Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification

技術的要約：主たる無視可能性を超えて：主たる層別化における非パラメトリック感度境界

問題の定義
主たる層別化（Principal Stratification）は、中間変数（例：不遵守、死亡による打ち切り）が存在する場合に、潜在的な中間アウトカムに基づいて集団を潜在的な層に分割することで、因果効果を推定するための堅牢な枠組みである。しかし、主たる因果効果（PCEs）の点識別は、通常、**主たる無視可能性（Principal Ignorability: PI）**という仮定に依存している。これは、観測された共変量を与えたとき、潜在的な最終アウトカムが潜在的な層のメンバーシップと条件付き独立であることを仮定するものである。この仮定は本質的に検証不可能である。既存の感度分析戦略の多くは、ベイズ事前分布、特定の分布仮定、または単調性や除外制限のような構造的制約に依存している。主たる PI の違反を、これらの制限的な仮定なしに定量化し、標準的な PCE およびより複雑な推定対象に対して鋭い境界（sharp bounds）と反証閾値を提供する非パラメトリックな枠組みが必要とされている。

手法
著者らは、PI の仮定を緩和するために、未観測の共変量 $U$ を導入した非パラメトリックな感度分析フレームワークを開発している。この手法は、以下の3つのコアコンポーネントに基づいている：

1. 感度パラメータ： フレームワークは、PI 違反の程度を特徴付けるために、マージンフリーの相対リスク（RR）パラメータである2つのパラメータを導入している：

   • 選択 RR ($RR_{SU}$): 共変量の層内において、ターゲットとなる主たる層と、それに付随する層（nuisance stratum）の間における $U$ の出現率の最大不均衡。
   • アウトカム RR ($RR_{UY}$): $U$ が期待潜在アウトカムに与える最大の影響。
     これらは、Ding and VanderWeele (2016a, 2016b) による共変量ベースのバウンディング係数を、主たる層別化の設定へと一般化したものである。

2. バウンディング係数の導出： 著者らは、 $RR_{SU}$ と $RR_{UY}$ の決定論的な関数であるセル固有のバウンディング係数 $BF_U$ を導出している。標準的な設定とは異なり、ターゲット層の平均は潜在的であり、観測されたセルの平均には、付随する層との加重混合として現れる。混合ウェイトは主たるスコアに依存し、その主たるスコアはさらに、クロスワールド・オッズ比パラメータ $\theta(x)$（$D(1)$ と $D(0)$ の間の依存性を制御するもの）によって決定される。この導出は、この混合構造と、$\theta(x)$ によって導入される追加の感度次元を考慮している。

3. 鋭い非パラメトリック境界：

   • PCEs に対して： 著者らは、混合分解を通じてバウンディング係数を伝播させることにより、条件付きおよび周辺的な PCE ($\Delta_s$) の鋭い境界を導出している。これらの境界は、Grilli and Mealli (2008) および Long and Hudgens (2013) の「ワーストケース」の非パラメトリック境界内に包含されることが示されており、バウンディング係数が無限大に近づくにつれてこれらに収束する。
   • PGCEs に対して： フレームワークは、積空間上の一般的な非線形対比関数 $h(\cdot)$（例：確率的指数）によって定義される**主たる一般化因果効果（Principal Generalized Causal Effects: PGCEs）**へと拡張されている。非線形関数の非分離性のため、アウトカム RR は、2つの独立した複製間の未観測の共変量について共同で定義される必要がある。これにより、選択ペナルティの乗法的な累積を反映した3つの異なるバウンディング係数（$BF_{[1]}, BF_{[2]}, BF_{[1,2]}$）が生じる。

主な結果と理論的知見

• 包含特性（Nesting Property）： 提案された境界は、任意の有限なバウンディング係数において、既存のワーストケース境界の中に厳密に包含される。バウンディング係数が発散するにつれ、提案された境界はワーストケースの境界へと収束し、点識別（PI の下での）と最大敵対的共変量との間の連続的な代数的架け橋を確立している。
• コーンフィールド型の条件と E-value： 論文では、ターゲットの効果を無効にするために必要な、決定的な反証閾値（コーンフィールド型の条件）を導出している。
  • PCEs については、選択 RR とアウトカム RR の結合的な大きさの最小値を定義した「主たる E-value」を確立している。
  • PGCEs については、分析により3つの異なる閾値が明らかになった：選択バイアスの下限閾値、アウトカムバイスの下限閾値、およびグローバルな最大閾値である。これらの閾値の順序（$\gamma^*_{SU} < \gamma^*_{UY} < \Gamma^*$）は、独立した選択ペナルティの乗法的な性質により、ペアワイズの推定対象がアウトカムの共変量よりも選択の共変量に対して構造的に脆弱であることを形式化している。
• 単調性： 単調性の仮定の下では、境界は簡略化され、既存のワーストケース境界（Long and Hudgens, 2013）との関係が保持される。
• 二値アウトカム： フレームワークは、乗法的推定量（リスク比およびオッズ比）に対する鋭い境界を提供し、それらの反証閾値が因果対比のスケール（加法的 vs 乗法的）によらず不変であることを示している。

実証的例示
本手法は、2つの実世界のデータセットに適用されている：

1. WHO-LARES 研究： 湿潤な住居が抑うつに与える影響を分析している。著者らは、「害を被った（harmed）」層における因果的相対リスクの頑健性を定量化しており、観測された共変量（例：雇用、喫煙）は、効果を無効にするために必要な規模に達していないことを示しており、この知見が中程度の未観測の共変量に対して頑健であることを示唆している。
2. 米国 Job Corps 研究： トレーニングが所得（順序アウトカム）に与える影響を、PGCE（確率的指数）を用いて分析している。分析の結果、女性のサブグループについては、推定された効果が非常に敏感であることが明らかになった。既知の共変量（年齢、教育）は、この効果を無効にするために必要な共変量の大きさを超えており、このグループにおける因果的識別の構造的な脆弱性を示している。

意義と主張
本論文は、主たる層別化における以下の特徴を持つ、最初の非パラメトリックな感度分析フレームワークを提供すると主張している：

• パラメトリックな仮定、ベイズ事前分布、単調性、または除外制限なしに動作する。
• 連続的な感度パラメータを通じて、既存の離れた文献の系統（例：ワーストケース境界 vs PI ベースの境界）を統一する。
• 感度分析をより広範な PGCE クラスへと拡張し、複雑なアウトカム（順序、カテゴリカル）や非線形対比を扱う際のギャップに対処する。
• ペアワイズの推定対象が、アウトカムの共変量よりも選択の共変量に対して構造的に脆弱であるという、新しい理論的洞察を提供する。
• 研究者が、潜在的な層間およびアウトカム間の未観測の共変量の存在下で、因果的主張の頑健性を評価するための、実行可能なツール（鋭い境界、E-value、反証コンター）を提供する。

著者らは、将来の方向性については謙虚な姿勢を維持しており、連続的な中間変数への拡張や、高次元の共変量調整のためのデバイアス機械学習の組み込みは、本研究ではまだ扱われていない次のステップであると述べている。