Comparing Two Proxy Methods for Causal Identification

技術的サマリー：因果識別のための 2 つの代理変数手法の比較

問題定義
測定されていない交絡が存在する状況下での因果効果の識別は、因果推論における根本的な課題のままです。標準的な調整式（例えば、バックドア調整）は、すべての共通原因を観測することを必要としますが、代理変数手法は、潜在交絡因子に関連する変数を利用することで、強力な解決策として登場しました。この分野において、非パラメトリック識別のための 2 つの異なる方法論的枠組みが発展しました。それは、ブリッジ方程式アプローチ（Miao et al., 2018）と配列分解アプローチ（Kuroki and Pearl, 2014; Allman et al., 2015）です。両手法とも、隠れた交絡に対処するために代理変数を利用しますが、異なる条件付き独立性構造と数学的メカニズムに依存しています。これら両手法の前提条件、適用範囲、および相互関係の精密な比較は欠けており、この分野の主要な貢献者間でも活発な議論が続いています。

方法論と枠組み
本論文は、これら 2 つの枠組みを、共有された条件付き独立性の下で共通の土台に据えることで統合し、離散的な行列表現と連続的な作用素論的アナロジーの両方を用いて、その技術的要件を解明します。

1. ブリッジ方程式アプローチ:

   • メカニズム: この手法は、積分方程式（ブリッジ方程式）を解くことで、直接反事実分布を回復します。これは、潜在変数と観測変数の完全な結合法則を特定することなく、観測された代理変数（$Z$ および $W$）を用いて、測定されていない交絡因子（$U$）に対する標準的な交絡調整式を再表現します。
   • 主要な仮定:
     • 条件付き独立性: $W \perp\!\!\perp Z, A \mid U$ および $Z \perp\!\!\perp Y \mid U, A$。
     • 完全性（仮定 6）: $E[g(U) \mid Z, A] = 0 \implies g(U) = 0$ を満たす一般化された線形独立性条件。離散的な設定では、これは条件付き分布行列 $P_{U|Z,A}$ が右可逆であることを意味します。
     • ブリッジ方程式の解（仮定 7）: $f_{Y|Z,A} = \int h(w,a,y) f_{W|Z,A} dw$ となる関数 $h$ の存在を要求します。離散的な設定では、これは $P_{Y|Z,A} = H P_{W|Z,A}$ を満たす行列 $H$ の存在に対応します。
   • 結果: 介入分布 $f_{Y(a)}(y)$ を識別しますが、一般的に $U$ に依存する関数（例えば、$f_{Y|U,A}$ や $f_U$）は識別しません。

2. 配列分解アプローチ:

   • メカニズム: この手法は、固有値分解またはテンソル分解を通じて、潜在ラベルの置換を除いて、潜在変数と観測変数の完全な結合法則を回復し、そこから因果効果を導出します。これは、Kruskal (1977) の CANDECOMP/PARAFAC (CP) 分解に関する一意性定理に根ざしています。
   • 主要な仮定:
     • 条件付き独立性: $W \perp\!\!\perp A \mid U$ および $W, Z, Y$ が $U, A$ 条件付きで相互に独立であること。
     • 可逆性/ランク条件: 行列 $P_{Z|U,A}$ および $P_{W|U}$ の可逆性（または左可逆性）を要求します。
     • Kruskal ランク条件: 離散モデルにおいて、分解の一意性は不等式 $2R + 2 \leq k_A + k_B + k_C$ に依存します。ここで、$R$ はランク（潜在状態の数）であり、$k$ は因子行列の Kruskal ランクを表します。
     • 非共線性: 潜在変数に条件付けた結果の条件付き分布は、潜在状態間で異なっている必要があります。
   • 結果: 潜在ラベルの置換を除いて完全な結合法則 $f_{A,Y,U,W,Z}$ を識別し、$f_{Y(a)}(y)$ の導出を可能にします。

主要な結果と比較
本論文は、図 3 に示される共有された条件付き独立性構造（ここで $Z$ と $W$ は測定されていない交絡因子 $U$ の代理変数である）の下で、これらアプローチ間の厳密な比較を提供します。

• 離散モデル:

  • Kuroki and Pearl (2014) の仮定（セット 1）は、Miao et al. (2018) の仮定よりも強力です。具体的には、配列分解アプローチにおける $P_{Z|U,A}$ および $P_{W|U}$ の可逆性は、ブリッジ方程式アプローチに必要な左逆行列 $P_{W|Z,A}$ の存在を意味します。したがって、Kuroki-Pearl モデルは Miao et al. モデルに含まれます。
  • しかし、ブリッジ方程式アプローチと一般化された Kruskal 条件（セット 2）を比較すると、これらモデルは入れ子構造ではありません。ブリッジ方程式の仮定は Kruskal ランク不等式（$2R + 2 \leq k_A + k_B + k_C$）を意味するものではなく、その逆もまた成り立ちません。これは、各枠組みがモデル空間の異なる領域をカバーしていることを示しています。

• 連続モデル:

  • 本論文は、配列分解アプローチについては Hu and Schennach (2008) および Deaner (2023) を参照しつつ、比較を連続的な設定に拡張しています。
  • 著者らは、離散の場合と同様に、連続の場合においても 2 つのモデルが入れ子構造ではないと推測しています。両アプローチの仮定が満たされる例（線形ガウスモデル）を提供し、適用範囲の重なりを実証しています。

• 推定:

  • 本論文は、ブリッジ方程式手法が、特定のパラメトリック仮定（例えば、場所・スケール族）の下で、効率的な影響関数と半パラメトリック効率の結果を確立していることに簡単に言及しています。
  • 対照的に、配列分解手法はしばしば近似のためのシーブ法に依存しており、隠れた処置代理変数に対する半パラメトリック理論は存在するものの、隠れた交絡に対するそれは未熟な領域のままです。

意義と貢献
この研究の主な貢献は、2 つの基礎的な代理変数に基づく識別戦略の関係を明確にすることです。文献を統合することで、著者らは以下の点を実現しました：

1. 範囲の明確化: 2 つのアプローチは単に同じ論理の代替実装ではなく、互いに異なり、しばしば入れ子構造ではない仮定に依存していることを示しました。
2. 表記の統一: 離散ケースには行列表現を、連続ケースには作用素論を用いることで、両枠組みを共通の土台に据え、技術的な微妙な差異をより透明にしました。
3. 適用の指針: 研究者に対し、特定のデータ構造に対してどの手法が適切かについてのより明確な理解を提供しました。例えば、完全な結合法則が必要（例えば、潜在ラベルの回復や観測されていない曝露の分析のため）な場合、配列分解アプローチが必要です。因果効果のみが必要で、テンソル分解のランク条件が満たされない場合は、ブリッジ方程式アプローチが依然として実行可能かもしれません。

本論文は、両手法とも隠れた交絡に対する強力な解決策である一方で、その背後にある仮定の慎重な提示が、方法論の発展と応用利用にとって不可欠であると結論付けています。将来の研究方向としては、より複雑で一般的に識別不可能なシナリオへの近接手法の拡張、およびこれらのアプローチから導出される推定量に対する一般的な半パラメトリック理論の確立が含まれます。