📊 statistics

Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment

本論文は、出生数のようなカウント値をとる中間変数を用いた因果効果の推定における課題に対処するため、共変量に依存する操作変数の妥当性と効果の異質性を柔軟にモデリングすることで、従来の統計手法では検出できなかったアフリカの特定の文脈における出生率が女性の雇用に与える微細な負の影響を最終的に明らかにする、主層別化のための新しいベイズ加法回帰木（BART）フレームワークを導入するものである。

原著者： Lucas Godoy Garraza, Leontine Alkema

公開日 2026-08-12

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Lucas Godoy Garraza, Leontine Alkema

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

植物がなぜ成長を止めてしまうのか、その理由を突き止めようとしている場面を想像してみてください。それは単に植物が自然に小さいからでしょうか、それとも水をやめるのをやめたからでしょうか。科学の世界では、これを「因果効果」を見つけることと呼びます。しかし、現実は複雑です。私たちが変化の原因だと思っているもの（例えば、子供を持つこと）は、目に見えない他の要素（例えば、母親の働きたいという意欲や家族のサポート）と絡み合っています。それはまるで、誰かが同時に塩に胡椒や砂糖を足している最中に、スープの中の塩味だけを味わおうとするようなものです。

これを解決するために、科学者は「操作変数」と呼ばれる巧妙なトリックを使います。操作変数を、ある一つの事象（例えば、女性が何人の子供を持つか）を変化させるけれど、もう一つの事象（例えば、彼女が働くかどうか）には直接影響を与えない「幸運なコイン投げ」のようなものだと考えてみてください。もしそのコイン投げが真にランダムであれば、グループ間の労働習慣の違いは、隠れた他の理由によるものではなく、子供の数によるものであるはずです。しかし、現実の世界で完璧なコイン投げを見つけることは非常に困難です。時には、その「コイン」は決してランダムではなく、その人の年齢や背景に依存しています。そのような場合、科学者が通常使う古い数学的ツールは機能不全に陥り、ぼやけた、あるいは間違った答えを出してしまいます。これこそが、この論文が解決しようとしているパズルです。つまり、「幸運なコイン」が完璧にランダムではない場合でも、子供を持つことが女性の仕事に与える真のコストをどのように測定するか、という問題です。

この論文の著者であるルーカス・ゴドイ・ガラザとレオティン・アルケマは、このパズルを解くために、新しく非常に柔軟なツールを構築することに決めました。彼らは、「プリンシパル・ストラティフィケーション（主層化）」と呼ばれる手法――これは、人々を「幸運なコインに対してどのように反応するか」に基づいて秘密のグループに分類するようなものです――を取り上げ、それを「ベイズ的加法回帰木（BART）」という強力な機械学習技術と組み合わせました。標準的な数学的ツールが、直線しか測れない硬い定規だとすれば、BARTはあらゆる形に合わせてねじれたり伸びたりできる、柔軟で伸縮性のあるメジャーのようなものです。彼らはさらに、このツールを「カウント値（計数データ）」の変数にも対応できるように改良しました。半分の子どもを持つことはできないため、子供の数は滑らかなスライドではなく、整数（1人、2人、3人……）だからです。彼らの新しいツールであるPrinceBARTは、これらの整数値を扱うように特別に設計されており、同時に、年齢、教育、仕事の間の複雑な関係を解きほぐすのに十分な柔軟性を備えています。

この新しいツールが実際に機能するかどうかをテストするため、著者らは何千回ものコンピュータ・シミュレーションを実行しました。彼らは、「不妊（妊娠できないこと）」という「幸運なコイン」がトリッキーで、他の要因に依存している架空の世界を作り出しました。これらのシミュレーションにおいて、古い硬いツールはしばことが多く、答えを間違えたり、非常に不安定になったりしました。対照的に、PrinceBARTは、データが乱雑で、かつ効果が人によって異なる場合でも、一貫して正しい答えを見つけ出しました。それは、硬い定規が曲がりくねった川を測ろうとして折れてしまう一方で、彼らの伸縮性のあるメジャーは、そのカーブを完璧に辿っていく様子を見せるかのようでした。

彼らがこの新しいツールをナイジェリア、セネガル、ケニアの実データに適用したところ、結果は非常に興味深く、「子供を持つことのコスト」はすべての人に同じではないことを示しました。ナイジェリアでは、研究によれば、子供が一人増えることで、女性の雇用される確率が約6.3パーセントポイント低下することが示唆されています。しかし、セネガルの場合やケニアの場合、データは国全体としての明確な雇用の平均的な低下を示しませんでした。しかし、ここでの最も重要な点は、その「平均」が巨大な物語を隠しているということです。著者らは、子供を持つことによるペナルティが特定のグループに集中していることを発見しました。3カ国すべてにおいて、最も大きな影響を受けるのは、最も若い女性と、教育水準が低い女性たちでした。例えば、ナイジェリアでは、教育を受けていない20歳未満の女性は雇用される確率が大幅に低下しますが、年配の教育を受けた女性であれば、低下は見られないかもしれません。

この論文は、これらの若い、あるいは教育水準の低い女性たちは、おそらく仕事の保護が少ないか、あるいは育児を助けてくれる家族のサポートが少ないため、子供が増えることで仕事を辞めざるを得なくなるのだと示唆しています。一方で、年配または教育を受けた女性は、仕事を失うことなく、追加の責任をよりうまくこなせているようです。著者らは、自分たちの新しい手法が古いツールよりもこうした隠れたパターンを見つけることに優れているとは言っていますが、結果は依然として調査データに基づいており、特定の仮定に依存していることにも注意を払っています。彼らは魔法の杖を使ってこれらの発見を証明したわけではありませんが、彼らのシミュレーションは手法が堅牢であることを示しており、実世界への適用は、「繁殖（持つこと）のコスト」がすべての人にとっての単一の数字ではなく、誰であるか、どこに住んでいるかによって変わる物語であることを示唆しています。

技術的要約：カウント値の中間変数を用いたベイズ加法回帰木による主層別化

問題提起
出生率が女性の就業に与える因果効果を推定することは、出生率と労働市場における決定の同時決定（例：選好や世帯内の交渉力といった観察不可能な要因による交絡）によって困難を極める。操作変数（IV）戦略は標準的な手法であるが、この文脈においては以下のような重大な限界に直面する：

共変量依存的な妥当性： 不妊（妊娠できない状態）のような操作変数は、年齢やその他の共変量と強く関連している。その結果、操作変数の独立性の仮定は、周辺的な（marginal）状況ではなく、観察された共変量で条件付けた後にのみ成立する場合が多い。
標準的なIVの柔軟性の欠如： 最も一般的なIVの実装である二段階最小二乗法（2SLS）は、通常、加法的な共変量調整に依存している。このアプローチは非線形性を柔軟に扱うことができず、操作変数の妥当性が共変量依存的である場合、明確に解釈可能なコンプライヤー固有の推定量を特定できない可能性がある。
処置の構造： 出生率はカウント値の中間変数（子供の数）である。標準的なバイナリIV手法（標準的な主層別化など）は、多値の順序付けられた処置に対して自然に拡張することができず、連続値による近似はパリティ（出生数）の離散的な性質を損なう可能性がある。
異質性： 単一の平均処置効果は、追加の子供が雇用に与える影響が異なる人口統計学的グループ（年齢、教育など）間で大きく異なるという実態を覆い隠してしまう。

手法
著者らは、もともとバイナリの中間変数のために設計されたPrinceBARTフレームワーク（主層別化とベイズ加法回帰木の組み合わせ）を、カウント値の中間変数を持つ設定へと拡張した。

因果フレームワーク： 本研究では、操作変数（不妊）に対して女性の潜在的なパリティ（不妊であれば $W(0)$ 、受胎可能であれば $W(1)$ ）がどのように反応するかによって定義される潜在的な層（strata）を用いて、主層別化を採用している。ターゲットとなる推定量は、操作変数の影響を受けた女性（不妊によってパリティが1人減少する女性）における条件付き平均処置効果（CATE）である。
統計モデル：
- 混合モデル： リカリティ（尤度）は、潜在的な層のメンバーシップ $G^* = \{W(0), W(1)\}$ がどの個人においても観察されない混合モデルとして定式化される。
- アウトカムおよび層のためのBART： ベイズ加法回帰木（BART）は、以下の2つのコンポーネントに使用される：
  1. アウトカムモデル： 雇用（ $Y$ ）の確率を、共変量（ $X$ ）、操作変数（ $Z$ ）、および潜在的なパリティの関数としてモデリングする。
  2. 層モデル： 潜在的なパリティの結合分布をモデリングする。 $W$ のカウント特性を扱うため、著者らは潜在的な連続変数 $W^*(z)$ を導入し、これをBARTでモデリングした後、丸めメカニズム（ $W(z) = \max(0, \lfloor W^*(z) \rfloor)$ ）を通じて離散的なカウントへと写像する。
- 傾向スコア調整： 正則化による交絡を軽減するため、操作変数の傾向スコア $e(X)$ を個別のBARTモデルで推定し、それをメインモデルの共変量として含めている。
- 識別仮定： このアプローチは、標準的なIV仮定（条件付き無混同性、オーバーラップ、除外制約）に加え、 $\{W(0), W(1)\}$ の結合分布を特定するための追加の仮定（共変量を条件付けた際の潜在的パリティの独立性）に依存している。ターゲット集団への外部妥当性（一般化）は、スケーリングされたベイズ・ブートストラップを用いて、結果をターゲット集団の共変量分布へと再重み付けすることによって達成される。
異質性の要約： 複雑なCATEを解釈するために、個々のCATEの事後平均に対して「サロゲート・シャロー・ツリー（代用となる浅い決定木）」を適合させ、効果が均質なサブグループを特定する。

主な貢献

手法の拡張： 本論文は、主層別化とBARTを組み合わせ、多値の非負整数（カウント）の中間変数へと適応させた初の事例を提示しており、バイナリ実装と連続値実装の間の溝を埋めるものである。
柔軟なIV推定： 本手法は、共変量依存的な操作変数の妥当性と非線形な処置効果を、2SLSで必要とされる制限的なパラメトリック形式（線形性など）に頼ることなく、柔軟に扱うことができる。
ソフトウェア実装： このアプローチは、Rパッケージ PrinceBART として実装されている。

シミュレーション結果
著者らは、非線形な交絡、異質な処置効果、および弱いオーバーラップを特徴とするデータ生成プロセスを用いて、PrinceBARTを従来のおよび柔軟なIV推定法（2SLS加法的/交互作用/ビン分割、DML-PLIV、 $\kappa$ -weighting）と比較するシミュレーションを行った。

パフォーマンス： PrinceBプトは、特にサンプルサイズが小さい設定、共変量依存的なコンプライアンス、および異質な効果がある設定において、すべての競合手法よりも大幅に低い平均二乗誤差（MSE）を示した。
安定性： 2SLS-binnedやDML-PLIVといった競合手法は、特定の設計において加法的2SLSよりも改善が見られたものの、すべてのシナリオにおいてPrinceBARTのような安定性は備えていなかった。
被覆率： PrinceBARTは保守的かつ妥当な不確実性の定量化を提供した。被覆率は一貫して1.00に近い値を示したが、他の手法は弱いオーバーラップの下で名目レベルを下回ることがあった。

実証的適用
本手法は、不妊を操作変数として用いて、女性の就業に対する追加の子供の影響を推定するために、ナイジェリア、セネガル、ケニアの人口保健調査（DHS）データに適用された。

平均効果：
- ナイジェリア： 有意な負の効果が認められた。影響を受けた女性の間では、子供が一人増えることで就業確率が約6.3パーセントポイント低下する。
- セネガルおよびケニア： 明確な平均効果は検出されなかった。推定値は統計的にゼロと区別できなかった。
- これらの知見は、共変量調整された2SLSのベンチマークと一致していたが、シミュレーションの結果は、2SLSが必ずしも全ての文脈で堅牢ではないことを示唆している。
異質性： 3カ国すべてにおいて、強い効果の異質性の証拠が見られた。追加の子供による雇用のペナルティは、より若い女性や教育水準の低い女性に集中している。
- ナイジェリアでは、20歳未満の非ムスリム女性において最も鋭いペナルティが見られた。
- ケニアとセネガルでは、18歳未満の女性、または教育を受けていない女性において最も顕著な低下が見られた。
- 高齢者や高学歴の女性は、しばしば負の影響を示さないか、あるいはわずかな正の効果を示した。
一般化： 全人口への再重み付け（PATE）を行った結果は、影響を受けた集団（MATE）の結果と類似しており、操作変数の影響を受けたグループと一般集団との間の共変量分布の違いが、結論を実質的に変えることはなかったことを示唆している。

意義と主張
本論文は、主層別化とベイズ非パラメトリック回帰を組み合わせることで、カウント値の処置（例えば出生率）の因果効果を推定しつつ、共変量依存的な操作変数の妥当性を柔軟に扱い、複雑な効果の異質性を明らかに抑えることができると主張している。

著者らは、この特定の適用においては2SLSが整合的な結果を提供したものの、シミュレーションの証拠は、非線形な交絡や異質な効果がある設定において、標準的な線形IV仕様に依存することはリスクがあることを示唆していると警告している。
本研究は、「追加の子供」によるコストは一様ではないことを強調している。それは、脆弱なサブグループ（若い、あるいは教育水準の低い女性）に強く集中しており、標準的な集計的アプローチではそのようなニュアンスは隠されてしまう。
著者らは限界についても認めており、特に横断データの依存性と条件付き無混同性の仮定に触れ、観察不可能な交絡因子（例：世帯の富）が依然として結果にバイアスを与える可能性があると述べている。彼らは、縦断的データが将来の評価を強化することを提案している。

技術的要約：カウント値の中間変数を用いたベイズ加法回帰木による主層別化

関連論文