Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data

1. 研究の背景と問題設定

背景:
傾向スコア（Propensity Score）に基づくアプローチは、観察データからの因果推論において広く用いられています。しかし、時系列横断データ（TSCS: Time-Series Cross-Sectional Data）やパネルデータへの適用は、特に「観測されていない交絡因子（unobserved confounders）」が存在する状況において、依然として課題を抱えています。

既存手法の限界:

• 標準的な傾向スコア法: 観測された共変量のみを条件とした「条件付無作為化（conditional ignorability）」を仮定しており、観測されていない交絡因子を考慮できません。
• 潜在因子モデル（Latent Factor Models）: 交互作用固定効果モデルなどを用いて観測されていない交絡因子を捉えようとしますが、多くの既存手法では「処置割り当てメカニズム（treatment assignment mechanism）」を明示的にモデル化しておらず、傾向スコアを導出していません。
• ベイズ推論におけるモデルフィードバック問題: 潜在因子が処置割り当てモデルと結果モデルの両方に現れる場合、完全なベイズ推論を行うと「モデルフィードバック（model feedback）」が発生し、反事実的予測や処置効果推定にバイアスが生じる可能性があります。

本研究の目的:
時系列横断データにおいて、観測された共変量と観測されていない時間不変の交絡因子の両方を考慮しつつ、処置割り当てメカニズムを明示的にモデル化する新しいベイズフレームワークを提案することです。

2. 提案手法：PS-LFM（Propensity Score-Augmented Latent Factor Model）

本研究は、処置割り当てと潜在的な結果を同時にモデル化する「ベイズ型傾向スコア拡張潜在因子モデル（PS-LFM）」を提案しています。

2.1 モデルの定式化

データは $N$ 個の単位と $T$ 期間からなるパネルデータとし、段階的な処置導入（staggered adoption）を仮定します。

1. 潜在無作為化仮説（Latent Ignorability）:
   潜在的な結果は、観測された共変量 $Z_i$ と観測されていない単位固有の交絡因子 $\gamma_i$ を条件として、処置割り当て $W_i$ と独立であると仮定します。
   $$\{Y_{it}(0), Y_{it}(1)\} \perp W_i \mid Z_i, \gamma_i$$

2. 処置割り当てモデル（傾向スコア段階）:
   処置割り当ては、観測共変量 $Z_i$ と潜在因子負荷（factor loadings）$\gamma_i$ に依存するロジット/プロビットモデルとして定義されます。
   $$W_i = 1\{Z_i'\lambda_z + \gamma_i'\lambda_\gamma + \nu_i \ge 0\}$$
   これにより、傾向スコア $ps(Z_i, \gamma_i) = \Pr(W_i=1 \mid Z_i, \gamma_i)$ が導出されます。

3. 結果モデル（アウトカム段階）:
   対照群における潜在結果 $Y_{it}(0)$ は、観測共変量、傾向スコア、および残差調整項として機能する潜在因子構造を含みます。
   $$Y_{it}(0) = g(Z_i, ps(Z_i, \gamma_i))'\beta_t + \gamma_i' f_t + \varepsilon_{it}$$
   ここで、$g(\cdot)$ は傾向スコアを結果モデルに組み込む関数（例：傾向スコア層別化による交互作用項など）です。これにより、傾向スコア層間での異質性を捉えることが可能になります。

2.2 推論アルゴリズム：近似ベイズ推論

完全なベイズ推論では、処置割り当てモデルと結果モデルの間でパラメータ（特に $\gamma_i$）が相互に依存し、モデルフィードバックによるバイアスが生じるリスクがあります。これを回避するため、**近似ベイズ推論（Approximate Bayesian Inference）**を採用しています。

• フィードバックループの切断:
  1. 結果モデルのみを用いて、因子負荷 $\tilde{\gamma}_i$ と因子 $f_t$ を更新します（処置割り当ての尤度は使用しません）。
  2. 得られた因子負荷を正規化（回転）し、処置割り当てモデルに投入して傾向スコアパラメータを更新します。
  3. 更新された傾向スコアを用いて、結果モデルの共変量ベクトル $\tilde{Z}_i$ を更新します。
• この手順を MCMC 反復の中で行うことで、モデルフィードバックを抑制しつつ、潜在因子の同定とモデル選択（スパース化）を両立させています。

3. 主要な貢献

1. TSCS データにおける処置割り当てメカニズムの明示的モデル化:
   従来の因果パネルデータモデルが結果モデルに焦点を当てていたのに対し、本研究は潜在無作為化仮説の下で、観測されていない交絡因子を含む処置割り当てメカニズムを明示的にモデル化しました。
2. ベイズ因果推論の拡張:
   主に横断データ向けに開発されていたベイズ型傾向スコア分析を、観測されていない交絡構造が複雑な時系列横断データへ拡張しました。
3. 傾向スコア層別化と潜在因子の統合:
   潜在因子構造を、傾向スコアに基づく層別化（stratification）を通じて結果モデルに統合し、層内でのより信頼性の高い処置群と対照群の比較を可能にしました。

4. 数値実験と実証分析の結果

4.1 モンテカルロシミュレーション

• 設定: $N=200, T=50$ のデータ生成過程（DGP）において、傾向スコア層別化と異質な時間トレンドを仮定しました。
• 比較対象: Oracle モデル（真の傾向スコア既知）、DM-LFM（従来のベイズ因子モデル）、CS-DID（Callaway & Sant'Anna の二重頑健法）、FEct（交互作用固定効果推定量）。
• 結果:
  • 提案手法（PS-LFM）は、Oracle モデルに次ぐ低いバイアスと RMSE を示し、95% 信用区間の被覆率（Coverage Rate）が名目水準（約 95%）に近くなりました。
  • 従来の DM-LFM や FEct は傾向スコア層別化を無視しているため、バイアスと RMSE が大きく、被覆率も低下しました。
  • CS-DID は、DGP が潜在因子構造を前提としているため、観測共変量のみに基づくこの手法では性能が著しく劣りました。

4.2 実証分析：政治的つながりと企業価値

• テーマ: 2008 年 11 月のティモシー・ガイトナー（米国財務長官）就任発表に伴う、政治的つながりを持つ金融企業の異常リターンへの影響。
• 手法: 536 社の金融企業データを用い、PS-LFM と従来の DM-LFM を比較しました。
• 結果:
  • 両モデルとも処置前の異常リターンはゼロ付近で一致しましたが、処置日（発表日）およびその後の特定の日において、PS-LFM は 95% 信用区間がゼロを含むのに対し、DM-LFM は含まないという差異が見られました。
  • これは、傾向スコア層別化を考慮することで、処置効果の推定値に微妙ながら無視できない変化が生じることを示唆しています。
  • プラセボテストにおいても、両モデルとも推定値がゼロ付近にあり、妥当性が確認されました。

5. 意義と限界

意義:

• 観測されていない交絡因子が存在する時系列横断データにおいて、処置割り当てメカニズムを明示的に扱うことで、より頑健な因果推論を可能にしました。
• 傾向スコアと潜在因子モデルを統合することで、層内での比較精度を向上させ、既存の因果パネルモデルの枠組みを拡張しました。

限界:

• パラメトリックな仮定: 処置割り当てモデルと結果モデルの両方でパラメトリックな仮定（線形性や正規性など）に依存しており、傾向スコア層別化の閾値設定などの誤指定はバイアスの原因となり得ます。
• 二重頑健性の欠如: 観測されていない交絡因子を扱うため、処置モデルまたは結果モデルのいずれか一方が正しければ一致推定量が得られるという「二重頑健性（double robustness）」は満たされません。これは、観測されていない交絡因子を扱うための同定仮定（潜在無作為化）に起因する本質的な制約です。

結論:
本研究は、複雑な交絡構造を持つ時系列横断データにおける因果推論のための新しいベイズ的枠組みを提供し、特に政治経済学や金融分野における実証研究への応用可能性を示しました。