論文要約：欠損データ存在下におけるカウント曝露の逆確率重み付け（IPTW）：シミュレーション研究

1. 研究の背景と課題

観察研究において因果効果を推定する際、交絡（confounding）を調整するための標準的な手法として**逆確率重み付け（IPTW: Inverse Probability of Treatment Weighting）が広く用いられています。しかし、既存のガイドラインや研究の多くは二値曝露（binary exposure）**に焦点を当てており、**カウントデータ（離散的な非負整数値、例：症状の数、受診回数など）**を曝露変数とする場合の IPTW の適用方法や性能については明確な指針が不足しています。

さらに、実世界のデータセット（特にコホート研究）では欠損データが頻繁に発生します。欠損が「欠損無視（MAR: Missing At Random）」のメカニズムに従う場合、多重代入法（Multiple Imputation: MI）と IPTW を組み合わせる「代入内（within-imputation）」アプローチが推奨されますが、この戦略がカウント曝露に対してどのように機能するか、また柔軟な重み推定手法（機械学習など）が欠損データ下でどのように振る舞うかは未解明でした。

本研究は、これらのギャップを埋めることを目的として、カウント曝露に対する 5 つの異なる IPTW 手法をシミュレーションにより評価し、欠損データ下での性能を検証しました。

2. 手法と研究デザイン

2.1 評価対象の IPTW 手法

本研究では、カウント曝露の重み推定に以下の 5 つの手法を比較検討しました。

1. 多項ロジスティック回帰によるビンニング（Multinomial binning）: カウント値をカテゴリに分類し、多項ロジスティック回帰で重みを推定する。
2. 共変量バランス型プロペンススコア（CBPS）: 共変量のバランスを最適化する制約付き最適化を用いたパラメトリック手法。
3. 非パラメトリック CBPS（npCBPS）: 分布の仮定を置かず、直接重みを最適化する非パラメトリック手法。
4. 一般化ブースティングモデル（GBM）: 機械学習（勾配ブースティング）を用いて曝露と共変量の関係を柔軟にモデル化する手法。
5. エネルギー・バランシング（Energy balancing）: エネルギー距離（energy distance）を用いて、曝露と共変量の独立性を最小化する手法。

2.2 シミュレーション設計

• データ生成: 1970 年イギリス出生コホート研究（BCS70）のデータに基づき、34 歳時の心理的苦痛（症状数）が 42 歳時の長期的疾患に与える影響を想定しました。
• 曝露分布: 2 つのデータ生成メカニズム（DGM）を使用しました。
  • 截断負の二項分布（Truncated Negative Binomial）：過分散（overdispersion）とゼロの多さを考慮。
  • 截断ポアソン分布（Truncated Poisson）：過分散なし。
• 欠損メカニズム: 完全欠損無視（MCAR）と欠損無視（MAR）の 2 条件で、共変量、曝露、アウトカムに欠損を導入しました。欠損率は 20%、40%、60% の 3 レベルで変化させました。
• 多重代入法: 「代入内アプローチ」を採用し、Rubin の規則を用いて推定値を統合しました。
• 評価指標: 偏り（Bias）、カバレッジ（Coverage）、有効サンプルサイズ（ESS）、共変量バランス、計算時間などを評価しました。

2.3 実データへの適用

シミュレーション結果を踏まえ、BCS70 の実データ（N=16,638）を用いて、34 歳時の心理的苦痛（Malaise Inventory スコア）が 42 歳時の長期的疾患に与えるリスク比（RR）を推定し、手法の適用可能性を確認しました。

3. 主要な結果

3.1 完全データ下での性能

• 高パフォーマンス手法: 多項ロジスティック（Multinomial）、CBPS、GBM、エネルギー・バランシングの 4 つは、両方の曝露分布において低い偏り（絶対値 3% 未満）と名目通りのカバレッジ（約 95%）を示しました。
• npCBPS の失敗: npCBPSは極端な重み（extreme weights）を生成しやすく、有効サンプルサイズ（ESS）が著しく低下しました。その結果、大きな負の偏り（負の二項分布で -15.2%、ポアソン分布で -26.1%）とカバレッジの低下を招きました。
• 重みのウィンドソー化（Winsorisation）: 99 パーセンタイルで重みを切り詰めることで、npCBPS の性能は改善されましたが、他の手法に比べて依然として劣っていました。他の高パフォーマンス手法では、ウィンドソー化による偏りの増加はわずかで、精度の向上が見られました。

3.2 欠損データ下での性能

• MCAR（完全欠損無視）: 欠損率が 60% に達しても、Multinomial、CBPS、GBM、エネルギー・バランシングは低い偏りを維持しました。Rubin の規則による標準誤差の推定は、欠損率が高い場合に若干保守的（カバレッジがわずかに高い）でしたが、全体として適切でした。
• MAR（欠損無視）: 欠損率が増加するにつれて、IPTW 手法および共変量調整回帰の両方で偏りが増加しました（特に負の二項分布下で顕著）。
  • 重要な発見: この偏りの増加は IPTW 手法固有の問題ではなく、欠損データの代入モデル（imputation model）の限界に起因している可能性が高いことが示されました。
  • 感度分析: 曝露変数に欠損を導入せず、他の変数のみで MAR を仮定した場合、偏りは大幅に減少しました。これは、過分散かつ右に歪んだカウントデータ（負の二項分布）を、予測平均マッチング（Predictive Mean Matching）などの標準的な MI 手法で正確に代入することが困難であることを示唆しています。

3.3 計算コスト

• CBPSが最も高速でした。
• Multinomialは CBPS よりもやや遅いものの実用的な速度でした。
• GBM、npCBPS、特にエネルギー・バランシングは計算コストが非常に高く（エネルギー・バランシングは Multinomial の約 1,285 倍）、大規模データや反復計算には注意が必要です。

3.4 実データへの適用（BCS70）

実データ分析において、Multinomial、CBPS、GBM による重み付けは、共変量間の相関をほぼゼロにまで低下させ、良好なバランスを達成しました。一方、npCBPS はバランスが崩れ、信頼区間が極端に広がりました。
心理的苦痛のスコアが 4 ポイント上昇するごとに、長期的疾患のリスク比は約 1.50〜1.53 と推定され、共変量調整モデルとほぼ同様の結果となりました。

4. 結論と意義

主要な結論

1. 推奨手法: カウント曝露に対する IPTW には、Multinomial binning、CBPS、GBM、エネルギー・バランシングが有効です。これらは偏りが少なく、信頼性の高い推定を提供します。
2. 非推奨手法: npCBPSは、極端な重みを生み出しやすく、カウントデータ（特に歪んだ分布）の文脈では推奨されません。
3. 欠損データへの対応: IPTW と多重代入法（MI）の組み合わせは MCAR 下で有効ですが、MAR 下では、特に過分散したカウント曝露の代入モデルが適切でない場合、推定値に偏りが生じる可能性があります。これは IPTW 自体の欠陥ではなく、現在の MI 手法の限界を反映しています。

学術的・実践的意義

• 方法論的貢献: カウント曝露に対する IPTW の適用に関する実証的な指針を提供し、特に npCBPS の限界と、代替手法の優位性を明らかにしました。
• 実務への示唆: 研究者は、カウントデータを扱う際に、単に柔軟なモデル（npCBPS など）を選ぶのではなく、共変量バランスと有効サンプルサイズ（ESS）を慎重に診断する必要があることを示しました。
• 今後の課題: 右に截断され過分散したカウントデータを適切に扱うための、より高度な多重代入モデルの開発が急務であることが浮き彫りになりました。

本研究は、実世界のコホートデータを用いた因果推論において、カウント曝露を扱う際の統計的アプローチの選択と、欠損データ処理の課題について重要な洞察を提供しています。