論文要約：ベイズ因果推論におけるサンプルレベルと集団レベルの推定量の解明

タイトル: Untangling Sample and Population Level Estimands in Bayesian Causal Inference
著者: Arman Oganisian (Brown University)

1. 問題の背景と定義

ベイズに基づく因果推論（モデルベース推論）は急速に普及していますが、サンプルレベルの推定量（Sample-level estimands）と集団レベルの推定量（Population-level estimands）を混同することによる誤解や実装上の誤りが頻発しています。

• サンプルレベル推定量: 観測データに含まれる特定のサブセット（標本）の潜在結果の比較。
  • 例: 個体効果（ITE: Individual Treatment Effect）、有限サンプル平均効果（SATE: Finite-sample Average Treatment Effect）。
  • 特徴: 特定の標本単位における反事実（Counterfactual）の不確実性に依存する。
• 集団レベル推定量: 標本が抽出された母集団の分布に基づいた平均（または要約）の比較。
  • 例: 条件付き平均効果（CATE: Conditional Average Treatment Effect）、母集団平均効果（PATE: Population Average Treatment Effect）。
  • 特徴: 母集団分布を支配する未知のパラメータの不確実性に依存する。

これらの推定量は、識別仮定、モデリング、計算（MCMC）、解釈において本質的に異なりますが、外見上は似ているため、実装段階で「クロスワールド（Cross-world）」仮定を不用意に適用したり、誤った事後分布から推論を行ったりするエラーが発生しやすいと指摘されています。

2. 方法論と理論的枠組み

著者は、ルビン因果モデル（RCM）とベイズ推論の枠組みを用いて、両者の違いを厳密に数学的に解明しています。

2.1 結合事後分布と周辺分布

すべての因果推論は、観測データ $D_O$ が与えられたときの未知量（反事実 $Y^M$ とパラメータ $\omega$）の結合事後分布 $f(Y^M, \omega | D_O)$ に基づきます。

• サンプルレベル推論: 反事実 $Y^M$ 自体の周辺事後分布 $f(Y^M | D_O)$ を求める必要があります。これには、各標本単位に対する反事実の「補完（Imputation）」が必須であり、通常、クロスワールド仮定（例：$Y(1) \perp Y(0) | L$）を必要とします。
• 集団レベル推論: 母集団パラメータ $\omega$（共変量分布や潜在結果の条件付き分布のパラメータ）の周辺事後分布 $f(\omega | D_O)$ に基づきます。反事実 $Y^M$ は積分（周辺化）され、通常クロスワールド仮定を必要としません（ただし、特定の集団レベル推定量を除く）。

2.2 計算アプローチの違い

• サンプルレベル: MCMC において、欠損している反事実 $Y^M$ をパラメータブロックとして明示的に宣言し、事後分布からサンプリングする必要があります（補完アプローチ）。
• 集団レベル: パラメータの事後分布を得た後、モンテカルロシミュレーションを用いて共変量分布上で平均化（標準化）を行うことで推定量を計算します。反事実自体をサンプリングする必要はありません。

2.3 共変量分布のモデリング

集団レベル推定量（PATE）を正しく推定するには、共変量 $L$ の母集団分布 $f(L)$ をモデル化する必要があります。

• ベイズ・ブートストラップ（Bayesian Bootstrap）: 共変量分布の不確実性を伝播させるために推奨されます。
• 経験分布（Empirical Distribution）の固定: 共変量分布を固定して平均化すると、PATE ではなく「混合平均治療効果（MATE）」の事後分布が得られてしまい、不確実性の推定（事後分布の広がり）が過小評価される危険性があると指摘されています。

3. 主要な貢献と事例分析

著者は Stan 言語を用いた 4 つの具体的な事例を通じて、理論を実証しています。

事例 1: 単純なパラメトリックモデルによる比較

二変量正規分布モデルを用い、PATE と SATE、CATE と ITE の事後分布を比較しました。

• 結果: 点推定値（中央値）は類似している場合が多いですが、事後分布の広がり（不確実性）は大きく異なります。特に ITE の不確実性は CATE よりも大幅に大きくなります。SATE の事後分布を PATE のそれと誤って解釈すると、信頼区間が不適切になります。

事例 2: 柔軟な非パラメトリックモデル（截断 DPM）

ディリクレ過程混合モデル（DPM）を用いて、複雑な非線形関係を持つデータに対して ITE, SATE, CATE, PATE を推定しました。

• 結果: 集団レベル推定量（PATE）を得るには、CATE を母集団分布上でモンテカルロ積分する必要があります。単に観測データと補完された反事実の差を平均する（SATE の計算）だけでは PATE にはなりません。

事例 3: クロスワールド仮定を必要とする集団レベル推定量

「両方の介入で失敗する確率」など、潜在結果の結合分布に依存する集団レベル推定量を扱いました。

• 結果: 通常、集団レベル推定量はクロスワールド仮定を不要とされますが、結合分布そのものが推定量に含まれる場合（例：$P(Y(1)>\tau, Y(0)>\tau)$）には、クロスワールド仮定（相関パラメータ $\rho$ など）が必須となります。これは、クロスワールド仮定がサンプルレベル特有のものではないことを示しています。

事例 4: 多値処置と多数のクロスワールドパラメータ

$K$ 種類の処置がある場合、各標本に対して $K(K-1)/2$ 個の非識別可能なクロスワールド相関パラメータが必要になります。

• 結果: 標本レベル推論を行う場合、パラメータ数が処置数に対して多項式的に増加し、推定が困難（非現実的）になります。一方、集団レベル推論（条件付き期待値の比較）では、この複雑さが緩和される傾向があります。

実装上の誤りへの批判（Keil et al., 2018 の g-公式）

Keil et al. (2018) が提案したベイズ版 g-公式の実装を批判的に検討しました。

• 問題点: 彼らの手法は、母集団分布を固定（経験分布）し、標本サイズ $n$ に制限されたモンテカルロシミュレーションを行っています。これは、本来の PATE（母集団推定量）ではなく、MATE（混合平均）や有限サンプル推定量に近いものを推定しており、不確実性の評価が不正確であることが示されました。

4. 結果と知見

1. 解釈の明確化: ITE/SATE と CATE/PATE は、定義も不確実性の源も異なります。一方の事後分布を他方のものとして扱うことは重大な誤りです。
2. クロスワールド仮定の必要性: サンプルレベル推論では一般的に必要ですが、集団レベル推論でも、推定量が潜在結果の結合分布に依存する場合は必要になります。
3. 不確実性の評価: 集団レベル推定量（PATE）の不確実性は、共変量分布の不確実性を含めることで正しく評価され、単に標本平均を取る（MATE）場合よりも広くなります。
4. 実装の厳密性: Stan などの MCMC ソフトウェアを使用する際、推定量の種類に応じて、反事実をパラメータブロックに含めるか、生成量ブロックで計算するか、共変量分布をどう扱うかを厳密に区別する必要があります。

5. 意義と結論

本論文の核心的なメッセージは、**「第一原理的思考（First-principles thinking）」**の重要性です。

• 因果推論を行う際は、まず「どの推定量（標本レベルか母集団レベルか）」が科学的関心の対象かを明確に定義する。
• その推定量が結合事後分布のどの周辺分布（Marginal）に対応するかを厳密に特定する。
• ベイズの定理と確率論の厳密な論理に従って、必要なパラメータと反事実を適切に扱う。

このアプローチにより、実務で頻発する「クロスワールド仮定の不用意な適用」や「誤った事後分布からの推論」といったエラーを防ぐことができます。また、研究対象が特定の有限集団（例：特定の州、特定の病院の患者）に限定される場合、母集団推定量を想定するのではなく、あえてサンプルレベル推論（SATE/ITE）を行うことが適切である場合もあると結論付けています。

本論文は、ベイズ因果推論の実践者に対し、理論的な厳密さと実装上の注意点を再考させる重要な指針となっています。