A primer on optimal transport for causal inference with observational data

名探偵ゲーム：隠れた原因の解明

あなたはミステリーを解決しようとしている探偵だと想像してください。しかし、そこにはひねりがあります。あなたは犯罪が起きた「後」の現場しか見ることができず、容疑者の行動をリアルタイムで目撃することもできなかったのです。これは、科学者が**因果関係（Causality）**を理解しようとする際の日常的な苦闘です。つまり、ある事象（新しい薬を飲むことや、工場を建設することなど）が、実際に別の事象（回復することや、地域経済を変化させることなど）を「引き起こした」のかどうかを突き止める作業です。問題は、私たちは同時に二つの現実を見ることはできないという点です。薬を飲んだ人と、飲まなかった人が、全く同じ人物でありながら、並んで横に存在してどちらが病気になったかを確認することはできません。私たちは、たった一つの経路しか目にすることができないのです。

これを解決するために、統計学者は異なるグループの人々を比較するためのツールキットを開発してきました。それは、治療を受けた人々にとっての「完璧な双子」となるような「コントロール・グループ（対照群）」を見つけ出すことを目的としています。しかし、多くの場合、これらのグループは完璧な双子ではありません。隠れた違い（モチベーションや遺伝子など）があり、それが比較を台無しにしてしまうのです。何十年もの間、研究者たちはこうした問題を修正するために巧妙な数学的トリックを使用してきましたが、彼らは自分たちが皆、同じ「秘密の武器」を使っていることに気づいていないことがよくありました。その武器とは、**最適輸送（Optimal Transport）**と呼ばれるものです。これは究極の物流パズルだと考えてください。例えば、ある場所に砂の山があり、別の場所にも砂の山があるとします。あなたは、最初の砂の山を、最小限のエネルギーで、二番目の山の形に完全に一致するように移動させたいと考えています。この論文は、砂を動かすための数学が、実世界の因果関係を解明するために私たちが用いる最も重要な手法の多くにおいて、実は隠れた基礎となっていることを明らかにしています。

論文の大きな発見：隠された地図

この論文において、フロリアン・グニシリウスス（Florian Gunsilius）はガイド役を務め、複雑な**因果推論（Causal Inference）**の世界（何が何を引き起こすのかを突き止めること）と、**最適輸送（Optimal Transport）**の世界（確率分布を効率的に移動させる数学）が、実は長年異なる言語を話し続けていただけの古い友人であることを示しています。著者は、経済学者や統計学者が観測データ（制御された実験ができないデータ）を分析するために数十年にわたって使用してきた標準的なツールの多くが、たとえ研究者が知らなかったとしても、密かに最適輸送の原理に基づいて構築されていると主張しています。

この論文は単にこの関連性を指摘するだけでなく、この繋がりを認識することで、より優れた、より強力なツールを構築できる可能性があることを示唆しています。著者の発見と説明は以下の通りです。

1. 「単調再配置」こそが秘伝のソースである
論文は、**単調再配置（Monotone Rearrangement）**と呼ばれる概念から始まります。想像してみてください。あなたは「隠れた能力」（観察不可能な特性）の異なるレベルを表すトランプの束を持っており、その能力がどのように「所得」に変換されるかを知りたいと考えています。もし、高い能力は常に高い所得につながる（これは「単調性」と呼ばれるルールです）と仮定するなら、単に最も能力の低い人を最も所得の低い人と、二番目に低い人を二番目に低い人と、というように並べるだけで済みます。これにより、隠れた特性と結果の間の完璧なマップが作成されます。
著者は、この単純な「並べる」という行為が、実際には特定の種類の最適輸送問題であることを示しています。この洞察は強力です。なぜなら、研究者が治療の「平均的な」効果だけでなく、異なる人々がどのように影響を受けるかという「物語の全体像」を特定することを可能にするからです。例えば、最低賃金をめぐる有名な議論において、ある研究は賃金引き上げが雇用を損なったと述べ、別の研究はそれが助けになったと述べました。この「最適輸送」の視点を用いることで、研究者は真実はその中間にあることを発見しました。賃金引き上げは小さなレストランには恩恵を与えたが、大きなレストランには打撃を与えたのです。「平均」は真実の物語を隠していましたが、輸送マップはその姿を明らかにしました。

2. 「悪い双子」問題を操作変数で解決する
時には、治療を選択する人々が選択しない人々とは異なるため（これは内生性と呼ばれます）、完璧なコントロール・グループを見つけることができない場合があります。これを修正するために、研究者は**操作変数（Instrumental Variables）**を使用します。これは、誰が治療を受けるかに影響を与えるものの、結果には直接影響を与えない第三の要因です。
論文は、これらの操作変数を機能させるための数学もまた、最適輸送に基づいていることを説明しています。具体的には、**不動点反復（Fixed-point Iteration）**と呼ばれる手法を紹介しています。二つのグループの間の待ち合わせ場所を探していると想像してください。ある点からスタートし、もう一方のグループに向かって動き、次にこちらへ戻り、グループが整列する場所が見つかるまでこの「ピンポン」のような動きを繰り返します。論文は、この数学的な「ピンポン」が、確率分布を動かす動的なシステム（ブレニエ・マップのようなもの）であることを示しています。これにより、データが乱れていても、研究者は因果効果を特定できるようになります。ただし、著者は、複数の変数を同時に扱う場合には非常に複雑になることも注記しています。

3. 「砂の山」による合成的な双子の構築
もう一つの人気のある手法は、合成コントロール法（Synthetic Controls）です。これは、複数の実際のユニットを混ぜ合わせることで（例えば、カリフォルニア、テキサス、ニューヨークの一部を混ぜて、架空の州を作るように）、もし治療が行われなかった場合に何が起きていたかをシミュレートする方法です。
論文は、これをワッサースタイン・バリセンター（Wasserstein Barycenters）、つまり「砂の山の平均」という洗練された方法に結びつけています。単に数値を平均するのではなく、この手法は分布（形状）全体を平均します。著者は、この輸送ベースのアプローチを使用することで、データの「平均」だけでなく、「分布の形状全体」に一致する「分布的合成コントロール」を作成できると示唆しています。これは、グループ内の人々が時間の経過とともに変化する場合（レストランの開店や閉店など）、標準的な手法では困難な状況で非常に有用です。

4. 双子が一致しないとき：不均衡な輸送
最後に、論文は一般的な問題に取り組んでいます。もし治療グループとコントロール・グループがあまりに異なり、全員に対する一致相手を見つけることができない場合はどうなるでしょうか？標準的な「最適輸送」は、一方の砂の山の一粒一粒をもう一方へ移動させることを要求するため、研究者が実際には似ていない人々まで無理やり一致させてしまい、誤った推測を導くことになります。
著者は、**不均衡な最適輸送（Unbalanced Optimal Transport）**を使用することを提案しています。これは、山の形が完璧に一致しない場合に、一部の砂を残したり、少し余分に加えたりすることを許容する物流システムのようなものです。この手法は、無理に不適切な一致を強いるのではなく、適切な一致相手がいない人々を自動的に除外します。論文は、完璧な一致が稀である現実世界の研究において、これがより正確な結果をもたらす可能性があると示唆していますが、従来のメソッドと比較して具体的にどれほど優れているかを証明するには、さらなる研究が必要であるとも述べています。

論文が注意を促していること

著者は、これらのつながりが刺激的なものである一方で、それらが魔法の杖ではないことも慎重に指摘しています。

• 解決済みの問題ではない： 論文は、これらの手法が有望であり、古い問題に対する新しい考え方を提供しているものの、最適輸送がすべての因果推論の問題を解決すると主張しているわけではないことを示唆しています。実際、いくつかの拡張（例えば、一次元から多次元への移行）は数学的にトリッキーであり、必ずしも単純ではないことを強調しています。
• 仮定が重要である： 「単調再配置」（高い能力は常に高い所得を意味するという考え）は強力な仮定です。論文は、もしこの仮定が間違っていれば、マップは壊れると述べています。これらを輸送問題として捉えることで、異なる「コスト関数」（砂をどのように動かすかの異なるルール）をテストし、結論が堅牢であるかどうかを確認できることを示唆しています。
• データの限界： 論文は、最も高度な手法（操作変数のための「不動点」反復など）のいくつかは、データの連続的な範囲を持つといった特定の数学的条件に依存していることに触れています。データが希薄であったり「塊状」であったりする場合、これらの洗練された手法はうまく機能しない可能性があります。

まとめ

結局のところ、この論文は統一的な地図です。統計学者が「因果推論の根本的な問題」（私たちは二つの世界を同時に見ることはできない）を解決するために使用してきたツールが、実はこれまで密かに確率分布を動かす物理学を利用してきたのだということを教えてくれます。このつながりを明確にすることで、著者は経済学、統計学、機械学習という異なる分野の間の言語を統一し、世界がどのように機能しているかを理解するための、より柔軟で新しい方法への扉を開きたいと考えています。これは、時として最も強力な洞察は、二つの異なるパズルが実は同じ絵のピースであると気づくことから生まれる、ということを思い出させてくれます。