論文「Distributional Discontinuity Design」の技術的サマリー

1. 概要と問題提起

従来の回帰不連続デザイン（RDD）および回帰キックデザイン（RKD）は、処置割り当ての境界（カットオフ）における**平均処置効果（ATE）**の推定に焦点を当ててきました。しかし、平均値のみを考慮することは、処置が結果分布の形状（分散、歪度、尾部など）全体を変化させる場合、重要な情報を隠蔽するリスクがあります。例えば、平均効果はゼロでも、処置が分布の分散を大きく変化させたり、分布を多峰性に変化させたりするケースが存在します。

本論文は、これらの限界を克服し、処置割り当ての不連続点（またはキック点）における結果分布全体の変化を因果推論の枠組みで定量化する新しいアプローチ、「分布的不連続デザイン（Distributional Discontinuity Design）」を提案しています。

2. 主要な手法と枠組み

2.1 因果推定量の定義：Wasserstein 距離

著者らは、カットオフの直上と直下における対照群（counterfactual）の条件付き分布間の距離として、**2 乗 Wasserstein 距離（$W_2$）**を因果効果の推定量（$\Psi$）として定義しました。

$$\Psi = W_2(P_{1|x_0}, P_{0|x_0})$$

ここで、$P_{a|x_0}$ は $X=x_0$ における処置 $A=a$ の条件付き分布です。Wasserstein 距離は、ある分布を別の分布に変形するために必要な「最小の輸送コスト」として解釈され、平均だけでなく、分散や歪度を含む分布の全体的な形状の変化を単一のスカラー値で捉えます。

2.2 識別条件

• 鋭い RDD (Sharp RDD): 標準的な RDD の仮定（整合性、連続性、閾値での密度の正値、正則性）に加え、2 乗モーメントが存在することを仮定します。1 次元の場合、Wasserstein 距離は分位点関数（Quantile Function）間の $L_2$ 距離として表現可能です。
• ぼやけた RDD (Fuzzy RDD): 処置確率がカットオフで不連続に変化するが、完全には決定論的ではない場合、局所従順者（Compliers）の分布に対して、分位点関数の局所ワルド比（Local Wald Ratio）を用いて識別されます。
• 分布的キックデザイン (Distributional Kink Design): 処置割り当てではなく、処置の「傾き（スロープ）」が変化する点（キック）において、Wasserstein 距離の**導関数（$\Psi'$）**を定義します。これは、確率質量がキック点を通過する「流れの速度」を表します。ぼやけたキックデザインにおいても、Wang and Zhang (2025) の手法を拡張し、識別性を確立しています。

2.3 推定と統計的推論

• 推定量: 局所多項式回帰（Local Polynomial Regression）を用いて条件付き分位点関数を推定し、数値積分によって $\Psi$ を推定します。Chiang et al. (2019) のバイアス補正手法を適用し、実用的なバンド幅選択を可能にしています。
• 推論の難しさ: $\Psi$ は二次的なパラメータであるため、$\Psi=0$ の近傍で収束率と極限分布が変化します（$\Psi \neq 0$ では $\sqrt{n}$ 収束、$\Psi=0$ では $n$ 収束）。このため、標準的なデルタ法は適用できません。
• 検定と信頼区間:
  • 帰無仮説（$\Psi=0$）の検定には、Karhunen-Loève 展開に基づく固有値テスト、または Luedtke et al. (2018) の手法を用いた保守的なチェビシェフ不等式ベースのテストを提案しています。
  • 信頼区間の構築には、分位点効果の均一信頼帯（Uniform Confidence Band）から導かれる区間、または Verdinelli and Wasserman (2024) の手法に基づく保守的な区間を提案しています。

3. 主要な理論的貢献

3.1 平均効果との関係と不均質性の指標

定理 1により、Wasserstein 効果 $\Psi$ はカットオフにおける平均処置効果 $|\tau|$ を弱く上界することが示されました（$|\tau| \leq \Psi$）。

• 等号が成立するのは、処置効果が純粋に加法的（分布の位置のみがシフトし、形状は変わらない）である場合に限られます。
• この差を利用し、不均質性指数 $\gamma = 1 - (\tau/\Psi)^2$ を定義することで、分布のシフトのうち平均効果で説明できる割合と、形状変化（不均質性）で説明される割合を定量化できます。

3.2 L-モーメントによる直交分解

定理 2において、Wasserstein 距離の二乗が、**L-モーメント（L-moments）**の二乗差の和に分解できることを示しました。
$$\Psi^2 = \sum_{k=1}^{\infty} (2k-1) (\lambda_k^{(1)} - \lambda_k^{(0)})^2$$
これにより、「分布的 $R^2$」を定義でき、分布の距離が「位置（平均）」「スケール（分散）」「歪度」「高次形状」のどの成分によって説明されているかを分解して解釈することが可能になります。これは、処置効果の不均質性を、従来のモーメントベースの直感で理解できる形で要約する画期的な手法です。

3.3 確率的優越性の方向性

Wasserstein 距離を正の成分と負の成分に分解し、**Wasserstein 優越性（$\rho$）**を定義することで、処置が全体的に有益か有害か、あるいは分布のどこで効果が相殺されているかを単一の数値で示すことができます。

4. 実証分析とシミュレーション結果

4.1 シミュレーション

異なるデータ生成過程（加法的効果、分散の違い、重尾部）を用いたシミュレーションにより、提案された信頼区間のカバレッジと幅を検証しました。

• 小標本では、ブートストラップ法に基づく区間が不安定になる傾向がある一方、提案された保守的な区間が安定して機能することを確認しました。
• 標本サイズが増加するにつれ、両者の差は縮小しますが、保守的な区間が理論的なカバレッジを達成することが確認されました。

4.2 実データ分析

1. 選挙の incumbency 効果（Lee, 2008）:
   • 平均処置効果（得票率の増加）と Wasserstein 効果がほぼ等しく、L-モーメント分解でも第 1 モメント（位置）が大部分を説明していました。これは、処置効果が分布全体に均一にシフトしていることを示唆し、平均効果の解釈が妥当であることを裏付けました。
2. スウェーデンの助成金と雇用（Lundqvist et al., 2014）:
   • 平均処置効果（キック点での傾きの変化）は統計的に有意ではありませんでした。
   • しかし、Wasserstein 導関数 $\Psi'$ を用いた分析では、分布全体の変化が検出されました。特に、L-モーメント分解の結果、平均効果（$k=1$）はほとんど寄与せず、高次モーメント（$k \geq 4$）が大部分を説明していることが分かりました。これは、平均では捉えられない、特定の自治体における極端な効果（アウトライヤー）が存在する可能性を示唆しています。

5. 意義と結論

本論文は、因果推論において「分布の距離」自体を因果効果として扱う新しいパラダイムを確立しました。

• 実用的意義: 平均効果だけでは見逃される、分散や歪度の変化といった重要な処置効果を検出・定量化できます。
• 解釈の容易さ: 従来の分位点処置効果（QTE）は多数の分位点を解釈する必要があり複雑ですが、Wasserstein 距離は単一の数値で分布全体のシフトを要約し、L-モーメント分解によってその内訳を直感的に理解できるようにします。
• 汎用性: RDD や RKD に限定されず、ランダム化比較試験（RCT）や差分法（DID）など、交換可能性が仮定できるあらゆる設定に適用可能です。

今後の課題として、多次元アウトカムへの拡張や、Wasserstein 距離以外の分布距離の適用が挙げられています。本論文は、因果推論における分布ベースの分析を標準的なツールセットに組み込むための重要な一歩です。