当性に基づいて選択可能な）2つの異なる仮定（欠測に関するものと、主的層に関するもの）が必要であることを明確にした。
2. 選択肢の拡大: 実務でますます使用されている主的無視可能性や感度分析のアプローチを含め、IV/ERの枠組みを超えて拡張した。
3. 既存手法の修正: 広く用いられている安定応答仮定（SNR/SCR）の問題点である不合理な確率を指摘し、「Near」バージョンを提案することで修正した。
4. 特殊なケースの識別: PIの下では、複雑なLMARの問題が標準的なMAR問題へと簡略化され、追加の欠測仮定が不要になることを示した。

著者らは、このテンプレートが即座に識別公式を提供する一方で、特に「Near」安定応答仮定の下では、これらの新しい公式のための堅牢な推定および推論方法（例：分散推定）の開発に向けた今後の研究が必要であると結論づけている。また、現在の研究はLMARに限定されており、アウトカム自体に依存する欠測（LMARを超えたMNAR）については扱っていないことも述べている。