Causal Small Area Estimation with Survey-only Covariates

技術的サマリー：調査データのみを用いた共変量による因果的小領域推定

問題定義
本論文は、既存の因果的小領域推定（SAE）手法における根本的な限界に取り組む。従来の因果的 SAE 手法（例：Ranjbara ら、2023；Reluga ら、2025）は、通常、母集団全体で処置状態が観測されていると仮定し、未観測の潜在結果の補完を可能にしている。しかし、現実的な調査設定では、処置変数と結果変数の両方が標本化された単位に対してのみ観測されることが多く、補助共変量（例：国勢調査データ）は母集団全体で利用可能である。このデータ構造は、標準的な補完に基づく戦略を適用不可能にする。さらに、既存のモデルベースのアプローチは、「二重頑健性」の性質を欠くことが多く、複雑で不均質な母集団におけるモデルの誤指定に対して脆弱である。核心的な課題は、処置と結果が部分的に観測されている状況下で、母集団レベルの補助データには存在しない調査データ専用の共変量を活用し、領域固有の平均処置効果（ATE）を特定・推定することである。

手法
著者は、設計に基づく調査推論と二重頑健な因果推定を統合する新たな枠組みを提案する。

1. 特定戦略:
   論文は、以下の 4 つの主要な仮定の下で、領域固有の ATE（$\tau_j$）に関する新たな特定結果を確立する。

   • (A1) 標本抽出の無視可能性：標本抽出は、人口統計と領域が与えられた場合、潜在結果および処置に依存しない。
   • (A2) 交絡の不存在：標本内において、処置割り当ては観測された共変量が与えられた場合、潜在結果に依存しない。
   • (A3) 重なり：すべての標本抽出、領域、および処置層に対して、確率が正であること。
   • (A4) 領域の無視可能性：観測された共変量（母集団レベルの $X$ および調査データ専用の $Z$）が条件付けられた場合、潜在結果および処置は領域指標に依存しない。

   これらの仮定の下で、著者は、領域内の直接推定量と、他の領域から情報を借用する「部分的プーリング」項を組み合わせた $\tau_j$ の分解を導出する。これは、すべての領域からの観測値を再重み付けし、対象領域の共変量分布を回復させることで達成される。

2. 二重頑健推定量:
   特定式に基づき、著者は二重頑健（DR）推定量を構築する。この推定量は、以下のいずれかが成り立つ場合、一貫性を保つ。

   • 結果回帰モデル（$m_0, m_1$）が正しく指定されている場合、または
   • 処置の傾向スコア（$e$）および領域割り当て確率（$\pi_A$）に関する雑音関数が正しく指定されている場合。

   推定関数には、処置割り当て、調査標本抽出、および領域割り当てという 3 つの選択メカニズムが組み込まれている。領域分布の不一致を修正する固有の成分が含まれており、これにより領域間での情報の転送が可能になる。

3. 推定手順:

   • 雑音関数: 本手法は、パラメトリックな作業モデル（線形、ロジスティック、多項ロジスティック）を用いて、結果回帰、傾向スコア、および領域割り当て確率を推定する。
   • クロスフィッティング: 有効な漸近推論を確保し、雑音推定からの 1 次バイアスを排除するため、著者はクロスフィッティング（標本をフォールドに分割）を採用する。
   • 分散推定: 論文は、半パラメトリック効率限界を導出し、影響関数表現に基づく実用的な分散推定量を提案する。2 つの推定量が提案される。Horvitz–Thompson 型および Hájek 型（正規化）である。

主要な貢献

• 新たな特定枠組み: 本論文は、調査データ専用の共変量（$Z$）を母集団レベルの補助データ（$X$）と統合することで、部分的に観測された処置および結果を持つ設定への因果推論を拡張する。これは、Kuriwaki と Yamauchi（2021）の特定戦略を平均推定から因果パラメータへと一般化したものである。
• 二重頑健性: 提案された推定量は二重頑健性を有しており、複雑な調査設定におけるモデルの誤指定に対する保護を提供する。これは、従来の混合効果 SAE モデルでしばしば欠けている特徴である。
• 効率性理論: 著者は、複雑な標本抽出の下での領域固有 ATE の半パラメトリック効率限界を導出し、提案された推定量が正則条件の下でこの限界に到達することを示す。
• 実用的アルゴリズム: クロスフィッティングと標準的なパラメトリックモデルを利用する具体的な推定アルゴリズムが提供され、このアプローチを現実世界の調査データに適用可能にしている。

結果

• シミュレーション研究: モンテカルロ実験（$N=400,000$ および $N=800,000$）において、提案された Hájek 型推定量を、直接推定量および Horvitz–Thompson 型推定量と比較する。

  • 安定性: 直接推定量は、小領域において高い分散と不安定性を示す。Horvitz–Thompson 推定量は、極端な重みによりバイアスに著しい変動を示す。提案された Hájek 型推定量は、はるかに安定したバイアスと低い平均二乗誤差（RMSE）を示す。
  • 効率性: Hájek 推定量は、直接推定量に対して著しい効率性向上を達成する。正しく指定された場合、平均損失の相対的改善率（PRIAL）は 72.9% から 86.7% の範囲にある。
  • 頑健性: 二重頑健条件が違反された場合（例：誤指定された傾向スコア）でも、Hájek 推定量は代替案と比較して比較的安定した性能を維持する。
  • 分散推定: 分散推定量はいくつかのシナリオでそれなりに機能するが、著者は、特に正規化が追加的な変動を導入する Hájek 推定量において、有限サンプルにおける分散推定の課題を指摘している。

• 実証応用: 本手法は、2024 年のアメリカ国立選挙研究（ANES）データに適用され、州レベルでのキャンペーン接触が有権者の感情（トランプ対ハリス）に与える効果を推定する。

  • 仮定チェック: 診断回帰は、調査データ専用の政治的共変量（$Z$）を含めることで領域指標が統計的に有意でなくなることを示唆し、領域の無視可能性仮定を支持する。
  • 発見: 提案された推定量は、直接推定（しばしば非現実的に大きな標準誤差を持つか、実行不可能であった）と比較して、はるかに小さい標準誤差を持つ安定した州レベルの ATE を生み出す。結果は、全体的な説得効果は限定的であることを示唆するが、特定の激戦州において著しい異質性を明らかにする。

意義と主張
本論文は、処置および結果データが希薄な現代のデータ環境における政策関連分析のための「柔軟かつ理論的根拠に裏打ちされたツール」を提供すると主張する。因果推論と小領域推定の間のギャップを埋めることで、この枠組みは研究者に以下を可能にする。

1. 母集団データのみでは捉えられない領域間の体系的な差異を調整するために、豊富な調査データ専用の共変量を利用する。
2. 領域あたりのサンプルサイズが小さくても、領域固有の処置効果の安定した推定量を得る。
3. 既存の混合効果補完アプローチが要求する強いモデル仮定（例：結果モデルの正しい指定）を回避する。

著者は、限界を控えめに認め、特に分散推定が有限サンプルにおいて依然として課題であり、多数の領域を持つ領域割り当て確率のモデル化は過学習につながる可能性があると指摘している。これにより、簡素なモデル化と改良された分散推定量に関する将来の研究が示唆されている。