技術要約：傾向スコアマッチングの代替案としての粗化完全一致法の有効性の検討

1. 問題提起

粗化完全一致法（Coarsened Exact Matching: CEM）は、共変量の不均衡、モデル依存性、および統計的バイアスに対処するための、比較有効性研究における優れた代替案として頻繁に推奨されている。推進派は、PSMが不適切なペアを排除することで不均衡やモデル依存性を増大させるという「PSMパラドックス」を克服できるとして、CEMがPSMよりも優れていると主張している。

しかし、本論文は、CEMへの置き換えの推奨は不確実であり、潜在的に欠陥がある可能性があると論じている。その理由は主に以下の3点である：

1. 「完全一致」の誤認： CEMはしばしば「完全一致（exact matching）」と誤ってラベル付けされる。しかし実際には、元の変数ではなく、粗化された変数（ビン分けされた連続変数またはグループ化されたカテゴリ変数）に依存している。この固有の不完全性が、サンプルサイズが増加しても消失しない系統的な残留交絡を導入する。
2. 不均衡指標の誤解： CEMがPSMよりも不均衡を低減すると主張する先行研究は、マハラノビス距離などの指標を用いていることが多い。これらの指標は、系統的な不均衡とランダムな変動（偶然の不均衡）を区別できていない。PSMにおいて、同一の傾向スコアを持つペア間の共変量の差は偶然によるものであり、サンプルサイズが増加するにつれて相殺される傾向がある。一方、CEMの不均衡は構造的かつ持続的である。
3. モデル依存性と次元の呪い： CEMは残留交絡を残すため、バイアスのない推定にはアウトカムと交絡因子の関係に関する正確なマッチング後の回帰モデリングが必要となる。これにより、モデルの誤設定に対する脆弱性が高まる。さらに、CEMは多くの共変量に対してマッチングを行う際に「次元の呪い」に直面し、積極的な粗化を行わない限り大幅なデータ損失を招くが、これは同時に残留交絡を悪化させる。

2. 研究手法

理論的枠組みと仮定

本研究は、標準的な因果推論の仮定（SUTVA、条件付き無視性、正値性、および線形または交互作用を含むアウトカムモデル）の下で動作する。

• PSM： 傾向スコア $e(X) = P(W=1|X)$ を利用する。これはバランシングスコアの性質（$W \perp\!\!\perp X | e(X)$）と強固な無視性を持つ。本論文では、厳密にマッチングされたPSMデザインにおいては、共変量の偶然の不均衡はバイアスを導入せず、単純な平均差によってバイアスのない推定が可能であると仮定している。
• CEM： 連続変数をビン分けし、カテゴリ変数をグループ化して、低次元のベクトル $C$ を作成する「粗化」ステップを含む。マッチングは $C$ の厳密な値に対して行われる。決定的なのは、$C$ は $X$ に関する処置割り当ての十分統計量ではないため、$W \not\perp\!\!\perp X | C$ となる点である。これにより、層内での系統的な不均衡（$\delta_c \neq 0$）が生じ、これはサンプルサイズに関わらず持続する。

提案される指標

本論文は、偶然の不均衡の方向性を考慮していない既存の不均衡指標（マハラノビス距離や$L_1$指標など）を批判している。これらの指標は、シミュレーション研究において偏差がゼロに収束することを妨げている。

• 新指標： 著者らは、**標準化平均差（SMD）**に基づく多変量不均衡指標を提案する。この指標は、シミュレーションされたサンプル全体にわたる平均SMDの絶対値を合計するものであり、系統的な不均衡（ゼロから逸脱するもの）とランダムな偶然の不均衡（ゼロに平均化されるもの）を区別するように設計されている。

シミュレーション設計

本研究では、CEM（Sturgesの規則を用いた「Auto」粗化、および3つのグループへの「G3」粗化を使用）と、PSM（キャリパー0.2の最近傍マッチングを使用）を比較する包括的なシミュレーション研究を実施した。

• シナリオ：
  • 均質的 vs 異質的処置効果： 一定の処置効果と変化する処置効果の両方におけるパフォーマンスを評価。
  • モデルの仕様： 正しく指定されたアウトカムモデルと、誤指定されたアウトカムモデル（非線形性や交互作用を含む）の下での性能をテスト。
  • 次元数： 交絡因子の数（$p=2, 5, 7$）を変化させ、次元の呪いを評価。
  • 処置の普及率： 処置率が低い場合（約10%）と高い場合（約30%）を検証し、処置を受けた者に対する平均処置効果（PATT）の推定におけるバイアスを評価。
• 分析： バイアス、分散、および平均二乗誤差（MSE）を、未調整分析（平均差）と調整分析（線形項を用いた回帰）の両方を用いて評価する。

3. 主な貢献と結果

1. 系統的不均衡 vs ランダムな不均衡

• 知見： PSMでは、マッチングされたペア間の共変量の不均衡はランダムであり、ペア数が増えるにつれてゼロに収束する。一方、CEMにおける不均衡は系統的であり、粗化プロセスに起因する。これはサンプルサイズが大きくなっても減少しない。
• 結果： 未調整分析（単純な平均差）では、CEMよりもPSMの方が大幅にバイアスが小さかった。CEMは残留交絡を軽減するためにマッチング後の回帰調整を必要とするが、PSMはバランシングスコアの性質により、バイアスのない推定のために厳密に調整を必要としない。

2. モデル依存性と誤設定

• 知見： CEMは粗化された変数に依存しているため、バイアスのない推定は、アウトカムと元の交絡因子の関係を正しくモデル化できるかどうかに依存する。
• 結果： アウトカムモデルが誤設定された場合、CEMはPSMよりも有意に高いバイアスを示した。本論文は、厳密にマッチングされたPSMデザインにおいては、ある種の誤設定された線形モデル（非線形項や交互作用項を省略したもの）であっても、漸近的に不偏なATT推定値を得られることを示す理論的命題（命題1）を提示している。対照的に、CEMは構造的な残留交絡が存在するため、モデルの誤設定に対して非常に敏感である。

3. 次元の呪いと粗化のトレードオフ

• 知見： 交絡因数の数が増えるにつれ、細かい粗化（例：「Auto」）を行うCEMは、深刻なデータ損失（スパース性バイアス）に苦しみ、不安定な推定を招く。
• 結果： 粗化のレベルを上げる（例：「G3」）ことは、データ損失を軽減するが、より大きな残留交絡とモデル依存性を導入する。したがって、高次元の設定では、バイアス、分散、およびMSEの観点から、CEMはPSMよりも性能が悪化する。

4. 異質的処置効果

• 知見： 均質な効果で見られたパターンは、異質的な処置効果においても継続する。
• 結果： 処置の普及率が高く、アウトカムモデルが誤設定されている場合、PSMはCEMと比較して一貫して低いバイアスと分散を示した。モデルベースの推定法よりも、PSMにおける解析的推定法の方が、誤設定下では優れていた。

4. 意義と主張

本論文は、多数の共変量に対してマッチングを行う場合、CEMはPSMの実行可能な代替案ではないと結論付けている。

• 誤解の修正： 本研究は、CEMが完全にブロックされたラン理実験を模倣しており、不均衡やモデル依存性を低減する点でPSMよりも優れているという、臨床文献における一般的な見解に異議を唱えている。CEMは、構造的なバイアスを導入する不完全なマッチング手法であることを明確にしている。
• 方法論的ガイダンス： 著者らは、CEMの優位性の主張は、多くの場合、偶然の変動を考慮していない不適切な不均衡指標（マハラノビス距離など）の使用に起因すると主張している。適切なSMDベースの指標で評価した場合、PSMの方が優れた共変量バランスを示す。
• ロバスト性： PSMはモデルの誤設定に対してより堅牢であることが示されている。CEMは未調整データと比較すればモデル依存性を低減させるものの、PSMよりも正しいアウトカムモデリングへの依存度が高い。
• 限界： 本論文は、PSMが万能薬ではないことも認めている。PSMは未観測の交絡に対処することはできず、傾向スコアモデルの正しい指定に依存する。しかし、観測された交絡因子の範囲内においては、PSMは、特に高次元の設定において、バイアスとモデル依存性を低減するためのより堅牢な枠組みを提供する。

本研究は、観察研究におけるCEMの役割の再評価を提唱しており、その理論的な利点は、残留交絡と次元の呪いに起因する実用的な制限によってしばしば打ち消されていることを示唆している。