📊 statistics

Sequential Transport for Causal Mediation Analysis

この論文は、最適輸送と媒介変数の有向非巡回グラフを組み合わせ、クロスワールド反事実仮定に依存せず、因果的依存関係を保持しながら媒介変数の反事実を構成する「逐次輸送（Sequential Transport）」という新たな分布論的枠組みを提案し、その一貫性と因果的解釈可能性を理論的に確立するとともに、数値およびカテゴリカルな媒介変数を含む多様な設定での有効性を示したものである。

原著者： Agathe Fernandes-Machado, Iryna Voitsitska, Arthur Charpentier, Ewen Gallic

公開日 2026-03-17

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Agathe Fernandes-Machado, Iryna Voitsitska, Arthur Charpentier, Ewen Gallic

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、**「なぜある結果（例えば、再犯率や採用の可否）が、特定のグループ（人種や性別など）で異なるのか？」**という疑問を解き明かすための、新しい「分析の道具」を紹介しています。

従来の方法では、この疑問に答えるために「もしも、この人が別のグループに生まれたらどうなっていたか？」という**「平行世界（パラレルワールド）」**の話を想像する必要がありましたが、それは現実のデータからは証明できない「空想」に頼る部分がありました。

この論文が提案する**「Sequential Transport（逐次輸送）」という新しい方法は、その「空想」を捨てて、「現実のデータに基づいた、最小限の変更」**で答えを出そうとするものです。

以下に、難しい数式を使わず、日常の例え話を使って解説します。

1. 従来の方法 vs 新しい方法：料理の例え

ある料理店（A 店と B 店）で、料理の味が違うとします。

A 店は「スパイスを多く使う」。
B 店は「スパイスをあまり使わない」。
結果として、B 店の料理の方が「美味しい」と評価されることが多いとします。

ここで、「なぜ B 店の方が美味しいのか？」を分析したいとします。

従来の方法（パラレルワールドの仮定）

「もし、A 店のシェフが B 店のスパイスの量を使っていたら、味はどう変わったか？」を計算します。
しかし、A 店のシェフはスパイスを多く使う習慣があるため、スパイスの量を減らすと、他の調味料のバランスも勝手に変わってしまうかもしれません。「スパイスだけ変えて、他の部分は完全に同じ」という状態は、現実には存在しない**「空想の世界」**です。従来の統計手法は、この空想の世界を数学的に作り上げるために、強い仮定（「スパイスと他の調味料の関係はこうだ」というルール）を設ける必要がありました。

新しい方法（Sequential Transport：逐次輸送）

この論文が提案する方法は、**「最小限の変更」**という考え方をとります。

A 店の料理（スパイス多め）を、B 店の味（スパイス少なめ）に近づけたい。
でも、いきなり全部の材料を B 店のレシピに書き換えるのは無理がある。
そこで、「スパイスの量だけ、B 店の平均的な量に少し変える」。
スパイスの量が変わると、自然と「塩の量」や「火加減」も少し変わるかもしれない。だから、スパイスが変わった後の状態に合わせて、塩の量も B 店のルールに従って少し変える。
さらに、塩が変わったので、野菜の切り方も B 店のルールに合わせて調整する。

このように、「因果関係の順序（スパイス→塩→野菜）」に従って、一つずつ、必要な分だけ変化させていくのが「Sequential Transport」です。

ポイント: 「もしも A 店が B 店だったら」という空想ではなく、「A 店の料理を、B 店のルールに合わせて現実的に変形させたもの」を作ります。
メリット: 変形後の料理は、B 店の料理として「あり得る味（現実のデータ分布）」の中に必ず存在します。

2. この方法がすごいところ

① 「何が変わったから結果が変わったか」がハッキリする

この方法を使えば、「スパイスの量の違いが、味の違いの 70% を説明し、塩の量の違いが 30% を説明している」といったように、どの要素（媒介変数）がどれくらい影響したかを、一つ一つ詳しく分解して説明できます。

② 複雑な関係も扱える

現実の社会問題（例えば、人種による再犯率の違い）では、原因は一つではありません。

「人種」→「年齢」→「前科の数」→「起訴の重さ」→「再犯」
のように、鎖のように繋がっていることがあります。
この方法は、その鎖の順番（DAG：有向非巡回グラフ）に従って、一つずつ変えていくので、複雑な関係性でも正しく分析できます。

③ データの種類を選ばない

数値データ（年齢、前科の数など）：連続的に変える。
カテゴリデータ（性別、職業、起訴の種類など）：これらは「離れている」ので、単純な引き算では変えられません。この方法は、カテゴリデータを「三角形の地図（単体）」の上を移動させるような特殊な技術を使って、無理なく変換します。

3. 実際の応用：COMPAS データセットの例

論文では、アメリカの「COMPAS」という再犯予測システムを使った実験を行いました。

問題: 白人と黒人で、再犯予測スコアに差があるのではないか？
分析: 「人種」が「年齢」や「前科の数」に影響し、それが「再犯」に影響しているという仮説を立てました。

この新しい方法（Sequential Transport）で分析したところ：

人種による差の多くは、「前科の数」や「起訴の重さ」といった要素の分布の違いによって説明できることが分かりました。
単に「人種が違うから」というだけでなく、「人種によって、どのような経歴（前科など）を持つ人が集まっているか」という経路ごとの影響を、個々の人物レベルで詳しく見ることができました。

まとめ：この論文のメッセージ

この論文は、「因果関係の分析」を、空想の世界から現実のデータの世界へ引き戻すことを提案しています。

従来の方法: 「もしも A なら B だったはずだ」という空想を計算する。
新しい方法（Sequential Transport）: 「A を、B のルールに合わせて現実的に少し変えてみる」という変形を計算する。

これにより、社会的不平等や医療効果などの分析において、**「どこに問題があるのか（どの要素が影響しているのか）」**を、より透明性が高く、解釈しやすい形で示すことができるようになります。

まるで、複雑なパズルを、無理やり組み替えるのではなく、**「ピースの形を少し変えながら、隣のピースに合うように順番に調整していく」**ような、丁寧で論理的なアプローチです。

論文要約：Sequential Transport for Causal Mediation Analysis

（逐次輸送を用いた因果媒介分析）

1. 概要と背景

本論文は、因果媒介分析（Causal Mediation Analysis）における新しい分布論的枠組みである**逐次輸送（Sequential Transport: ST）を提案しています。従来の媒介分析は、構造化方程式モデル（SEM）やクロスワールド反実仮想（cross-world counterfactuals）の仮定に依存していましたが、ST は最適輸送（Optimal Transport: OT）理論と媒介変数の有向非巡回グラフ（DAG）**を組み合わせることで、パラメトリックな構造モデルを仮定せずに、個体レベルの反実仮想媒介変数を構築します。

この手法は、治療（A）を変化させた際に、媒介変数（X）が「必要な最小限の変更」のみを行うことで目標分布に一致し、かつ DAG で定義された因果依存関係を維持するという**「mutatis mutandis（必要な変更は行うが、他は変えない）」**の原則に基づいています。

2. 問題設定

目的: 治療 $A$ が結果 $Y$ に及ぼす影響を、媒介変数 $X$ を通じた間接効果と、媒介変数を介さない直接効果に分解すること。
課題:
- 従来の非パラメトリックな媒介分析は、個体レベルの分解が困難、または SEM の特定の分布仮定を必要とする。
- クロスワールド反実仮想（例： $Y(0, X(1))$ ）は観測不可能であり、構造的な仮定（SCM）なしに定義することが難しい。
- 媒介変数が連続変数とカテゴリカル変数の混合である場合や、高次元である場合の扱いが複雑。
アプローチ: 構造的な関数形を仮定せず、観測された条件付き分布 $P(X|A)$ と DAG の構造のみから、個体レベルの反実仮想媒介変数を構築する。

3. 提案手法：逐次輸送（Sequential Transport, ST）

ST は、媒介変数の DAG に基づくトポロジカル順序（topological order）に従って、媒介変数を順次（逐次的）に変換するアルゴリズムです。

3.1 基本的な考え方

DAG の利用: 媒介変数 $X = (X_1, \dots, X_d)$ の因果関係が DAG $G$ で定義されていると仮定します。
逐次的な変換: 媒介変数をトポロジカル順序 $\pi(1), \dots, \pi(d)$ $π (1), \dots, π (d)$ に沿って 1 つずつ処理します。
- 各変数 $X_j$ について、その親変数（parents）がすでに反実仮想値に変換された状態を条件として、 $X_j$ の分布を治療群 $A=0$ から $A=1$ へ輸送します。
- これにより、親 - 子の条件付き関係が DAG の構造に整合したまま保たれます。
mutatis mutandis 原則: 治療を変えた際、各媒介変数は、目標分布（ $A=1$ の分布）に一致するために「必要な最小限」だけ変更されます。

3.2 数値的・カテゴリカル変数への適用

数値変数（連続変数）の場合:
- 親を持たない変数（ルート）: 単変量の累積分布関数（CDF）と分位点関数（Quantile function）を用いた単変量最適輸送マップ $T(x) = Q_1(F_0(x))$ を使用。
- 親を持つ変数: カーネルベースの条件付き CDF と分位点関数推定量を用いた条件付き最適輸送マップを使用。親の値がすでに輸送された状態で条件付けを行います。
カテゴリカル変数の場合:
- カテゴリの確率ベクトルを単体（simplex）上の点として扱います。
- 単体上の分布を輸送するマップ（simplex-based transport）を適用し、決定論的なカテゴリ割り当て（例：argmax 法または半離散 OT 割り当て）を行います。

3.3 効果の分解

得られた反実仮想媒介変数ベクトル $x^\star_{1,i}$ を用いて、個体レベルの効果を以下のように定義します（ $A=0$ の個体 $i$ に対して）:

間接効果 ( $\delta_i$ ): $\hat{\mu}_0(x^\star_{1,i}) - \hat{\mu}_0(x_{0,i})$ $\overset{μ}{^}_{0} (x_{1, i}^{⋆}) - \overset{μ}{^}_{0} (x_{0, i})$
- 媒介変数の変化による結果への影響。
直接効果 ( $\zeta_i$ ): $\hat{\mu}_1(x^\star_{1,i}) - \hat{\mu}_0(x^\star_{1,i})$ $\overset{μ}{^}_{1} (x_{1, i}^{⋆}) - \overset{μ}{^}_{0} (x_{1, i}^{⋆})$
- 媒介変数を固定した状態での治療変化の影響。
総効果 ( $\tau_i$ ): $\delta_i + \zeta_i$

ここで $\hat{\mu}_a(x)$ は、治療群 $a$ における結果 $Y$ の回帰モデルです。

4. 理論的保証

論文は、ST によって推定された輸送マップと効果分解の**一致性（Consistency）**を証明しています。

仮定: 治療 $A$ が外生的（ランダム化または共変量条件付き無視可能）、DAG が既知、条件付き分布の正則性（密度の存在、単調性など）、カーネル推定量の一様収束性など。
結果:
- 条件付き輸送マップ $\hat{T}_j$ は、真の輸送マップ $T_j$ に対して確率収束します。
- 逐次的なプロセス全体を通じて、推定された反実仮想媒介変数ベクトル $x^\star_{1,i}$ は、真の分布論的変換 $x^\dagger_{1,i}$ に収束します。
- これにより、個体レベルの間接効果・直接効果・総効果の推定量も、真の値に一致します。

5. 実証結果

5.1 シミュレーション研究

ガウス分布モデル: 線形 SEM と比較し、ST が古典的な媒介分析の分解（直接効果・間接効果）を正確に回復することを確認しました。
混合タイプ・非線形モデル: 連続変数とカテゴリカル変数が混在し、非線形な結果モデルを持つ DAG 構造でのシミュレーションを行いました。
- 結果、ST は多変量最適輸送（OT）やエントロピー正則化 OT（SKH）と比較して、分散が小さく安定した推定を提供しました。
- 個体レベルの分解が可能であり、非パラメトリックな設定でも有効であることが示されました。

5.2 実データ分析（COMPAS データセット）

目的: アルゴリズムの公平性における人種（Race）と再犯率（Recidivism）の格差を、年齢、前科数、罪状の重さなどの媒介変数を通じて分解する。
設定: 人種をルートノードとし、因果 DAG を仮定して ST を適用。
結果:
- 群間格差の約 2/3 が媒介変数の分布の違い（間接効果）に起因することが示されました。
- 個体レベルで、どの媒介変数が格差に寄与しているかを詳細に分解（attribution）することが可能でした（例：前科数や罪状の重さが主要な寄与因子）。
- 従来の手法（LSEM、Normalizing Flows など）と比較して、ST は DAG に整合した決定論的な反実仮想を提供し、解釈可能性が高いことを示しました。

6. 主要な貢献と意義

個体レベルの媒介分析の実現: パラメトリックな構造モデルを仮定せず、個体ごとの直接効果・間接効果を計算可能な枠組みを提供しました。
DAG 整合性と分布論的アプローチ: 最適輸送を用いることで、観測データに内在する分布構造を維持しつつ、因果グラフの制約（条件付き独立性）を厳密に満たす反実仮想を構築します。
多様な変数タイプへの対応: 連続変数だけでなく、カテゴリカル変数（単体輸送）や混合タイプの変数も扱える汎用性を持っています。
理論的裏付け: 非パラメトリックな条件下での輸送マップと効果推定量の一致性を証明し、統計的妥当性を担保しました。
公平性分析への応用: 医療や司法（COMPAS）など、社会的に重要な分野におけるバイアスの源泉を、因果構造に基づいて詳細に特定するツールとして機能します。

7. 結論

Sequential Transport (ST) は、クロスワールド反実仮想の仮定に依存せず、最適輸送と因果 DAG を活用して、堅牢で解釈可能な媒介分析を可能にする画期的な手法です。これは、従来の構造化モデルと現代の輸送理論を橋渡しし、因果推論、特にアルゴリズムの公平性評価における新たな標準となり得る可能性を秘めています。