📈 economics

Sensitivity Analysis for Instrumental Variables Under Joint Relaxations of Monotonicity and Independence

本論文は、ツールの独立性と単調性仮定の両方を緩和する感度分析手法を開発し、LATE と ATE の特定集合および分解フロンティアを導出するとともに、アングラストとエヴァンス（1998）の家族規模と失業に関する実証分析において、これらの仮定違反が結論に与える影響が極めて大きいことを示している。

原著者： Pedro Picchetti

公開日 2026-03-27

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Pedro Picchetti

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

1. 背景：なぜ「道具変数」を使うのか？（お菓子作りの例え）

研究者たちは、「あること（治療や政策）が、結果（病気や失業）に本当に良い影響を与えるのか？」を知りたいとします。しかし、世の中は複雑で、直接実験できないことが多いです。

そこで使われるのが**「道具変数（IV）」**という魔法の道具です。
例えば、「双子の性別」を道具にして、「家族の人数」が「母親の就業」にどう影響するかを調べようとする研究（Angrist & Evans 1998）があります。

道具（双子の性別）： 親が「男の子が欲しいからもう一人産もう」と思わせるかどうかのきっかけ。
治療（家族の人数）： 実際に子供が増えること。
結果（就業）： 母親が働けるかどうか。

この研究では、「双子の性別」が「母親の就業」に直接影響せず、あくまで「家族の人数」を通じてしか影響しないという**「仮定」**を置いています。これが成り立てば、因果関係を証明できます。

2. 問題点：仮定は本当に正しいのか？（ひび割れたお皿）

しかし、この「道具変数」を使うには、2 つの**「厳しいルール（仮定）」**を守る必要があります。

独立性のルール： 「双子の性別」は、母親の能力や性格（見えない要素）と無関係でなければならない。
単調性のルール： 「双子の性別」が同じなら、全員が「子供をもう一人産もう」という方向に動くはずだ（逆を向く人はいない）。

現実には、このルールが少しだけ崩れている可能性があります。

「双子の性別」が、実は母親の健康状態（見えない要素）と関係しているかもしれない。
「双子が男の子だから産もう」と思わない人が、実は「女の子が欲しいから産もう」と思っているかもしれない（これを論文では「Defiers（逆張りする人）」と呼んでいます）。

これまでの研究は、「ルールが完璧に守られている」と信じて結果を出していました。 しかし、もしルールが少し崩れていたら、結論はひっくり返ってしまうかもしれません。

3. この論文の解決策：「耐震診断」のような分析

著者のピチェッティさんは、**「もし仮定が少し崩れても、結論は変わらないのか？」**を調べる新しい方法（分解フロンティア Breakdown Frontier）を開発しました。

これを**「お菓子の味」**に例えてみましょう。

通常の研究： 「このお菓子は美味しい（効果がある）」と断言します。
この論文のアプローチ： 「もし、砂糖の量（仮定）が 1 グラム増えたら？2 グラム減ったら？味が悪くなる（結論が変わる）のは、どのくらいまで許容できるか？」を地図のように描き出します。

この地図（フロンティア）には、2 つの軸があります。

X 軸： 「見えない要素との関係」がどれくらい崩れているか（独立性の崩れ）。
Y 軸： 「逆張りする人」がどれくらいいるか（単調性の崩れ）。

この地図の**「境界線」が、「結論が『効果あり』から『効果なし』にひっくり返るギリギリのライン」**です。

境界線の内側（青いエリア）： ここまで仮定が崩れても、「効果はやっぱりある！」と言えます。
境界線の外側： ここまで崩れると、「効果があるとは言い切れない」状態になります。

4. 実証実験：有名な研究を再チェック

著者は、有名な「家族の人数と女性の就業」の研究（Angrist & Evans 1998）にこの方法を当てはめました。

結果： 境界線は、原点（完璧な仮定）のすぐそばにありました。
意味： 「双子の性別」が、ほんの少しだけ「母親の能力」と関係していたり、ほんの少しだけ「逆張りする人」がいたりしただけで、「家族が増えると就業率が下がる」という結論はすぐに崩れてしまうことがわかりました。

つまり、あの有名な研究の結論は、**「仮定が完璧に守られているという、非常に脆い土台の上に成り立っていた」**のです。

5. まとめ：なぜこれが重要なのか？

この論文は、研究者や読者に以下のようなメッセージを伝えています。

「絶対正しい」という結論は存在しない。 仮定が少し崩れただけで、結論がひっくり返る研究は多い。
「どのくらいなら大丈夫か」を可視化しよう。 「仮定が 10% 崩れても大丈夫」という研究もあれば、「1% 崩れただけでアウト」な研究もある。この「限界値」を地図で示すことが重要だ。
慎重になろう。 政策決定や重要な判断をする際、この「限界値（分解フロンティア）」を確認せずに結論を信じるのは危険だ。

一言で言うと：
「この研究の結論は、仮定が完璧な世界では正しいけれど、現実の少しのズレには**とても弱い（脆い）ですよ。だから、その結論を信じる前に、『どのくらいなら許容できるか』という限界を測る必要があります」という、科学的な「耐震診断」**を提供する論文です。

1. 研究の背景と問題設定

道具変数法（IV）は社会科学における因果推論の中心的な手法ですが、その識別には**独立性（Independence）と単調性（Monotonicity）**という強い仮定が必要です。

独立性: 道具変数は潜在結果や潜在処置と条件付きで独立であること。
単調性: 全ての個人において、道具変数の変化が処置の受入方向に同じ影響を与えること（「逆従順者（Defiers）」が存在しないこと）。

近年、これらの仮定が検証不可能であることへの懐疑が高まっています。特に、独立性が満たされない場合（選択バイアス）や、単調性が満たされない場合（逆従順者の存在）に、IV 推定量（LATE: Local Average Treatment Effect）がどのように歪むか、あるいはどの程度まで信頼できるかを定量的に評価する枠組みが求められています。

本研究は、**独立性と単調性の両方を同時に緩和（Relaxation）**した状況下において、LATE および ATE（Average Treatment Effect）の推定値の感度を分析する「分解フロンティア（Breakdown Frontier）」アプローチを提案することを目的としています。

2. 手法と理論的枠組み

2.1 感度パラメータの定義

論文では、2 つの感度パラメータを用いて仮定の違反をパラメータ化します。

$c$ -依存性（ $c$ -dependence）: Masten & Poirier (2018) の概念を採用。独立性の違反度を表すパラメータ $c$ は、観測された傾向スコアと、観測されていない潜在変数条件付きの処置割り当て確率との最大差として定義されます。 $c=0$ のとき独立性が成立します。
逆従順者の割合（ $\pi_{def}$ ）: 単調性の違反を表すパラメータ。逆従順者（Defiers）の割合が、従順者（Compliers）の割合より小さいという制約（ $\pi_{co} > \pi_{def}$ ）の下で、逆従順者の存在を許容します。

2.2 部分識別（Partial Identification）

上記の仮定緩和の下で、以下のパラメータの**識別可能集合（Identified Sets）**を導出します。

潜在処置・潜在結果の結合確率: $c$ -依存性の仮定に基づき、Masten & Poirier (2018) の結果を IV 設定に適用し、鋭い（Sharp）上下界を導出。
ITT（Intention-to-Treat）効果: 処置割り当ての因果効果。
LATE（Compliers の平均処置効果）: 従順者に対する処置効果。
ATE（平均処置効果）: 全人口に対する処置効果。

特に、LATE は ITT を従順者の割合で割ることで得られますが、仮定緩和下では従順者の割合も区間推定されるため、LATE の上下界は ITT の上下界と従順者割合の上下界の組み合わせから導かれます。

2.3 分解フロンティア（Breakdown Frontier）

特定の結論（例：「処置効果は正である」）が成立し続けるための、最も緩やかな仮定違反の組み合わせを示す境界線として定義されます。

横軸に独立性の違反度 $c$ 、縦軸に単調性の違反度 $\pi_{def}$ を取り、特定の結論（例：LATE > 0）が成立する領域（Robust Region）を特定します。
この境界線（フロンティア）は、研究者が「どの程度の仮定違反まで許容すれば、結論が変わらないか」を視覚化・定量化します。

3. 推定量と推論（Estimation and Inference）

3.1 非パラメトリック推定量

観測データから、条件付き確率のサンプルアナログ推定量を用いて、上記の上下界および分解フロンティアを推定します。

3.2 漸近理論とブートストラップ

ハダマード方向微分可能性（Hadamard Directional Differentiability）: 上下界やフロンティアの推定量は、min/max 演算子を含むため、通常の微分可能性を満たさず、方向微分可能性しか持ちません。
Fang & Santos (2018) の手法: この性質を利用し、デルタ法を適用して推定量の漸近分布を導出します。極限分布は非ガウス型になるため、標準的なブートストラップ法は一致しません。
Hong & Li (2018) の数値微分法: 一貫性のあるブートストラップ推論を行うため、ハダマード微分の数値推定量を用いた修正ブートストラップ法を提案します。これにより、分解フロンティアに対する**一様信頼区間（Uniform Confidence Bands）**を構成できます。

4. 主要な結果

4.1 数値シミュレーション（Monte Carlo Simulations）

生成データモデル（DGP）を用いたシミュレーションにより、提案された推定量の有限サンプル特性を検証しました。
結果、推定量は真のフロンティアの周りに一貫して収束し、バイアスが小さく、信頼区間の被覆確率が期待通りであることが確認されました。

4.2 実証分析：Angrist & Evans (1998) の再検討

対象: 家族規模が女性の雇用（失業）に与える影響。道具変数は「最初の 2 人の子供の性別が同じか（同性兄弟）」です。
結果:
- 分解フロンティア分析により、Angrist & Evans (1998) が報告した「家族規模の増大は女性の雇用を減少させる（負の効果）」という定性的な結論は、非常に小さな仮定違反に対してさえも脆弱であることが示されました。
- 独立性が完全に成り立つ場合でも、逆従順者の割合が約 0.8% 以上存在すると結論が崩れます（これはペルーの調査に基づく推定値 1.8% よりも小さい）。
- 単調性が成り立つ場合でも、観測・非観測の傾向スコアの差が約 0.4% 以上あると結論が崩れます（観測変数に基づく較正値 1.1% よりも小さい）。
結論: この研究の結論は、独立性と単調性の仮定に対して極めて敏感であり、仮定がわずかに崩れるだけで結果は無意味（Uninformative）になります。

5. 学術的・実証的意義

同時緩和の枠組みの確立: 従来、独立性と単調性のどちらか一方の違反に焦点を当てた感度分析が多かったのに対し、本研究は両方を同時に緩和する枠組みを提供しました。これにより、より現実的な不確実性下での因果推論が可能になります。
分解フロンティアの応用: 仮定違反のトレードオフを可視化する「分解フロンティア」を LATE 推定に適用し、研究結論の頑健性を定量的に評価する新しい標準を提供しました。
推論手法の発展: 非微分可能な関数に対する一貫したブートストラップ推論法を IV 設定に適用し、実証研究における信頼区間の構成を可能にしました。
実証への示唆: 古典的な IV 研究（Angrist & Evans, 1998）の再分析を通じて、仮定が「少し」崩れるだけで結論が逆転したり無意味になったりする可能性を警告し、実証研究における仮定検証の重要性を再確認させました。

まとめ

本論文は、道具変数法の仮定が完全に満たされない現実的な状況において、因果効果の推定値がどの程度まで信頼できるかを「分解フロンティア」という概念を用いて厳密に評価する手法を提案しました。理論的な識別可能性の導出から、漸近理論に基づく推論、そして実証データへの適用までを一貫して行うことで、因果推論の感度分析における重要な進展をもたらしています。