A Spectral Confounder Adjustment for Spatial Regression with Multiple Exposures and Outcomes

技術要約：複数の曝露とアウトカムを伴う空間回帰のためのスペクトル交絡調整

問題提起
社会的脆弱性の特性把握は、災害対応や公衆衛生計画において極めて重要であるが、データの観測的性質から、脆弱性指標を健康アウトカムに対して検証することは困難である。これらの研究は、未測定の交絡因子によって誘発されるバイアスにさらされやすく、この問題は、複数の曝露（例：社会的脆弱性指数の構成要素）と複数の健康アウトカムを伴う空間設定において悪化する。従来の空間回帰モデルは、未測定の空間的交絡が存在しないという仮定を置くことが多いが、この仮定は、未測定の要因（例：局所的な汚染、所得）が曝露やアウトカムと同様のパターンで地理的に変化する環境保健研究において、頻繁に破られる。既存の空間的交絡に関する手法は、主に単変量の設定に限定されているか、あるいは複数の曝露と複数のアウトカムを同時に扱う複雑さに対処できていない。

手法
著者らは、複数の曝露と複数のアウトカムを持つデータにおいて、未測定のグローバルな空間的交絡が存在する場合に因果効果を推定するために設計された**多変量スペクトルモデル（Multivariate Spectral Model: MSM）**を提案している。本手法は以下のステップを通じて進行する：

1. スペクトル分解： 空間領域を領域ごとに分割し、グラフフーリエ変換を用いてデータをスペクトル領域に投影する。これには、条件付き自己回帰（CAR）モデルの精度行列を固有ベクトルと固有値に分解するプロセスが含まれる。この変換により、空間情報は異なるスケールへと分離される。低固有値はグローバル（平滑）な空間スケールに対応し、高固有値はローカル（粗い）な空間スケールに対応する。
2. 局所的無交絡仮定： 全体的な「未測定の交絡なし」という仮定を置く代わりに、本モデルは**局所的無交絡（local unconfoundedness）**という仮定を緩和して採用する。これは、グローバルなスケールの項は交絡している可能性がある一方で、ローカルなスケールの項（大きな固有値に関連するもの）は無交絡であるという仮定である。具体的には、曝露と未測定の空間誤差との相関は、空間スケールがより局所的になるにつれて減少すると仮定される（$\alpha_{ier} \to 0$ as $w_i \to \infty$）。
3. テンソル回帰フレームワーク： 複数の曝露（$E$）、複数のアウトカム（$R$）、および複数の空間スケール（$S$）を扱うために、回帰係数を3次テンソル（$S \times E \times R$）として構造化する。モデルは、ベイズ・テンソル回帰アプローチを用い、正準多項分解（Canonical Polyadic: CP分解）を利用する。
   • 多スケールの係数は、空間スケールにわたる滑らかな変化を捉えるためにB-スプライン基底関数を用いてモデリングされる。
   • 基底係数のテンソルは、3つの因子行列（スケール、曝露、アウトカムを表す）の低ランク積へと分解され、次元削減を行いながら潜在的な構造を捉える。
   • テンソルのマージンには**ホースシュー事前分布（Horseshoe priors）**が適用され、スパース性と収縮を促進することで、モデルが関連する潜在因子とヌル効果を特定できるようにする。
4. 推論： 因果効果は、局所的無交絡の仮定が成立する最も局所的な空間スケール（最大の固有値）に対応する係数推定値を抽出することによって特定される。

主な貢献

• 多変量への拡張： 従来のスペクトル手法（例：Guan et al., 2023）は単変量であったが、本手法は複数の曝露と複数のアウトカムを同時に扱うためのスペクトル調整へと拡張しており、疫学における「多対多」の因果関係に対処している。
• 緩和された因果仮定： 本手法は、厳格な「未測定の交絡なし」という仮定を、より現実的な「局所的無交絡」という仮定に置き換えることで、グローバルな交絡が存在する場合でも因果解釈を可能にしている。
• 解釈性のためのテンソル分解： 低ランクのテンソル構造を利用することで、複雑な「多対多」の因果関係を管理可能なパターンへと凝縮した、解釈可能な潜在因子を提供する。これにより、高次元空間モデルでしばかに見られる過学習や解釈性の欠如を回避している。
• 効率性の向上： 多変量アプローチにより、相関のあるアウトカム間で情報を共有（情報の貸し借り）することができ、単変量スペクトルモデルと比較して、より狭い確信区間と高い効率性を実現している。

結果
本手法は、米国南部からのデータに適用され、10,149の郵便番号集計区域（ZCTA）における、CDCの災害管理用社会的脆弱性指数（SVIDM）と5つの主要な慢性疾患（高血圧、慢性腎臓病、高脂血症、うっ血性心不全、糖尿病）との関係を分析した。

• 空間的交絡の検出： 分析の結果、グローバルスケールの推定値（ヌルから外れた方向にバイアスがかかっている）とローカルスケールの推定値との間に有意な乖離が認められ、空間的交絡の存在が確認された。ナイーブな空間モデルおよび最小二乗法（OLS）は、過度に狭い確信区間を伴うバイアスのある推定値を生じさせた。
• 因果推定： 空間的交絡を調整した後、以下の知見が得られた：
  • テーマ1（経済的レジリエンス）： 糖尿病および慢性腎臓病に対して強い正の効果を示し、高脂血症に対しては負の効果を示した。
  • テーマ2（家計の適応能力）： 糖尿病に対して正の効果を持つ高い確率を示した。
  • テーマ4（住居・交通）： 慢性腎臓病およびうっ血性心不全の高い発生率に関連していた。
  • テーマ3（マイノリティ／非英語話者）： アウトカム間で一貫性の低い傾向を示した。
• シミュレーション性能： シミュレーション研究において、MSM法はナイーブな空間モデルや単変量スペクトルモデルと比較して、低い平均二乗誤差（MSE）および平均絶対バイアス（MAB）を示した。また、ナイーブなモデルが公称レベルを下回ることが多く、過剰な自信（オーバーコンフィデンス）を示すのに対し、本手法は公称の95%レベルに近い、あるいはそれを上回る被覆率を維持した。また、中程度の非線形交絡に対しても頑健性を示した。

意義と主張
本論文は、提案されたMSM法が、未測定の交絡が懸念される多変量空間設定において、堅牢な因果推論の枠組みを提供すると主張している。グローバルスケールの交絡を調整しつつ、局所的無交絡を活用することで、本手法は政策決定に不可欠な、バイアスのない推定値を提供する。著者らは、本アプローチにより、公衆衛生当局が、潜在的にバイアスのかかった観測的相関ではなく、より信頼できる因果的証拠に基づいて、ターゲットを絞った介入の優先順位を決定できることを強調している。本研究は、SVIDM、特にその経済的レジリエンスの構成要素が、慢性疾患の負担に対して予測的な因果関係を持つことを結論付けており、多変量空間的交絡を調整した上で、解釈可能な疫学的洞察を提供している。著者らは、局所的無交絡仮定の検証不可能性やスピルオーバー効果の除外などの限界についても言及しており、これらを今後の研究領域として示唆している。