Sensitivity analysis for causal mediation: bridge score, sharp sensitivity bounds, and calibration

技術的概要：ブリッジ・スコア、シャープ・バウンド、および較正による因果媒介分析の感度分析

1. 問題提起

因果媒介分析は、総処置効果を自然直接効果（NDE）と自然間接効果（NIE）に分解する。これらの効果の同定は通常、逐次無視可能性仮定に依存しており、これは媒介変数が処置とベースライン共変量を与えられた条件下で無視可能であることを要求する。この仮定は検証不可能であり、媒介変数と結果変数の両方を同時に駆動するいかなる測定されていない要因もこれを侵害する。

媒介変数の無視可能性に関する感度分析は存在するが、著者らは、科学的研究において最も一般的な尺度である加法的尺度（平均差）に関する非パラメトリック感度分析において、文献に以下の 3 つの特定の統計的課題が存在することを特定している：

1. 解釈可能性と局所化の対立：既存のスカラーパラメータ（例えば、残差相関）は、処置群や共変量プロファイルによって変化する違反を縮約してしまう。一方、完全に局所化された感度関数は、高次元の共変量設定において誘導および較正することが困難である。完全な共変量の指定を必要とせずに媒介変数の情報を保持する、一般的な低次元縮約が存在しない。
2. シャープな加法的バウンドの欠如：リスク比尺度（二値結果に適している）に対するシャープな非パラメトリックバウンドは存在するが、対照的なシャープな加法的（平均差）エンベロープは利用できない。既存の加法的アプローチは、制限的なパラメトリックバイアス式または情報量の少ないマンスキー風バウンドに依存している。
3. 脆弱な較正：連続的なベンチマークに対する実用的な較正は、しばしば任意の単位やサポート幅に依存する。さらに、スケール整合的な要約（E 値など）は、バウンドの 2 参数構造を単一スカラーに縮約し、解釈可能性を失わせる。

2. 手法

ブリッジ・スコア
著者らは、共通の媒介変数値 $m$ と共変量 $x$ において定義される 2 次元ベクトルであるブリッジ・スコアを導入する：
$$B(m, x) = (f_0(m | x), f_1(m | x))$$
ここで、$f_a(m|x)$ は処置群 $a$ における媒介変数の密度である。

• バランス特性：ブリッジ・スコア $B(m)$ を条件とすると、観測された共変量 $X$ は、媒介変数事象 $M=m$ に関してバランスが取れる。これにより、ブリッジ・スコアは処置割り当てに対するプロペンシティ・スコアに類似して、媒介変数段階のバランス・スコアとして機能する。
• 次元削減：ブリッジ・スコアは、感度対象を完全な共変量ベクトル $X$ の関数から、低次元スコア $B(m)$ の関数へと削減するが、交差世界同定に必要な処置群固有の媒介変数法則は保持する。

シャープ感度バウンド
著者らは、処置群 $a$ 内で観測された媒介変数を条件とした後の、ブリッジ・スコアを条件とした後に誘発される残差交絡を $\Delta_a(m, b)$ と定義するブリッジ・スコア感度関数を定義する。
潜在スカラー交絡変数（$U$）の仮定の下で、$\Delta_a(m, b)$ に対するシャープな点別加法的エンベロープを導出する：
$$|\Delta_a(m, b)| \leq \Xi_a(m, b) = \eta_a(m, b) \frac{\gamma_a(m, b) - 1}{\gamma_a(m, b)}$$
ここで：

• $\gamma_a(m, b)$ は残差選択比であり、$M=m$ を条件としたことによる潜在交絡変数分布の傾きを測定する。
• $\eta_a(m, b)$ は結果範囲パラメータであり、ブリッジ・スコア層内における潜在交絡変数に条件とした結果の平均の広がりを測定する。

著者らは、特定の脱結合条件が成り立つ場合、これらのブリッジ・スコアレベルのパラメータは、完全共変量レベルの対応するパラメータよりも大きくない（よりtightである）ことを証明している。

較正アプローチ
バウンドを実用的にするため、2 つの較正戦略が提案されている：

1. ベンチマーク較正：潜在交絡変数を観測共変量 $W$ に対して較正する。著者らは、この較正のランクベース版を導入する。$W$ をその分数ランクに変換することにより、得られるエンベロープはベンチマークの単調再表現に対して不変となり、重尾分布に対して頑健になる一方で、2 参数構造（$\eta, \gamma$）を保持する。
2. 残差予算較正：このアプローチは、媒介変数とブリッジ・スコアを調整した後の結果の残差変動に基づいて、結果範囲パラメータ $\eta_a$ をスケーリングする。ユーザー指定のパラメータ $k_a \in [0,1]$ が潜在交絡に帰属する残差分散の割合を制御し、グリッド値 $g_a$ が選択比を制御する。

推論アルゴリズム
この枠組みは、ベイズ的 g-計算アルゴリズムを通じて実用化される。このアプローチは：

• 観測データモデル（媒介変数密度と結果回帰）からの不確実性を伝播させる。
• 較定量（ベンチマークまたは残差予算）からの不確実性を組み込む。
• 感度関数を処置群固有のスカラー（$\bar{\Delta}_0, \bar{\Delta}_1$）に縮約するスカラー関数縮約を使用し、感度補正に対する有限次元の事前分布を可能にする。
• 自然効果（NDE および NIE）の事後分布を生成し、すべての不確実性の源泉を完全に考慮する。

3. 主要な貢献

1. ブリッジ・スコアの概念：共変量を媒介変数に関してバランスさせ、感度関数の局所化スケールとして機能し、完全な共変量指定の必要性を回避する、新規の低次元ベクトル。
2. シャープな加法的バウンド：媒介変数 - 結果交絡に対する、解釈可能な残差選択と結果範囲パラメータによってパラメータ化された、シャープな非パラメトリック加法的エンベロープの導出。これは、連続的な結果に対しては自然でないリスク比バウンドが残したギャップを埋める。
3. スケール整合的な較正：単調変換に対して不変であり、かつバウンドの 2 参数構造を保持するランクベースのベンチマーク較正の導入と、残差予算アプローチ。
4. 実用的推論：感度分析を自然効果の推定に直接統合し、ノイズパラメータと感度補正からの不確実性を伝播させる、ベイズ的 g-計算の実装。

4. 結果と図示

本論文は、Brader ら（2008）の移民枠組み実験を用いて、この枠組みを図示している。

• 設定：処置（$A$）は否定的トーン/ラテン系枠組み；媒介変数（$M$）は否定的感情的反応；結果（$Y$）は移民からの知覚される害。
• 発見：
  • ランクベースのベンチマーク較正は、生データスケール版よりもtightなエンベロープを生み出し、経験的サポート幅に対するランク変換の安定性を示した。
  • 残差予算較正は、エンベロープが選択強度（$g$）と結果範囲予算（$k$）の増加とともに単調に広がることを示した。
  • 分析は、頑健性の結論が、不透明なモデルパラメータではなく、「潜在交絡変数は所得の 1.5 倍強い」などの解釈可能な増幅因子によって駆動されることを示した。
  • ベイズ的 g-計算は、ブリッジ・スコア推定と較正からの不確実性を、NDE および NIE の事後分布に成功裡に伝播させた。

5. 意義と主張

著者らは、この作業を、パラメトリックな $\rho$ ベースの分析（Imai ら、2010）やリスク比バウンド（Ding および VanderWeele、2016）などの既存の手法の代替ではなく、補完的なツールとして位置づけている。

この枠組みの意義は、以下の点にある：

• 結果または媒介変数に対する関数形の制限を課すことなく、加法的尺度における非パラメトリックな感度分析を提供する。
• ブリッジ・スコアに局所化された解釈可能な感度パラメータを提供し、完全共変量指定よりもtightなバウンドを可能にする。
• 他の手法に見られる単位依存やスカラー縮約の欠陥を回避するスケール整合的な較正を可能にする。
• 単一点推定を超え、感度仮定の下での完全な事後推論へと進む、統合されたベイズ的枠組みにおける不確実性の伝播を促進する。

本論文は、ブリッジ・スコア枠組みが、特にベースライン共変量が中程度に高次元である場合に実用的でありながら、交差世界自然効果推定に必要な構造的非対称性を維持する、原理的な低次元縮約を提供すると結論づけている。