Powerful Multivariate Sensitivity Analysis via Sample Splitting in an Observational Study of the Effects of Poverty on Cardiovascular Disease Risk Factors

技術的要約：サンプル分割による強力な多変量感度分析

問題の定義
複数のアウトカム（多変量設定）に対する曝露の因果効果を評価する観察研究において、研究者はしばしばグローバルな帰無仮説（曝露がいずれのアウトカムにも影響を与えないという仮説）を検証しようとする。パワーを高め、未測定の交絡に対する頑健性を確保するための一般的な戦略は、アウトカム固有の検定統計量の線形結合を構築することである。しかし、Schefféの射影や制約付きのバリアント（例：Cohen et al., 2020; Rosenbaum, 2016）を用いて最適な線形結合を見つける既存の手法は、多重検証の補正を必要とする。これらの補正は参照分布（例：chi-bar-squared）に依存しており、その臨界値はアウトカムの数（$K$）に応じてスケールする。$K$が増加するにつれて、これらの臨界値はますます厳格になり、強力な証拠が存在する場合でもグローバルな帰無仮説の棄却を困難にし、統計的パワーを減退させる。さらに、$K$が増大するにつれて、これらの分布を評価するための計算負荷も増大する。

手法
著者らは、**サンプル分割（sample splitting）**を利用して、線形結合の選択と推論のステップを切り離す新しい感度分析フレームワークを提案している。手順は以下の通りである：

1. データの分割： マッチングされたデータセットを、プランニング（パイロット）サンプルと分析サンプルにランダムに分割する。
2. プランニング・フェーズ： プランニング・サンプル上で、研究者は、未測定のバイアスに対する感度を最大化する（すなわち、Rosenbaumの感度モデル下での最悪のp値を最小化する）、検定統計量の線形結合（確率単体 $\Delta_+$ に制約される）を特定するための最適化問題を解く。これにより、推定された最適重みベクトル $\hat{\lambda}_{plan}$ が得られる。
3. 推論フェーズ： ベクトル $\hat{\lambda}_{plan}$ は、分析サンプルに対して事前指定されたものとして扱われる。研究者は、この固定された線形結合を用いて、分析サンプルに対して感度分析を行う。
4. 統計的正当性： 線形結合が分析データに対して事前指定されているため、帰無仮説の下で検定統計量は標準正規分布に従う。これは、$K$に依存する複雑なchi-bar-squared 分布ではなく、標準的な正規分布の臨界値（例：$\alpha=0.05$ のときの 1.645）の使用を可能にする。

理論的貢献
本論文は、重要な理論的ギャップに対処している。サンプル分割を用いると、研究者が自然（未測定の交絡因子）が作用する前に戦略を決定しなければならないため、「ミニマックス・ギャップ」が生じ、フルサンプルを用いた手法よりも厳密にパワーが低下する可能性がある（Fogarty and Small, 2016 による指摘）。

• ミニマックス定理： 著者らは、線形結合の集合が確率単体 ($\Delta_+$) である特定のケースにおいて、最適化の順序（研究者が先か、自然が先か）は重要ではないことを示す新しいミニマックス定理（Theorem 1）を証明した。ミニマックス等式は成立する：
  $$\min_{\varrho \in P_\Gamma} \sup_{\lambda \in \Delta_+} F(\lambda, \varrho) = \sup_{\lambda \in \Delta_+} \min_{\varrho \in P_\Gamma} F(\lambda, \varrho)$$
• 漸近的パワー： 補足として（Theorem 2）、彼らのサンプル分割アプローチの設計感度（感度値の漸近限界）は、フルサンプルの代替手法と同一であることを示している。したがって、推論のためにデータの一部のみを使用しているにもかかわらず、この手法は漸近的なパワーを犠牲にしない。

シミュレーション結果
$I=300$ のマッチドペアを用い、アウトカム数（$K \in \{5, 15, 25\}$）および相関（$\rho \in \{0, 0.2\}$）を変化させた広範なシミュレーション研究が行われた。

• 有限標本のパワー： サンプル分割法は、特に $K$ が増加するにつれて、Cohen et al. (2020) のフルサンプル実装よりも一貫して高いパワーを示した。これは、$K$ に依存する臨界値を回避できることによるものである。
• オーラクルとの比較： 事前に最適な組み合わせを知っている「オーラクル（oracle）」が最も優れた性能を示したが、サンプル分割アプローチはフルサンプルの競合手法を大幅に上回り、多くの領域でオーラクルの性能に接近した。
• 相関の影響： 提案手法のパワーの優位性は、アウトカムが無相関または弱相関の場合に最も顕著であったが、中程度の正の依存関係がある場合でも優位性を維持した。

応用：貧困と心血管疾患（CVD）リスク
本手法は、NHANESデータ（1999–2016）を用いた、貧困（家族所得比率 < 1と定義）が小児および青少年のCVDリスク因子に及ぼす影響の研究に適用された。

• 研究デザイン： 4,027のマッチドペアを、パイロットサンプル（25%）と分析サンプル（75%）に分割した。
• アウトカム： 研究では、体組成、身体活動、脂質、およびタバコへの曝露（コチニンレベル）を含む9つのアウトカムを調査した。
• 知見：
  • サンプル分割アプローチは、すべての年齢/性別層において $\Gamma=1$ でグローバルな帰無仮説を棄却したが、フルサンプルの比較対象は、8〜11歳の男児においてのみグローバルな帰無仮説を棄脱した。
  • 本手法は、すべての層における**タバコへの曝露（コチニンレベル）への悪影響と、青少年の激しいレジャータイムの身体活動（LTPA）**への影響を特定した。
  • 頑健性： タバコへの曝露に関する知見は、$\Gamma \approx 2.25$（感度値 $\approx 3.05$）までの未測定の交絡に対して頑健であった。対照的に、身体活動および体組成に関する知見は、より小さなバイアス（$\Gamma \approx 1.05$–$1.15$ での棄却失敗）に対して敏感であった。
  • 比較： 同一データに対するフルサンプルの感度分析では、全体的な仮説に対してはるかに低い感度値（$\approx 1.67$）が得られ、このデータセットにおける既存の多変量手法に内在するパワーの損失を物語っていた。

意義
本論文の主要な貢献は、多くのアウトカムを持つ観察研究において、強力な多変量感度分析を行うための実用的かつ理論的に裏付けられたフレームワークを提供することである。サンプル分割を活用することで、以下のことが可能となる：

1. パワーの回復： 高次元の設定において、$K$ に依存する臨界値に伴う深刻なパワーの損失を回避する。
2. 妥当性の維持： アウトカム空間の次元に依存する漸近的補正を必要とせずに、有効なレベル $\alpha$ の推論を提供する。
3. データ駆動型の設計の実現： 研究者は、最終的な推論の妥当性を損なうことなく、パイロットサンプルを使用してアウトカムの選択や検定統計量の選択（例：特定の食事成分や年齢特異的な影響の特定）を洗練させることができる。

著者らは、貧困とCVDに関する具体的な知見の頑健性は主にタバコへの曝露によって駆動されているものの、本手法の枠組みは、従来の多変量感度分析ではパワー不足により検出できなかったであろうこれらの効果の検出を成功させていると結論付けている。