論文「Conformal Inference for Counterfactuals and Individual Treatment Effects with Experiment Attrition」の技術的サマリー

1. 研究の背景と問題設定

政治学や社会科学における調査実験およびフィールド実験では、実験脱落（Attrition）、つまり調査への非回答や実験からの脱落が頻繁に発生し、因果推論の妥当性を脅かす重大な課題となっています。

• 既存手法の限界:
  • 完全ケース分析（Complete Case Analysis）、多重代入法（Multiple Imputation）、逆確率重み付け（IPW）などの従来手法は、欠測メカニズムに関する強い仮定（例：欠測が完全にランダムである MCAR、または観測変数のみで説明可能な MAR）や、モデルの正しさに依存しています。
  • 部分識別（Partial Identification）や境界推定は仮定を緩めますが、観測群と脱落群の間で共変量の分布が異なる**共変量シフト（Covariate Shift）**の問題を適切に扱えず、推定値が偏ったり、信頼区間が広すぎて実用的でない（情報量が少ない）という欠点があります。
• 本研究の目的:
  • 実験脱落（MAR 条件下）が存在する状況において、個々の処置効果（ITE: Individual Treatment Effect）および反事実的アウトカムに対して、分布に依存しない（distribution-free）かつ頑健な予測区間を構築する新しい手法を提案すること。
  • 脱落群における ITE の推定精度を高め、観測群・脱落群・全体サンプル間の因果効果を比較可能にすること。

2. 提案手法：半パラメトリック効率的推定量を用いた適合性推論（Conformal Inference）

本研究は、不確実性の定量化手法である**適合性推論（Conformal Inference）を、実験脱落という欠測問題に適用し、さらに半パラメトリック効率的推定量（Semiparametric Efficient Estimator）**を統合することで、従来の適合性推論の課題（区間の広さや共変量シフトへの対応不足）を克服します。

2.1 基本的な枠組み

• 潜在結果フレームワーク: 各単位 $i$ に対して処置 $D_i$、共変量 $X_i$、潜在結果 $Y_i(1), Y_i(0)$ を定義。
• 欠測の構造: 脱落指標 $R_i$ を導入。$R_i=1$ は観測群（Source）、$R_i=0$ は脱落群（Target）。
• 仮定:
  1. 無交絡性（Unconfoundedness）: 処置割り当てと欠測メカニズムが、観測された共変量 $X$ 条件付きで独立である（MAR）。
  2. 重なり（Overlap）: 処置確率と反応確率が 0 や 1 に近づかない。

2.2 手法の核心：2 段階アプローチと共変量シフトの修正

提案手法は、観測群内での反事実推定と、脱落群への外挿の 2 段階で構成されます。

1. 第 1 段階：観測群内での ITE 予測区間の構築

   • 観測群内で、処置群の対照群の反事実、対照群の処置群の反事実を予測します。
   • ここでは、処置群と対照群の間で共変量分布が異なる（共変量シフト）ため、重み付け適合性推論（Weighted Conformal Inference）の考え方を採用します。
   • 革新点: 従来の重み付け法（Tibshirani et al., 2019）は経験分布に基づき区間が広くなる傾向がありますが、本研究では**効率的影響関数（EIF: Efficient Influence Function）**を導出することで、半パラメトリックな効率性を利用し、より狭くかつ有効な区間を構築します。

2. 第 2 段階：脱落群への区間外挿

   • 第 1 段階で得られた ITE の予測区間を、脱落群（$R=0$）へ拡張します。
   • ここでも、観測群と脱落群の間で共変量分布が異なるため、再度 EIF を用いた識別式を導出します。
   • 区間拡張関数: 第 1 段階の区間 $\mathcal{C}_{ITE}$ を包含するように、脱落群向けの区間 $\check{\mathcal{C}}_{ITE}$ を構築します。ボンフェローニ補正を用いて、全体のカバレッジ保証（$1 - (\alpha + \gamma)$）を達成します。

2.3 アルゴリズムのフロー

1. データ分割: データを事前学習（Pretraining）、学習（Training）、較正（Calibration）の 3 つのフォールドに分割。
2. ** nuisance パラメータの推定**: 処置確率、反応確率、条件付き分位数モデルなどを学習。
3. EIF による閾値推定: 経験分布の分位数ではなく、EIF の標本モーメント条件を満たす最小値を探索することで、非適合スコア（Nonconformity Score）の閾値を決定。これにより、漸近的なカバレッジ保証と区間の短縮を両立します。

3. 主要な貢献

1. 政治学研究への適合性推論の導入:
   • 因果推論における不確実性の定量化に、分布に依存しない適合性推論を適用し、従来のパラメトリック仮定に依存しない頑健な手法を提供しました。
2. 実験脱落問題への統合的アプローチ:
   • Lei and Candès (2021) や Gao et al. (2025) の研究を発展させ、共変量シフトを明示的に考慮した半パラメトリック効率的推定量を組み合わせることで、脱落群における ITE の予測区間を構築する一般化されたフレームワークを提案しました。
3. 包括的な評価:
   • 異なる機械学習モデル（Random Forest, BART, XGBoost など）を用いた大規模なモンテカルロシミュレーションと、2 つの実証研究（Margalit & Shayo, 2021; Finkel et al., 2024）の再分析を通じて、手法の有効性と限界を詳細に評価しました。

4. 結果

4.1 シミュレーション研究

• カバレッジと区間幅: 提案手法（CISE: Conformal Inference with Semiparametric Efficient Estimator）は、多重代入法（Amelia II）や重み付け CQR（Lei & Candès 法）と比較して、名义カバレッジ（95%）を維持しつつ、平均区間幅が最も狭いという優れた性能を示しました。
  • 多重代入法は分布の仮定（正規性など）が崩れるとカバレッジが低下。
  • 重み付け CQR（未重み付けネスト法）はカバレッジは高いが、区間が広すぎて実用的でない（過度に保守的）。
• 頑健性: 共変量の相関（$\rho=0, 0.9$）やサンプルサイズ（500〜5000）の変化に対して、安定した性能を発揮しました。

4.2 実証分析（再分析）

1. Margalit & Shayo (2021) の再分析:
   • 金融市場が政治的選好に与える影響を調査。脱落群（全体の 17.8%）の ITE を推定。
   • 提案手法は多重代入法と同程度の区間幅を持ち、重み付け CQR よりも狭い区間を提供。
   • 脱落群の処置効果は観測群より大きかったが、全体サンプルの ATE 推定値には大きな変化は見られなかった（ただし、区間推定により不確実性が可視化された）。
2. Finkel et al. (2024) の再分析:
   • 市民教育が民主主義価値に与える影響（チュニジア）。脱落率は 36%〜40% と高い。
   • 提案手法は、多重代入法や重み付け CQR よりも狭い区間を提供。
   • 重要な発見: 観測群のみで分析した場合、統計的有意性がなかった、あるいは弱かった処置効果が、脱落群を含めた全体サンプルの推定では統計的有意性が変化（例：M2 で 1% レベルで有意に）したケースが存在しました。これは、脱落群の処置効果が観測群と異なっており、単純な完全ケース分析ではバイアスが生じていることを示唆しています。

5. 意義と結論

• 因果推論の基盤強化: 実験脱落が存在する状況でも、分布仮定に依存せず、かつ共変量シフトを適切に修正することで、個々の処置効果に対する信頼性の高い予測区間を提供します。
• 実証研究への示唆: 脱落群を無視して観測群のみを分析することは、処置効果の過小評価や過大評価、あるいは誤った結論を招くリスクがあることを実証的に示しました。
• 限界と将来展望:
  • 現在の手法は MAR（欠測が観測変数に依存）を仮定しており、MNAR（欠測が観測できない変数に依存）には対応していません。
  • 高い脱落率の場合、推定値のノイズが増大する可能性があります。
  • 将来的には、MNAR 設定への拡張、ダブル機械学習との統合、パネルデータへの適用などが期待されます。

総じて、この論文は、社会科学における実験研究の質を高め、脱落という現実的な課題に対して、統計的に厳密かつ実用的な解決策を提供する重要な貢献です。