Principal stratification with U-statistics under principal ignorability

技術要約：主たる無視可能性（Principal Ignorability）下におけるU統計量を用いた主たる層別化（Principal Stratification）

問題提起
主たる層別化は、中間変数（例：治療への非遵守や生存状態）が存在する場合の因果推論における標準的な枠組みである。既存の文献は主に、特定の主たる層（principal stratum）内における潜在的アウトカムの期待値の差として定義される「主たる平均因果効果（PACE）」に焦点を当てているが、この指標は、科学的な関心が平均の差よりもアウトカムの相対的な順序にある場合には不十分である可能性がある。これは、順序アウトカム、複合エンドポイント、あるいは平均の対比に対して敏感な重い裾を持つ分布や外れ値が存在する場合に特に重要となる。さらに、一般化された因果効果（確率的指標やウィン・レシオなど）に関する既存の手法は、主たる層別化の設定においては十分に拡張されておらず、これらの推定対象に関するノンパラメトリックな識別および効率的な推定における空白が生じている。

手法
著者らは、**主たる一般化因果効果（PGCE）**を推定するための枠組みを提案している。これは、$\tau^s_h = E[h\{Y_1(1), Y_2(0)\} | S_1 = S_2 = s]$ と定義される（ここで $h$ は任意の対比関数であり、非線形である可能性もある）。$S$ は主たる層を表す。本手法は以下のステップで進行する：

1. 識別（Identification）: 3つの構造的仮定（治療の無視可能性、単調性（「反抗者」または「害を受ける」層を除く）、およびペアワイズ平均主たる無視可能性（Pairwise Mean Principal Ignorability））の下で、著者らはノンパラメトリックな識別公式を導出している。ペアワイズ平均主たる無視可能性の仮定は、先行研究（例：Jiang et al., 2022）で見られるユニット単位の仮定を、非線形な対比関数にも対応できるように一般化したものである。これは、条件付きにおいて、期待対比関数が、同じ観測データ層にマッピングされる特定の潜在的な主たる層のペア間で交換可能であることを示している。
2. 効率的影響関数（EIFs）: 著者らはPGCE推定対象のためのEIFを導出している。これらの関数はセミパラメトリック効率境界を特徴付け、最適推定量の基礎となる。導出過程では、多くのPGCE（例：ウィン・レシオ）に見られる比率構造や、観測値のペア上に定義される撹乱関数への依存関係を考慮している。
3. U統計量による推定: EIFは観測値のペア上に定義される撹後関数を含むため、著者らはU統計量を用いて推定量を構築している。
   • 多重ロバスト推定法: 著者らは、3つの撹乱モデル（治療割り当てプロペンシティスコア、主たるスコア、およびペアワイズのアウトカム平均）のうち、いずれか2つが正しく指定されていれば一貫性と漸近正規性を保持する「トリプル・ロバスト（三重にロバスト）」な推定量を開発した。
   • デバイアス・機械学習（DML）: 完全な漸近的効率性を達成し、柔軟でデータ適応的な撹乱関数の推定に対応するため、著者らはクロス適合（サンプル分割）を用いてU統計量の枠組みを統合している。これにより、機械学習アルゴリズム（例：ランダムフォレスト、SuperLearner）を用いながら、緩やかな正則性条件の下で $n^{1/2}$ 一致性と漸近正規性を維持することが可能となる。
4. 感度分析: 単調性の仮定が検証不可能であるという問題に対し、著者らは感度関数 $\eta(X)$ を導入して「害を受ける」層の割合を定量化し、単調性が破られた場合のバイアス補正推定を可能にする感度分析戦略を提案している。

主な貢献

• 推定対象の一般化: 本論文は、標準的なPACEを超えて、確率的指標やウィン・レシオを含む、主たる層内における任意の対比関数を許容するクラスであるPGCEを導入している。
• 理論的拡張: Jiang et al. (2022) の理論的結果を、線形対比から、主たる無視可能性の下でのより広範な非線形対比へと拡張し、二値の中間変数が存在する状況におけるこれら一般化された効果の初のノンパラメトリック識別公式を提供した。
• 効率的影響関数: PGCEに対するEIFの導出により、これらの推定対象のセミパラメトリック効率下限を確立した。
• トリプル・ロバストなU統計量: 提案されたU統計量ベースの推定量がトリプル・ロバスト性を持ち（3つのモデルのうち2つが正しければ一貫する）、すべてのモデルが正しい場合に局所的効率性を達成することを実証した。
• 機械学習との統合: クロス適合を用いたデバイアス・機械学習を主たる層別化における非線形対比へと適用するための厳密な理論的基礎を提供し、クロス適合されたU統計量が標準的な機械学習の収束レートの下で効率境界を達成することを証明した。

結果
提案手法は、シミュレーション研究および実データへの適用を通じて評価された：

• シミュレーション: 連続型および順序型のアウトカムのシナリオにおいて、トリプル・ロバストおよびデバイアス・機械学習（DML）推定量は、3つの撹乱モデルのうち1つが誤指定されている場合でも一貫性を示した。対照的に、標準的なプラグイン・モーメント推定量は、このような誤指定の下でバイアスが生じた。DML推定量は、特に有限標本において、パラメトリックなトリプル・ロバスト推定量と比較して、一般にわずかに低いバイアスと改善された精度を示した。
• データ事例（Jobs Corps）: 本手法は、非遵守および雇用状態（死亡による打ち切り）を考慮した、訓練が所得に与える因果効果を推定するために、米国のJobs Corps研究に適用された。
  • 常に雇用されている参加者における**サバイバー・プロバビリスティック・インデックス（SPI）**について、DMLおよびトリプル・ロバスト法は、処置を受けた個人が対照群の個人よりも高い所得を得る確率が0.539であると推定した（95%信頼区間は0.5を除外）。これは正の処置効果を示唆している。
  • 順序所得を用いた**主たるウィン・レシオ（PWR）**については、層間での異質な効果が明らかになった。コンプライヤー（遵守者）は有意な正の効果（ウィン・レシオは約1.27）を示したが、ネバーテイカー（非遵守者）は中立的な効果を示した。注目すべきことに、オールウェイズテイカー（常に受ける者）も有意な正の効果を示しており、これは割り当て自体の潜在的な心理的影響を示唆している。
  • 感度分析: PWR推定量は単調性の仮定の違反に対して強いロバスト性を示したが、SPI推定量は「害を受ける」層の割合が増加するにつれて、大きさのわずかなシフトを示した。

意義と主張
本論文は、平均の対比を超えて、順序アウトカムや複合エンドポイントを扱えるようにした、主たる層別化における因果推論の包括的な枠組みを提供すると主張している。効率的影響関数を確立し、トリプル・ロバストなU統計量推定量を開発することで、本研究は一般化された因果効果の識別と効率的推定に関する文献の重要な空白を埋めている。著者らは、本アプローチが、モデルの誤指定に対するロバスト性を維持しながら、非線形な対比や複合エンドポイントを扱うための原理的な方法を提供することを強調している。クロス適合を通じた機械学習の統合により、複雑な撹乱関数の柔軟なモデリングが可能となり、本枠組みは高次元データの現代的な設定にも適用可能である。著者らは、現在の展開は独立同一分布（i.i.d.）データを前提としていることを控えめに述べており、これらの手法をクラスター化されたデータや縦断的データ構造へ拡張することが今後の研究課題であるとしている。