Proximal Causal Inference for Hidden Outcomes

技術的概要：隠れた結果変数に対する近接因果推論

問題定義
隠れた変数は、因果推論における中心的な課題であり、しばしば因果ターゲットの同定と推定を妨げます。代理変数に基づくアプローチは、強いパラメトリック仮定に依存することなく隠れた構造を回避するために登場しましたが、既存の文献では通常、少なくとも1つの不偏な代理測定値、または真の結果の部分的な観測が必要とされます。本論文は、結果変数 $Y$ が観測されない（隠れた）が、観測された交絡変数 $C$ と処置 $A$ に加えて、複数の潜在的に偏った代理変数（$W, Z, V$）が利用可能な、特定の設定に対処します。目的は、代理変数が不偏である、あるいは真の結果が部分的に観測されていると仮定することなく、完全データ法則を同定し、因果効果（具体的には平均処置効果）を推定することです。

方法論
著者は、多方向配列（テンソル）に内在する固有値・固有ベクトル構造を活用し、観測データから潜在分布の再構成に基づく枠組みを採用しています。

1. 同定戦略:

   • 著者は、$A$ が $Y$ に影響を与え、$C$ がその関係を交絡させる因果的有向非巡回グラフ（DAG）を定義します。隠れた結果 $Y$ は、3 つの観測された代理変数 $W, Z, V$ を生成します。
   • 仮定: 同定は、Hu と Schennach [11]、Deaner [5]、および Zhou と Tchetgen Tchetgen [28] から適応された一連の仮定（4–8）に依存します。主要な条件には以下が含まれます:
     • 潜在結果、処置、交絡変数を与えられた場合の代理変数の相互条件付き独立性（$W, Z, V \perp \perp \mid Y, A, C$）。
     • 代理変数の条件付き分布に関する完全性条件。これにより、潜在分布を回復するのに十分な変動性が確保されます。
     • 潜在結果の特定値を回復するためのラベリング仮定（仮定 8）。これは、条件付き分布の既知の汎関数を通じて、あるいは結果が既知の支持域を持つ順序変数であると仮定することによって行われます。
   • これらの条件下において、本論文は完全データ法則 $p(A, Y, C, W, Z, V)$ が同定可能であることを示し、それによって潜在結果分布 $p(Y(a))$ と因果効果 $E[Y(1)] - E[Y(0)]$ を同定可能とします。

2. 推定枠組み:

   • 著者は、同定された因果効果のための影響関数に基づく推定量を開発しました。
   • 観測データ影響関数: 真の結果 $Y$ が観測されないため、完全データ影響関数を直接計算することはできません。著者は、$Y$ を可能な値 $y$ 全体にわたる加重平均に置き換えることで、観測データ影響関数 $\phi_{obs}$ を構築します。
   • 重み構築: 重み $\omega_y(O; \eta)$ は、観測された代理変数と nuisance 関数（$Y, A, C$ が与えられた場合の代理変数の条件付き期待値）を用いて構築されます。これらの重みは、真の結果 $Y=y$ が与えられた場合の条件付き期待値が 1 となり、それ以外の場合は 0 となるように設計されています。
   • 多重頑健性: 得られた推定量は、平均ゼロの推定方程式を解きます。これは多重頑健性を示し、処置の傾向スコア、結果回帰、または代理変数回帰を含む nuisance 関数の特定の集合のいずれかが正しく指定されていれば、一貫性が維持されます。
   • 漸近的特性: 標準的な正則条件の下で、推定量は $\sqrt{n}$-一貫性を持ち、漸近的に正規分布に従います。注目すべきは、nuisance 関数を個別に $\sqrt{n}$ 速度で推定する必要はないということです。推定量は、推定誤差の積が十分な速度で収束すれば、所望の速度を達成します。

主要な貢献

• 不偏な代理変数なしの隠れた結果に対する最初の半パラメトリック推定: 著者の知る限り、これは不偏な代理測定値の存在や真の結果の部分的な観測に依存しない、隠れた結果に対する半パラメトリック推定結果を確立した最初の研究です。
• 影響関数に基づく推定量: 本論文は、この特定の設定において最初の影響関数に基づく推定量を開発し、多重頑健性と望ましい効率性特性を達成するための道筋を提供します。
• 理論的保証: 本作業は、完全データ法則の同定と、提案された推定量の漸近的特性（一貫性と正規性）に対する形式的な証明を提供します。

結果
提案された推定量のパフォーマンスは、離散（二値）および混合（連続的な交絡変数と代理変数）のデータ生成過程におけるシミュレーション研究を通じて評価されました。

• バイアス低減: どちらのシナリオにおいても、観測されない結果を代理変数に置き換える「単純な」推定量は、ターゲットパラメータを大幅に過小評価（偏りがある）することが判明しました。提案された推定量はこのバイアスを成功裡に排除しました。
• 効率性のトレードオフ: 提案された推定量は不偏性を達成しましたが、真の結果 $Y$ に直接アクセスできる「オラクル」推定量と比較して、より高い分散を伴いました。二値の場合、スケーリングされた分散はオラクルの 0.6 に対して約 1.7 でした。混合の場合、分散はサンプルサイズが小さい場合に著しく高くなりましたが、サンプルサイズが増加するにつれて減少しました。
• 頑健性: シミュレーションは理論的特性を確認し、潜在結果を観測された代理変数から再構成しなければならない場合でも、推定量が良好に機能することを示しました。

重要性と主張
著者は、この作業を近接因果推論における重要な前進として位置づけています。不偏な代理変数という、実際には検証が困難であることが多い強い仮定を緩和することにより、この枠組みは代理変数に基づく手法の適用範囲を、隠れた結果を含むより広範な問題クラスに拡張します。影響関数に基づく推定量の開発により、二重頑健性やサンプル分割などの現代の半パラメトリック手法を、以前は同定の制約やパラメトリック仮定への依存によって制限されていた設定に適用することが可能になります。本論文は、最適な代理変数の組み合わせや高次元設定における実用的な nuisance 関数の推定に関する課題が残っているものの、提案された枠組みは、偏った代理変数のみを使用して隠れた結果に対する因果推論を行うための実行可能な理論的および実用的基盤を確立していると結論付けています。