論文要約：因果推論におけるベイズ感度分析のガイドライン

「仮定のストレステスト：因果推論におけるベイズ感度分析のガイド」
（著者：Arman Oganisian, Brown University）

1. 背景と問題提起

観察データを用いて医療処置などの因果効果を推定する際、観測された交絡因子を調整するための高度な因果推論手法が必要となる。しかし、これらの手法はすべて、検証不可能な統計的および因果的な同定仮定（例：無交絡性、欠測メカニズムの仮定など）に依存している。

• 問題点: これらの仮定が成立しない場合、推論結果は歪められる可能性がある。感度分析は、仮定がどの程度崩れると結論が変化するかを評価する手段である。
• 現状の課題: ベイズ統計を用いた感度分析は、仮定の方向性や大きさを事前分布（Prior）としてエンコードできるという独自の利点を持つが、実装には高度な方法論的知識が必要であり、公開ソフトウェアを用いた直感的な実装例が不足しているため、実務への普及が進んでいない。
• 目的: 本論文は、Stan（オープンソースのベイズモデリング言語）を用いた実装レベルの知識を提供し、因果推論におけるベイズ感度分析の統一されたアプローチを提示することを目指す。

2. 方法論：ベイズ「欠測データ」アプローチ

本論文の核心的な貢献は、「欠測データ（Missing Data）」の枠組みを用いて、様々な仮定違反を統一的に扱うアプローチを提示している点にある。

• ベイズ的視点の統一: ベイズ推論において、「パラメータ」と「データ」はどちらも確率変数である。観測されていない値（真の曝露状態、観測されていない交絡因子、欠測したアウトカムなど）は、単なる「未知のデータ」として扱われる。
• 感度パラメータ: 仮定違反の度合いを制御するパラメータ（感度パラメータ）を、モデルの未知量として扱い、その事後分布を推定する。
• 実装手順:
  1. 完全データ分布（欠測メカニズム、欠測データ、観測データを含む）を関数として特定する。
  2. 識別可能なパラメータと、感度パラメータの特定の値を用いて完全データ分布をモデル化する。
  3. Stan を用いて、すべての未知量（パラメータ＋欠測データ）の同時事後分布からサンプルを抽出する。
  4. 得られたサンプルを用いて因果効果（例：平均処置効果 ATE）を再計算し、感度パラメータの値を変化させた際の推論の変化を評価する。

3. 主要な分析例（4 つの事例）

論文では、以下の 4 つの事例を通じて、パラメトリックおよびノンパラメトリックモデルにおける感度分析の実装を解説している。

事例 1：曝露の誤分類（Exposure Misclassification）

• 課題: 真の処置状態 $A$ が観測されず、誤った指標 $\tilde{A}$ しか得られない場合。
• 手法: 感度パラメータとして「感度（Sensitivity）」と「特異度（Specificity）」を定義する。真の処置状態 $A$ は離散変数であるため、Stan の HMC サンプラーで直接扱えない。そのため、$A$ を周辺化（Marginalization）し、対数尤度の混合項を log_sum_exp 関数を用いて数値的に安定に計算する。
• 結果: 感度・特異度の値を変化させることで、ATE の事後分布がどのようにシフトするかを可視化し、「転倒点（Tipping Point）」を特定する。

事例 2：観測されていない交絡因子（Unmeasured Confounding）

• 課題: 処置選択とアウトカムに影響を与えるが観測されていない変数 $U$ の存在。
• 手法: $U$ を連続変数（標準正規分布など）としてモデルに追加し、処置モデルとアウトカムモデルの両方に $U$ を含める。感度パラメータ $\xi$ は、$U$ が処置やアウトカムに与える影響の強さを表す。
• 実装: $U$ は連続変数であるため、Stan の parameters ブロックで直接宣言し、事前分布を与えてサンプリングする。
• 結果: 感度パラメータの値を変化させた際のヒートマップを作成し、どの程度の交絡バイアスで結論が反転するか（95% 信用区間が 0 を含むようになるか）を評価する。

事例 3：欠測アウトカム（Missing Not-at-Random: MNAR）

• 課題: アウトカム $Y$ が欠測しており、その欠測メカニズムがアウトカム自体に依存している場合（MAR ではない）。
• 手法: 欠測インジケータ $\Delta$ の確率をロジスティック回帰でモデル化し、感度パラメータ $\xi$ によって欠測とアウトカム間の依存性を制御する。
• 実装: 欠測したアウトカムは離散変数（二値）であるため、事例 1 と同様に周辺化を行い、混合項を target += log_sum_exp(...) で実装する。
• 結果: MAR（欠測がランダム）を仮定した場合と、MNAR（欠測がアウトカムに依存）を仮定した場合で、ATE の推定値が大きく異なることを示す。

事例 4：ベイズノンパラメトリック感度分析（Truncated Stick-Breaking Mixtures）

• 課題: 複雑なデータ構造に対応するため、柔軟なノンパラメトリックモデルを使用する場合。
• 手法: 切断スティックブレイキング（TSB）混合モデルを用いて、アウトカム、処置、共変量の同時分布をモデル化する。
• 利点: 観測データがある領域ではデータに柔軟に適応し、観測データがない領域（欠測部分）では事前分布と感度パラメータの影響を強く受ける。これにより、不確実性を定量化しつつ、仮定違反の影響を評価できる。
• 結果: MNAR の仮定を異なる事前信念で設定した場合、欠測データの事後分布と回帰曲線の形状がどのように変化するかを可視化し、モデルの適応性を示した。

4. 実装とツール

• Stan の活用: 全ての例において、Stan（R 経由の rstan）を用いた実装コードを提供している。
• コードの特徴:
  • 数学的な表記とコードを可能な限り一致させ、直感的な理解を促す（計算効率よりも教育的な明瞭さを優先）。
  • 標準的な分布関数だけでなく、target += 構文を用いたカスタム対数尤度の追加方法を詳細に解説。
  • 離散変数の周辺化や混合モデルの安定した計算のためのテクニック（log_sum_exp）を提示。

5. 結果と結論

• 統一された枠組み: 曝露誤分類、未測定交絡、MNAR 欠測など、一見異なる問題が、すべて「欠測データ」としてベイズ枠組みで統一的に扱えることを示した。
• 実用性の証明: 高度なベイズ感度分析が、Stan などの一般に利用可能なオープンソースソフトウェアを用いて実装可能であることを実証した。
• 転倒点分析: 感度パラメータのグリッド検索を通じて、どの程度の仮定違反で因果推論の結論が覆るかを定量的に評価できる。

6. 意義と貢献

1. 実装ガイドの提供: 理論的な論文が多く、実装が難解だったベイズ感度分析について、具体的なコードと数学的導出を併記した初めての包括的なガイドとなる。
2. 実務への普及: 研究者が自らの研究において、仮定の妥当性を検証し、感度分析を実践するためのハードルを下げた。
3. ドメイン知識の重要性: 単に「交絡があるかもしれない」と主張するのではなく、具体的な臨床的・実務的知識に基づき、感度パラメータの値や方向性を設定する重要性を強調している。

本論文は、因果推論における仮定の脆弱性を評価するための強力なツールセットを提供し、より頑健な科学的推論を可能にするための重要なリソースである。