技術的概要：因果効果の特定に向けた選択バイアスの包括的理解

1. 問題定義

選択バイアスは、観測変数に基づいてデータポイントが優先的に含まれる観察研究において普遍的な課題であり、選択されたサブ集団と対象集団との間に乖離を生じさせる。古典的な例として、バイオバンクにおける「健康なボランティアバイアス」が挙げられる。これは、回答者が一般集団よりも高い社会経済的地位と良好な健康状態を持つ傾向がある現象である。

ここで扱われる核心的な問題は、このようなバイアスの存在下における平均処置効果（ATE）の識別可能性である。具体的には、本論文は以下の 2 つの目標を区別する：

1. s-ATE-sub：選択されたサブ集団内における ATE の推定。
2. s-ATE-full：選択されたサブ集団からのデータのみを用いて、対象となる全集団における ATE の推定。

著者らは、s-ATE-full の推定が、観測されたデータ分布を超えた外挿を必要とするため、s-ATE-sub に比べて著しく困難であると主張する。既存の手法は、因果的有向非巡回グラフ（DAG）における選択の正確な位置を特定すること（選択バックドア基準など）や、加性ノイズモデルにおける非ガウスノイズなどの制限的な分布仮定を置くことなど、強い仮定に依存することが多い。これらのアプローチは、選択が複雑な相互作用に依存する場合や、選択メカニズムが完全に未知であるようなシナリオではしばしば失敗する。

2. 手法

2.1. 理論的枠組み

本論文は、グラフ基準のみに依存するのではなく、分布に基づく枠組みを提案する。問題は 3 つの分布クラスを用いて定義される：

• 傾向スコア（$P_{t|x}$）：共変量を与えられたときの処置の確率。
• 共変量 - 結果分布（$P_{xy(t)}$）：共変量と潜在的結果の同時分布。
• 選択確率（$P_{s|xyt}$）：データポイントがデータセットに含まれる確率。

著者らは、s-ATE-full の識別可能性に対する必要十分条件である条件 1を導入する。この条件は、異なる ATE を生み出す互換性のある 2 つの分布の組について、それらの観測分布（選択 $S=1$ に条件付けられたもの）が異なっていなければならないと述べる。形式的には、異なる ATE を持つ 2 つの基礎分布 $P$ と $Q$ に対して、選択確率、傾向スコア、および結果分布の積が $P$ と $Q$ の間で異なるような、サポート上の点 $(x, y, t)$ が存在しなければならない。

2.2. 主要な理論的結果

本論文は、条件 1 が特定の比較的弱い仮定の下で成り立つことを示す：

• 決定論的選択：選択が決定論的である場合（すなわち、データの特定の領域が完全に検出不能である場合）、共変量 - 結果分布が滑らかな族（多項式パラメータ化など）に属し、傾向スコアが弱い重なり条件（$c$-overlap）を満たすならば、ATE は識別可能である。これは、切断統計学の結果を活用して、切断された（観測された）分布から元の分布を外挿するものである。
• 非決定論的選択：選択が確率的であるがゼロから離れて境界付けられている場合（d-selection-overlap）、ATE はガウス分布、ラプラス分布、パレート分布、対数正規分布など、一般的な分布族の広範な範囲に対して識別可能である。直感的には、これらの分布族において、平均結果の差異は密度比における非有界な差異として現れるため、ATE が異なれば観測分布も異なると保証される。

2.3. グラフ基準との関連

著者らは、分布条件が既存のグラフ基準を一般化することを示す。例えば：

• 選択バックドア基準（Correa ら、2019）は、条件 1 の特殊な場合である。
• 結果依存性選択に関する結果（Zhang ら、2016）は、以前は非ガウス加性ノイズモデルを必要としていたが、提案された枠組みの下ではガウス分布や他の重尾分布を含むように拡張される。
• この枠組みは、DAG における選択の正確な位置を特定することを必要とせず、以前のグラフアプローチの主要な実用的な制限を回避する。

2.4. 推定アルゴリズム

分布クラスが特定された条件を満たす場合、本論文は 3 段階の推定手順（アルゴリズム 1）を提案する：

1. 傾向スコア推定：傾向スコア $\hat{e}(x)$ を推定し、$c < \hat{e}(x) < 1-c$ となる重なり領域 $B$ を特定する。
2. モデリング：条件付き結果分布 $\hat{P}(y|x, t)$ と選択バイアス関数 $\hat{\beta}(x, y, t)$ を推定する。これは以下の方法で達成される：
   • 最尤推定（MLE）：不定性を防ぐために正則化を伴う負の対数尤度の最小化。
   • スコアマッチング：モデルの対数密度の勾配と観測データとの間の距離を最小化し、これはスケーリング因子に対して不変である。
3. 外挿：観測されたサンプルを $1/\hat{\beta}$ で再重み付けして集団密度を回復し、反事実的 ATE を計算する。

3. 主要な貢献

1. 一般的な定義と条件：本論文は、選択バイアスの一般的な定義を提供し、特定のグラフ構造を超えて、選択下での ATE 識別可能性に対する必要十分条件（条件 1）を確立する。
2. より弱い仮定：非ガウスノイズや特定の関数形式を必要とする先行研究とは異なり、この枠組みは任意の観測変数に依存する選択を許容し、ガウス分布やラプラス分布などの一般的な分布族に対して、緩やかな滑らかさの仮定の下で機能する。
3. 識別可能性の拡張：この結果は、識別可能性の範囲を、特にガウスノイズを伴う結果依存性選択を含む、以前は文献において識別不可能と考えられていた設定にまで拡張する。
4. 実用的な推定量：本論文は、切断統計学を活用して選択されたサンプルから全集団へ外挿する具体的な推定方法（バイアス補正付きの MLE とスコアマッチング）を導入する。

4. 実験結果

著者らは、合成データと半合成データの両方において手法を評価した：

• 合成データ：様々なノイズ分布（ガウス、ラプラス）と関数形式（加性、乗性）を用いて実験が行われた。提案された手法（MLE+β および SM+β）は、Naive Inverse Propensity Weighting (IPW) や多項式回帰などのベースラインを一貫して上回った。補正された手法はバイアスを大幅に低減したが、ベースラインは選択メカニズムを考慮できていなかった。
• 半合成データ（All of Us）：NIH の「All of Us」データセット（2 型糖尿病と BMI）からの実世界の共変量分布を用いて、著者らは合成結果を生成した。実世界の分布の複雑さ（非常に低い傾向スコアによる弱い重なりなど）によりバイアスが完全に排除されたわけではないが、提案された手法はベースラインと比較してバイアスを大幅に減少させ、困難で現実的な設定における頑健性を示した。

5. 意義と主張

本論文は、グラフトポロジーから分布特性へと焦点を移すことで、選択バイアスに対する包括的な理解を提供すると主張する。その意義は以下の点にある：

• 適用範囲の拡大：特定のグラフ構造や非ガウスノイズなどの強いパラメトリック仮定の必要性を緩和することで、より広範な実用的シナリオにおいて因果効果の識別を可能にする。
• 理論的厳密性：一般的な選択バイアス下での s-ATE-full 識別可能性に対する最初の必要十分条件を提供し、識別が可能となる時期と理由を明確にする。
• 方法論的進展：切断統計学とスコアマッチングの統合は、従来の調整手法が失敗する複雑な選択メカニズムの存在下で因果効果を推定するための実行可能な道筋を提供する。

著者らは、分布クラスに関する仮定が先行研究よりも弱いものの、理論的保証には依然として必要であることを示唆し、謙虚に限界を認めている。将来の研究としては、これらの仮定の緩和、因果発見への枠組みの適用、および極めて複雑な実世界のデータ分布に対する推定技術の改善に焦点を当てることが提案されている。