Model-Robust Direct Effect Under Confounder-Mediator Ambiguity

1. 問題設定：共変量と媒介変数の構造的曖昧性

因果推論における「直接効果」の分析では、通常、焦点となる変数 $W$ が「曝露前（pre-exposure）の共変量（交絡因子）」か「曝露後（post-exposure）の媒介変数」かを明確に区別する必要があります。しかし、観察データを用いた研究（特に横断研究）では、以下の理由によりこの区別が不明確になることが頻繁にあります。

• 曝露のタイミングが粗く測定されている。
• 変数が時間とともに変化するプロセスを反映している。
• 実質的な専門家の間で、変数が曝露に先行するか、曝露によって部分的に生成されるかについて見解が分かれる。

具体的な例（論文の動機）：
PFAS（パーフルオロアルキル物質）の負荷と尿酸値の関係を腎機能（eGFR）を介して分析する場合、腎機能は構造的に曖昧です。

1. 共変量モデル: 腎機能の低下が PFAS の血中濃度を上昇させ（腎排泄の減少）、かつ尿酸値も決定するため、曝露前の共変量とみなせる。
2. 媒介変数モデル: PFAS 曝露が腎機能を低下させ、それが尿酸値に影響を与える経路にあるため、曝露後の媒介変数とみなせる。

この曖昧性下で、従来の手法（共変量モデルでは平均処置効果 ATE、媒介変数モデルでは自然直接効果 NDE）を適用すると、推定対象（estimand）そのものが因果モデルの選択に依存して変化してしまいます。特に、$W$ が実際には共変量であるにもかかわらず媒介変数として NDE 推定量を適用した場合、得られる推定値は明確な因果解釈を持たない可能性があり、実質的に誤解を招く結果となり得ます。

2. 主要な理論的発見

2.1 共通の識別可能な関数不存在定理

著者は、$W$ が共変量である場合の ATE と、$W$ が媒介変数である場合の NDE の両方を、単一の観測データ関数（observed-data functional）として識別することは一般的に不可能であることを証明しました（Theorem 1）。

• 理由: ATE は $W$ の観測分布 $P(W|X)$ に対して条件付き平均効果 $\Delta(W,X)$ を平均化しますが、NDE は $W$ の対照群における分布 $P(W|A=0, X)$ に対して平均化します。これら 2 つの分布が一致しない限り、両者を満たす単一の統計量はありません。

2.2 加法的相互作用がない場合の一致

$A$（曝露）と $W$（焦点変数）の間に加法的相互作用がない（条件付き平均効果が $W$ に依存しない）という仮定（Assumption 5）の下では、ATE と NDE は一致し、単一の関数で識別可能になります（Theorem 2）。しかし、この仮定は現実の多くのデータ生成過程では成り立たないため、より一般的な解決策が必要です。

3. 提案手法：モデル頑健な直接効果（Model-Robust Direct Effect）

著者は、$W$ の構造的役割（共変量か媒介変数か）が不明であっても、因果的に解釈可能な単一の推定対象 $\psi(P)$ を提案しました。

3.1 定義

$$\psi(P) := E_P \{ \Delta(W, X) \} = E_P [ Q(1, W, X) - Q(0, W, X) ]$$
ここで、$Q(a, w, x) = E(Y | A=a, W=w, X=x)$ であり、$\Delta(W, X)$ は $W$ と $X$ を固定したときの曝露の条件付き平均効果です。

3.2 因果的解釈の頑健性（Theorem 3）

このパラメータ $\psi(P)$ は、以下の 2 つのモデルにおいてそれぞれ異なるが、いずれも「直接効果」として解釈可能な意味を持ちます。

• 共変量モデル（$W$ が曝露前）: $\psi(P)$ は単なる平均処置効果（ATE） $E[Y(1) - Y(0)]$ に等しくなります（$W$ を通じた間接経路が存在しないため）。
• 媒介変数モデル（$W$ が曝露後）: $\psi(P)$ は介入的直接効果（Interventional Direct Effect, IDE） $E[Y(1, G) - Y(0, G)]$ に等しくなります。ここで $G$ は $X$ に条件付いた $W$ の観測分布から独立にサンプリングされる確率的介入変数です。これは、$W$ の分布を固定した状態での曝露効果を意味します。

重要な点: このパラメータは、$A$ から $W$ への矢印の方向（因果モデル）に依存せず、同じ観測データ関数として定義されます。したがって、構造モデルがどちらであっても、推定対象は因果的に解釈可能です。

3.3 一意性（Theorem 4）

「結果に依存しない（outcome-free）」確率的直接効果のクラスにおいて、共変量モデル下で ATE と一致し、かつ媒介変数モデル下でも因果的解釈を保持する唯一のパラメータは、この $\psi(P)$ であることが示されました。これは、提案された推定対象が単なる妥協案ではなく、このクラスにおける**標準的（canonical）**な目標であることを意味します。

4. 推定手法と統計的性質

4.1 効率的影響関数と 1 ステップ推定量

$\psi(P)$ の効率的影響関数（Efficient Influence Function）を導出し、これを用いた**クロスフィットされた 1 ステップ推定量（Cross-fitted one-step estimator）**を提案しました。

• ** nuisance 関数:** 結果回帰 $Q(a, w, x)$ と曝露確率（プロペンシティスコア）$g(w, x) = P(A=1|W, X)$ を推定する必要があります。
• 頑健性: この推定量は**二重頑健性（Double Robustness）**を持ちます。$Q$ と $g$ の少なくとも一方が真の値に一致して推定されていれば、推定量は一致します。両方が十分に正確に推定されれば、漸近正規性を持ちます。
• クロスフィット: 過学習バイアスを減らし、機械学習アルゴリズムの使用を可能にするため、K フォールドクロスフィットを採用しています。

4.2 仮説検定

構造的曖昧性下での「直接効果ゼロ」の検定については、モデル固有の定義（ATE=0 または NDE=0）に基づく複合帰無仮説を扱うよりも、提案されたモデル頑健パラメータ $\psi(P)=0$ に対する単一の Wald 検定を行う方が実用的であると示唆しています。

5. 結果と検証

5.1 シミュレーション研究

3 つのデータ生成シナリオ（共変量＋相互作用あり、媒介変数＋相互作用なし、媒介変数＋相互作用あり）で評価を行いました。

• 提案推定量 ($\hat{\psi}^{cf}$): 全てのシナリオでバイアスが極めて小さく、95% 信頼区間の被覆率が nominal なレベル（約 95%）を維持しました。
• 比較対象（従来の媒介分析）: 媒介変数モデルを仮定した推定量は、$W$ が実際には共変量である場合（Case 1）や相互作用がある場合（Case 3）に、提案パラメータ $\psi(P)$ とは異なる値に収束しました。これは推定量の失敗ではなく、推定対象（estimand）のミスマッチによるものであり、構造的曖昧性を無視すると実質的に異なる結論を導くリスクがあることを示しました。

5.2 実データ分析（NHANES データ）

PFAS 負荷、腎機能（eGFR）、尿酸値の関係を分析しました。

• 結果: モデル頑健な直接効果の推定値は 0.25 mg/dL でした。一方、腎機能を媒介変数と仮定した従来の媒介分析（NDE）の推定値は 0.10 mg/dL でした。
• 意義: 腎機能の因果的役割が不明確な状況において、従来の媒介分析はモデル頑健な手法に比べて著しく小さい直接効果を報告しました。これは、腎機能が曝露前の共変量である可能性を考慮しない場合、因果経路の解釈が歪められることを示しています。

6. 結論と意義

本論文は、因果推論における「共変量と媒介変数の曖昧性」という基本的かつ見過ごされがちな問題に対し、以下の点で重要な貢献をしています。

1. 識別レベルの頑健性（Identification Robustness）: 単一の観測データ関数が、異なる因果モデル（共変量モデルと媒介変数モデル）の両方において因果的に解釈可能な直接効果を定義できることを示しました。これは、従来の推定量レベルの二重頑健性とは異なる、より根本的な頑健性です。
2. 標準的な推定対象の特定: 結果に依存しない確率的直接効果のクラスにおいて、提案されたパラメータが唯一の解であることを証明し、この問題に対する「標準的な答え」を提供しました。
3. 実用的な解決策: 構造モデルの選択に依存しない推定対象を定義することで、研究者がモデルの正しさを確信できなくても、因果的に意味のある分析を行うことを可能にします。
4. 実証的示唆: 実データ分析において、構造的曖昧性を無視した従来の媒介分析が、実質的に異なる（かつ誤解を招く可能性のある）結果をもたらすことを示しました。

総じて、この研究は、観察データにおける因果経路の解釈が不確実な状況下でも、頑健で解釈可能な因果推論を行うための理論的・実用的な枠組みを提供しています。