Treatment effect: a critique

技術的要約：処置効果：ある批判

問題提起
本論文は、統計学における「処置効果」の定義に関する根本的な相違を取り上げている。フィッシャー派の流れを汲む一派は、処置効果を統計モデル内の安定したパラメータ（例：回帰係数）として定義する。これに対し、ルービン因果モデルおよび反事実フレームワークに関連する反対派（Rubin, 1974; Rosenbaum and Rubin, 1983）は、処置効果を、潜在的結果（あるいは反事実）におけるモデルフリーな集団レベルの差として定義する。文献では、反事実的効果の識別性と推定に関する議論が広く行われてきたが、本論文は、観測されたサンプルを超えて科学的な一般化を行うことが目的である場合、モデルフリーな定義（具体的には、潜在的結果の平均差）が推論の適切な対象となるのかという点に疑問を投げかけている。著者らは、反事実が観測可能であるという理想的な条件下においてさえ、モデルフリーな定義は安定性と科学的な一貫性を欠く可能性があると主張している。

方法論
著者らは、「擬似的な理想化（fictitious idealization）」を用いた比較理論分析を用いている。これは、「何を」測定しているかという問題と、「どのように」それを推定するかという問題（すなわち、観測不可能なものに関する検証不可能な仮定）を分離するためである。著者らは、反事実プロセスが完全に既知であり、すべての個体について両方の潜在的結果（$Y_i(0)$ および $Y_i(1)$）が観測可能であるというシナリオを想定している。この理想的な設定において、問題は各個人が完全なコピーと対になるマッチドペア・デザインへと簡略化される。

次に、著者らは「モデルフリー」な処置効果（個別の差の標本平均として定義される）と、「モデルベース」の処置効果（McCullagh, 2002, 2022に従い、アウトカムの確率分布の変換を支配する安定したパラメータ $\theta$ または $\Delta$ として定義される）を比較する。

著者らは、これら2つの定義の適合性をテストするために、以下の5つの具体的な例を分析している：

1. 線形モデル：平均への加法的効果。
2. 指数モデル：率への乗法的効果。
3. ワイブルモデル：率への乗法的効果と形状パラメータ $\alpha$。
4. 指数モデル（加法的率）：率への加法的効果。
5. ロジスティックモデル：対数オッズへの加法的効果（二値アウトカム）。

主な貢献と結果
分析の結果、以下の技術的な知見が得られた：

• 変換ファミリーにおける適合性： 処置効果がベースライン分布のパラメータに対する群としての変換として作用する場合（例：線形モデルにおける加法的シフトや、指数モデルの率における乗法的シフト）、モデルフリーな平均 $\tau_n$ は、モデルベースのパラメータ（またはその単純な変換）を回収する。
• 非変換ファミリーにおける不安定性： 処置効果がモデル内で安定して定義されている場合（例：指数率への加法的シフト $\Delta$ や、ロジスティック対数オッズへの加法的シフト $\Delta$）、モデルフリーな平均 $\tau_n$ は安定したパラメータを回収できない。代わりに、$\tau_n$ はサンプリングされた個人の特定のベースラインパラメータ（$\gamma_i$）の複雑な関数となる。
  • 例： 加法的指数率モデルにおいて、$\tau_n = \frac{1}{n} \sum \log((\gamma_i + \Delta)/\gamma_i)$ となる。この値は、$\gamma_i$ の分布に応じて劇的に変化する。$\gamma_i$ が小さい場合、$\tau_n$ は大きくなり、$\gamma_i$ が大きい場合、$\tau_n$ は極めて小さくなる。
  • 例： ロジスティックモデルにおいて、$\tau_n$ はサンプリングされた単位の特定の線形予測子 $\gamma_i$ に依存する。
• 等価性の必要条件： 著者らは、任意のサンプルに対してモデルフリーな定義とモデルベースの定義が同一の回答を与えるための3つの基準を導出した：
  1. 処置効果がベースラインパラメータを介してベースライン分布に作用すること。
  2. 群作用（group action）が観測に対して一貫していること。
  3. 関連する期待値を特徴付けるために、ベースラインパラメータ以外の妨害パラメータ（nuisance parameters）を必要としないこと。
     これらの条件が満たされない場合（最後の2つの例に見られるように）、モデルフリーなターゲットは特定のサンプルに依存することになり、安定したパラメータの原則に違反する。

意義と主張
本論文は、モデルフリーな処置効果 $\tau_n$ の不安定性が、科学的な結論を一般化しようとする際に重大な欠陥となることを主張している。著者らは、モデルフリーな平均を推論の対象とすることの妥当性に関して、Cox (1958b, 2012) が提起した懸念を支持している。

• 一般化可能性： $\tau_n$ はベースライン特性の特定の分布に依存するため、たとえ基礎となる因果メカニズム（モデルパラメータ）が同一であっても、ある研究から得られた結論を、異なる $\gamma_i$ の分布を持つ別の母集団へと一般化することが困難になる。
• 科学的実践： 処置効果が単位間で系統的に変化する場合、それは（McCullaghの形式論のように）安定したモデル内の交互作用項を通じて説明されるべきであり、不安定でサンプル依存的な平均の中に吸収されるべきではないと著者らは主張している。
• 一般的な反論への反論： 本論文は、モデルフリーな定義に対する3つの一般的な議論に対処している：
  • 異質性： モデルベースの枠組みは、パラメータの安定性を維持しつつ、個体特有の効果を交互作用成分を通じて組み込むことができる。
  • モデルの誤設定： モデルフリーなアプローチは誤設定を回避するが、安定性と解釈可能性を犠牲にする。モデルが誤設定されている場合、モデルベースの枠組みもまた安定性を失うため、モデルの妥当性チェックの必要性は変わらない。
  • 二重の頑健性（Double Robustness）： 二重の頑健性の特性は、ターゲットとなる $\tau_n$ が有効な科学的量として受け入れられている場合にのみ意味を持つ。著者らは、この受け入れ自体に異議を唱えている。

結論
本論文は、モデルフリーな処置効果の定義は、推論の普遍的に適切なターゲットではないと結論付けている。多くの標準的な科学の設定（ロジスティックモデルや加法的指数モデルなど）において、モデルフリーな平均は、サンプルの構成によって変化する不安定な量であるが、モデルベースのパラメータは安定しており、科学的に意味のある量である。著者らは、条件付き妥当性やサブポピュレーションの平均を扱う手法の増殖は、この根底にあるモデルフリーな定義の不安定性の現れであると示唆している。