論文「Causal Partial Identification via Conditional Optimal Transport」の技術的サマリー

この論文は、因果推論における**部分識別（Partial Identification, PI）**の問題、特に単一の単位に対する処置と対照の潜在結果の同時分布に依存する因果推定量の推定に焦点を当てています。既存の手法が直面する課題を克服し、共変量（covariate）を条件とした最適輸送（Conditional Optimal Transport: COT）を用いた、一貫性があり収束速度が保証された非パラメトリック推定量を提案しています。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 問題設定 (Problem Setting)

背景

因果推論の標準的な枠組み（潜在結果モデル）では、各単位に対して処置下（$Y(1)$）と対照下（$Y(0)$）の 2 つの潜在結果が存在しますが、同時に観測することは不可能です（「因果推論の根本問題」）。そのため、$Y(0)$ と $Y(1)$ の同時分布は識別不可能であり、これに依存する因果推定量（例：処置効果の分散など）は部分識別されます。

共変量の活用

事前共変量 $Z$ が利用可能な場合、$Y(0), Z$ と $Y(1), Z$ の条件付き分布を保持する結合（coupling）を探索することで、識別可能範囲（PI 集合）を狭め、より情報量の多い推定が可能になります。これは**条件付き最適輸送（COT）**の枠組みで定式化されます。

既存手法の課題

COT の値を有限サンプルで推定する際、以下の重大な課題が存在します。

1. 弱位相における不連続性: COT 汎関数は、通常の弱位相（weak topology）の下で不連続です。特に連続的な共変量を持つ場合、処置群と対照群で共変量の値が完全に一致することは稀であり、直接のプラグイン推定量（empirical distribution をそのまま使う方法）は真の値に収束しません（不一致性）。
2. 既存アプローチの限界: 既存の研究では、COT の緩和（relaxation）や、 nuisance 関数（傾向スコアや回帰関数など）の推定を介した間接的な手法に依存しており、これらはモデル依存性が高かったり、統計的な保証が不十分だったりします。

---

2. 手法と理論的基盤 (Methodology & Theoretical Foundation)

適応型ワッセルシュタイン距離（Adapted Wasserstein Distance）の導入

著者らは、COT 汎関数の連続性を回復させるために、**適応型ワッセルシュタイン距離（$W_a$）**によって誘導されるより強い位相を導入しました。

• 定義: $W_a$ は、結合（coupling）が共変量の条件付き分布構造を尊重する（causal/adapted couplings）ことを課した最適輸送距離です。
• 主要な理論的発見（定理 2）: 共変量 $Z$ における条件付き分布の連続性を仮定すると、COT 汎関数 $V_c$ は $W_a$ 位相の下で連続になります。これは、従来の弱位相では成り立たなかった重要な性質です。

適応型経験分布（Adapted Empirical Distribution）

不連続性を回避し、$W_a$ 収束を達成するための推定量として、適応型経験分布を提案しました。

1. 共変量の離散化: 共変量空間 $Z$ を有限個のセル（キューブ）に分割し、観測された共変量をセルの中心に写像します（$\phi_n^r$）。
2. 分布の構成: 処置群・対照群それぞれについて、観測された結果 $Y$ をセルの中心にマッピングした離散分布を構築します。
   • 重要点：結果 $Y$ は離散化せず、共変量 $Z$ のみを離散化します。これにより、条件付き分布の推定誤差を制御しつつ、$W_a$ 収束を達成します。
3. 結合（Coupling）: 離散化された共変量分布間の最適結合（またはその近似）を用いて、COT 値の推定量 $\hat{V}_{n_0, n_1}$ を計算します。

共変量依存の処置割り当てへの拡張

観察研究（傾向スコアが共変量に依存する場合）に対処するため、再重み付け（reweighting）とクロスフィッティングを組み合わせた手法を提案しました。

• 傾向スコア $\hat{e}(z)$ を推定し、サンプルに重みをつけることで、共変量の分布シフトを補正します。
• 傾向スコアの推定誤差が非パラメトリック推定の収束速度（$O(n^{-r})$）を満たす限り、推定量の一貫性と収束速度が保証されます。

---

3. 主要な貢献 (Key Contributions)

1. COT 定式化と連続性の証明:
   • 共変量支援型の PI 集合を COT 問題として定式化し（定理 1）、$W_a$ 位相の下での COT 汎関数の連続性を証明しました（定理 2）。
2. 一貫性のある非パラメトリック推定量の提案:
   • nuisance 関数の推定を不要とし、直接 COT 値を推定する手法を提案しました。
   • 提案手法の一貫性（定理 3）と有限サンプル収束速度（定理 4）を理論的に確立しました。
   • 収束速度は、共変量の次元 $d_Z$ と結果の次元 $d_Y$ に依存し、$O(N^{-\frac{1}{d_Z + 2 \vee d_Y}})$ のオーダーとなります。
3. ロバスト性の保証:
   • 共変量の分布シフトに対するロバスト性を証明し（定理 5）、実データにおける分布のズレに対しても安定した性能を示すことを示しました。
4. 実証的検証:
   • 合成データおよび実データ（STAR プロジェクト）を用いたシミュレーションにより、既存手法（DualBounds など）と比較して、より高い精度と安定性を示すことを実証しました。

---

4. 結果 (Results)

理論的結果

• 収束速度: 提案された推定量は、サンプルサイズ $N$ に対して $N^{-\frac{1}{d_Z + 2 \vee d_Y}}$ の速度で収束することが示されました。これは、非パラメトリック推定における典型的な「次元の呪い」を反映した速度ですが、COT 問題の難しさを考慮すると最適に近いものです。
• ロバスト性: 共変量分布に摂動（シフト）があった場合でも、推定量の誤差は摂動の大きさに比例して増加するのみであり、崩壊しないことが示されました。

実証結果（シミュレーション）

• 比較対象: Ridge 回帰および KNN ベースの DualBounds 手法（nuisance 関数推定に依存）と比較。
• 性能:
  • 線形モデル: 既存手法（Ridge）と同等の精度を達成（モデルが正しく指定されている場合）。
  • 非線形モデル（二次、スケーリング）: 提案手法が既存手法を明確に上回りました。特に、KNN や Ridge がモデルの非線形性を捉えきれない場合でも、提案手法はモデル依存なしに高精度を維持しました。
• 実データ: 学生成績データ（STAR）を用いた半合成データ実験でも、PI 境界の推定精度において提案手法が他手法を上回りました。

---

5. 意義と結論 (Significance & Conclusion)

この研究は、因果推論における部分識別問題に対して、最適輸送理論の新しい応用と堅牢な統計的推論の両面から重要な貢献をしています。

• 理論的進展: 従来の弱位相では扱えなかった COT 問題に対し、適応型ワッセルシュタイン距離を用いることで連続性を回復させ、直接推定を可能にしました。これは、COT 理論そのものの発展にも寄与します。
• 実用的価値: モデルの正しさに依存せず（モデルフリー）、nuisance 関数の推定を回避できるため、実データ分析において過剰な仮定を置かずに因果効果の範囲を狭めることが可能になります。
• 将来の展望: 本手法は、複数の処置レベルを持つ場合（多変量最適輸送への拡張）や、三角輸送マップ（triangular transport maps）との関連性を通じて、より複雑な反事実的推論の枠組みにも応用可能な基盤を提供しています。

総じて、この論文は、共変量を条件とした因果推論の限界を理論的に解明し、実用的で統計的に保証された新しい推定手法を提供した点で画期的です。