Application of Propensity Score Models and Causal Estimators in Observational Studies under Model Misspecification

あなたが新しい肥料が植物を背高く成長させるかどうかを調べようとしていると想像してください。完璧な世界であれば、すべての植物に対してコインを投げます。表なら肥料を与え、裏なら与えません。これが**ランダム化比較試験（RCT）**です。コイン投げがランダムであるため、肥料を与えられた植物は、肥料そのものを除けば、与えられなかった植物と平均的に同一です。

しかし、現実の世界（観察研究）では、常にコインを投げることができません。もしかすると、肥料を「選んで」受け取った植物は、もともと土壌が豊かだったり、日光をより多く浴びたりするものだったかもしれません。単に背の高さを比較すれば、肥料が効果があったと誤って考えるかもしれませんが、実際にはより良い土壌が原因だったのです。これを交絡と呼びます。

これを修正するために、統計学者は**傾向スコア（PS）**と呼ばれるツールを使用します。傾向スコアを「仲介者」や「類似性スコア」と考えてください。それは、植物の土壌、日光、水に基づいて、その植物が肥料を受け取る確率を計算します。土壌が貧弱な植物が肥料を受け取った場合、そのスコアはそれを「外れ値」として認識し、分析においてその植物に追加の重みをつけてバランスを取るようにします。

問題：仲介者のルールを推測すること

難しい点は、私たちがその仲介者が使用した「真の」ルールを知っていないことです。私たちはそれらを推測するためにモデルを構築しなければなりません。

• 古い方法： 単純で硬直的なルールブック（ロジスティック回帰など）を使用します。読みやすいですが、現実世界が複雑で入り組んでいる場合、そのルールブックは誤っている可能性があります（モデルの誤指定）。
• 新しい方法： 非常に賢く柔軟な AI（ランダムフォレストやSVMなど）を使用します。複雑なパターンを学習できますが、時には過度に興奮して荒唐無稽な推測を行い、不安定な結果をもたらすことがあります。

この論文は問いかけます：私たちのルールに関する推測が誤っている場合、どの手法が最も機能するのでしょうか？

検証された 3 つの主要ツール

研究者たちは、これらのスコアを使用して治療の「真の」効果を発見するための 3 つの異なる方法をテストしました。

1. RSM（「結果」の探偵）： この手法は仲介者を完全に無視します。肥料を与えられた植物だけを見て、土壌に基づいてその背の高さを予測しようとします。
   • 弱点： 土壌が背の高さにどのように影響するかというあなたのモデルが誤っていれば、あなたの答えも誤りになります。
2. IPW（「重み」の調整者）： この手法は仲介者のスコアを使用して「架空の集団」を作成します。希少な植物（例：肥料を与えられた土壌の貧弱な植物）には重い重みを、一般的な植物には軽い重みを割り当てます。
   • 弱点： 仲介者のスコアがわずかにずれていると、重みが狂ったものになります（例えば、ある植物に 1,000,000 という重みを与えるなど）、計算全体を揺さぶり、破綻させます。
3. AIPW（「二重チェック」の安全網）： これはハイブリッドです。バランスを取るために仲介者（重み付け）と、背の高さを予測するための結果の探偵の両方を使用します。
   • 超能力： 「二重頑健性」という特性を持っています。これは、2 つの推測のうち 1 つだけが正しければよいことを意味します。仲介者が誤っていても結果の探偵が正しければ機能します。結果の探偵が誤っていても仲介者が正しければ機能します。

シミュレーションが示したもの

研究者たちは、「真の」答えを知っているが、知らないふりをした状態で何千回ものコンピュータシミュレーションを実行しました。ルールをさまざまな方法で狂わせて、どのツールが生き残るかを確認しました。

• すべてが完璧な場合： すべてのツールがうまく機能しましたが、「二重チェック」（AIPW）は非常に安定していました。
• 仲介者（PS）が誤っている場合：
  • **重みの調整者（IPW）**はクラッシュしました。特に高度な AI 手法を使用する場合、AI が荒唐無稽な推測をして巨大で不安定な重みを作成するため、非常に不安定になりました。
  • **結果の探偵（RSM）**は、仲介者に依存しなかったため、問題なく機能し続けました。
  • **二重チェック（AIPW）**は、結果の探偵がバックアップとして機能したため、問題なく機能し続けました。
• 結果の探偵が誤っている場合：
  • **結果の探偵（RSM）**は完全に失敗しました。
  • **重みの調整者（IPW）**は、仲介者が単純で正しい場合のみ機能しました。仲介者が高度な AI だった場合、IPW は再び失敗しました。
  • **二重チェック（AIPW）**は、仲介者がバックアップとして機能したため、機能し続けました。

最大の教訓： **AIPW（二重チェック）**手法が最も信頼できました。モデルのどの部分が壊れていても、1 つの部分が正しければ、それは問題にしない唯一の手法でした。高度な AI 手法（ランダムフォレストなど）はパターンを見つけるのが得意でしたが、重みの調整者（IPW）と単独で使用すると危険でした。不安定な結果を生み出す可能性があるためです。

現実世界のテスト

著者らは、これらのツールを 2 つの実際のデータセットでテストしました。

1. ACTG175（「公平な」テスト）： これは、患者がランダムに治療群に割り当てられた実際の医療試験でした。割り当てがランダムであったため、修正すべきバイアスは存在しませんでした。
   • 結果： すべてのツールが互いに一致しました。これは、条件が公平であればツールが正しく機能することを証明しました。
2. ADNI（「不公平な」テスト）： これはアルツハイマー病に関する研究で、人々はランダムに割り当てられたのではなく、すでに病気か健康かでした。これは、多くの交絡を伴う、複雑な現実世界のシナリオです。
   • 結果： ツール同士が一致しませんでした！
     • **重みの調整者（IPW）**は、曝露（アルツハイマー病を患っていること）が認知機能に大きな悪影響を与えると述べました。
     • **二重チェック（AIPW）**は、その影響ははるかに小さく、不確実性が高いと述べました。
     • **結果の探偵（RSM）**は、ほとんど影響がないと述べました。
   • なぜか？ データが複雑だったため、単純な重みの調整者は極端な重みに混乱しました。二重チェック手法は「安全網」を使用して物事を滑らかにし、より保守的で安定した答えを提供しました。

結論

あなたが複雑な現実世界のデータで因果関係を調べようとしている場合：

• 1 つの手法だけに頼らないでください。
• 高度な AI モデルは強力ですが、重み付けに単独で使用すると不安定になる可能性があります。
• **二重チェック（AIPW）**手法が最も安全な選択です。これは両方の世界の長所を組み合わせており、「誰が治療を受けるか」のモデルが誤っていても、「次に何が起こるか」のモデルが誤っていても、正しい答えを得る可能性が高いことを保証します。

それは予備のパラシュートを持っているようなものです。メインのパラシュートが失敗すれば、2 つ目があなたを救います。統計において、そのバックアップが「二重頑健性」という特性です。