論文要約：事実の結果を条件とした回顧的対照予測（Cross-World Approach）

論文タイトル: Retrospective Counterfactual Prediction by Conditioning on the Factual Outcome: A Cross-World Approach
著者: Juraj Bodik (University of Lausanne)
掲載: Proceedings of Machine Learning Research (PMLR) 275, 2026 (5th Conference on Causal Learning and Reasoning)

---

1. 問題設定 (Problem)

因果推論の核心的な課題の一つは、「ある個人が異なる処置（治療など）を受けていた場合、どのような結果になったか（対照結果：Counterfactual Outcome）」を推定することです。特に、すでに観測された事実の結果（Factual Outcome）$Y(0)$ を持つ個人に対して、未観測の対照結果 $Y(1)$ を予測する「回顧的対照予測（Retrospective Counterfactual Prediction）」は、医療（患者の予後評価）や法廷（因果関係の立証）など、高リスクな意思決定において極めて重要です。

既存の手法の多くは、共変量 $X$ のみを用いて $E[Y(1) | X=x]$ を推定する傾向にあり、すでに観測されている事実の結果 $Y(0)$ が持つ個体固有の情報を無視しています。しかし、例えば「治療を受けなかった患者が回復していた場合（$Y(0)$ が良好）、治療を受けても回復していた可能性が高い」といった直感は、予測精度を向上させる重要な手がかりとなります。

核心的な課題:
$Y(0)$ と $Y(1)$ は同時に観測できないため、その結合分布は識別不可能（Unidentifiable）です。事実の結果 $Y(0)$ を条件に含めて $E[Y(1) | X=x, Y(0)=y]$ を推定するには、観測データからは得られない「対照世界間の依存構造（Cross-world dependence）」に関する仮定が必要です。

2. 手法 (Methodology)

著者は、対照世界相関（Cross-world correlation） $\rho(x) = \text{cor}(Y(1), Y(0) | X=x)$ を明示的なモデルパラメータとして導入し、これを活用する新しい枠組み RCP($\rho$) を提案しています。

2.1 対照世界仮定 (Cross-world Assumption)

$Y(1)$ と $Y(0)$ の間の依存性を、条件付き相関係数 $\rho(x)$ でパラメータ化します。

• $\rho(x) = 0$: 事実の結果は対照結果に何の情報も与えない（既存の手法に相当）。
• $\rho(x) = 1$: 処置効果は個人間で一定であり、$Y(1) = Y(0) + \text{定数}$ となる。
• $0 < \rho(x) < 1$: 観測された $Y(0)$ が $Y(1)$ について部分的な情報を提供する。

この $\rho(x)$ はデータから直接推定できませんが、ドメイン知識、補助データ、または感度分析を通じて妥当な範囲や値を設定することが可能です。

2.2 推定量の構築 (RCP Estimator)

Gaussian コピュラを仮定し、既存のベースライン推定量（共変量 $X$ のみから推定した平均 $\hat{\mu}_t(x)$ と予測区間 $\tilde{C}_t(x)$）を $\rho$ を用いて修正します。

点推定量 $\hat{\mu}_\rho(x, y)$:
$$\hat{\mu}_\rho(x, y) = \hat{\mu}_1(x) + \rho \cdot \lambda(x) \cdot (y - \hat{\mu}_0(x))$$
ここで、$\lambda(x)$ は処置群と対照群の予測区間の幅の比率です。この式は、$Y(0)$ の残差 $(y - \hat{\mu}_0(x))$ を $\rho$ に応じて重み付けし、対照結果の予測値に反映させることを意味します。

予測区間 $C_\rho(x, y)$:
点推定量の周りに、$\sqrt{1-\rho^2}$ 倍された幅を持つ区間を設定します。$\rho$ が大きいほど、条件付き分散が減少し、区間は狭くなります。

2.3 有限サンプル補正 ($C^{+CI}_\rho$)

$\rho$ が 1 に近い場合、推定誤差によるバイアスが予測区間の被覆率（Coverage）を低下させる可能性があります。これを補正するため、$\hat{\mu}_\rho$ の信頼区間をスケーリング因子 $c=\rho^2$ で加算した補正区間 $C^{+CI}_\rho$ を提案しています。

3. 主要な貢献 (Key Contributions)

1. 対照世界依存性の活用: 回顧的対照予測において、観測された事実の結果 $Y(0)$ を条件に含めるための体系的な枠組みを初めて提案しました。
2. 推定量と予測区間の定式化: 対照世界相関 $\rho$ を明示的に扱うことで、点推定と予測区間（条件付き被覆率を満たす）を構築する手法を提示しました。
3. 理論的保証: $\rho$ が正しく指定され、かつ潜在結果が正規分布に従う場合、提案手法は漸近的に一致性を持ち、かつ最適な（最も狭い）予測区間を提供することを証明しました。
4. 実証的評価: 合成データ、半合成データ（IHDP）、実データ（Twins）を用いた広範な実験により、$\rho > 0$ の領域において、既存の手法（CATE 調整、マッチング、GAN など）を大幅に上回る精度と信頼性を示しました。

4. 実験結果 (Results)

• 精度の向上: 対照世界相関 $\rho$ が 0 から 1 の間にある場合、事実の結果を条件に含めることで、平均二乗誤差（MSE）が大幅に減少しました。特に $\rho$ が大きい（強い依存がある）場合、予測精度の向上は顕著です。
• 予測区間の性能: 提案手法は、設定された信頼水準（例：90%）を満たしつつ、既存手法よりも狭い予測区間を提供しました。
• 感度分析: $\rho$ の値を誤って指定した場合でも、真の値に近い範囲であれば、$\rho=0$（事実の結果を無視）や $\rho=1$（完全な依存）を仮定する既存手法よりも優れた性能を発揮しました。
• 非正規性への頑健性: 潜在結果の分布が正規分布から外れる場合でも、サンプルサイズが増加すれば漸近的に真の値に収束することが確認されました（有限サンプルでは収束が遅くなる傾向あり）。

5. 意義と結論 (Significance and Conclusion)

この研究は、因果推論における「対照世界（Cross-world）」の仮定を単なる理論的な障壁ではなく、ドメイン知識や感度分析を通じて活用可能なパラメータとして再定義した点に大きな意義があります。

• 透明性の向上: 既存の手法は暗黙的に $\rho=0$ や $\rho=1$ を仮定していることが多いですが、本手法はこれらの仮定を明示化し、研究者がドメイン知識に基づいて適切な依存構造を選択・検証することを可能にします。
• 実用的な価値: 医療や政策評価など、個体レベルの不確実性を定量化する必要がある分野において、観測された事実の結果を活用することで、より信頼性の高い対照予測が可能になります。
• 今後の展望: $\rho$ の選択を支援する診断ツールの開発、連続処置や時系列データへの拡張、より複雑な依存構造（非ガウス型）への対応が今後の課題として挙げられています。

総じて、本論文は「観測された事実の結果を条件に含めること」が、対照予測の精度と信頼性を劇的に向上させる可能性を示し、そのための理論的・実用的な基盤を確立しました。