技術要約：媒介変数とアウトカムが別々に観測される場合の、未観測の交絡を伴う半パラメトリック媒介分析

1. 問題提起

媒介分析は、曝露 $D$ のアウトカム $Y$ に対する全因果効果を、媒介変数 $M$ を通じた自然直接効果（NDE）と自然間接効果（NIE）へと分解するための標準的な手法である。しかし、実用上の重大な制限として、$M$ と $Y$ が同一のデータセット内で決して同時に観測されないという状況がある。このようなシナリオは、統合ゲノミクス（例：遺伝子発現に関するeQTL研究と疾患ステータスに関するGWASの結合）や、集団健康学（例：大規模な曝露コホートと、詳細な中間表現型を含む臨床データベースの統合）において一般的である。

このような設定では、$(M, Y)$ の未観測の結合分布に依存しているため、標準的な識別戦略によるNDEおよびNIEの特定は失敗する。さらに、この問題は、媒介変数とアウトカムの間の未観測の交絡（$M$-$Y$ 交絡）が存在する場合に悪化し、これは完全なデータ設定においても大きな障害となる。既存のデータ融合手法は、一般に両方の変数が観測される重複部分が存在することを前提としているか、あるいは成立しない可能性のあるパラメトリックな仮定に依存している。本論文は、以下の条件下での因果媒介効果の識別の課題に取り組むものである：

1. データソースが不均一である：一方のソースには $(D, Y)$ が含まれ、もう一方には $(D, M)$ が含まれるが、$(M, Y)$ の同時観測は存在しない。
2. 未観測の交絡因子 $U$ が $M$ と $Y$ の間に存在する。

2. 方法論および識別戦略

2.1 設定と仮定

著者らは、外生変数 $D = (T, Z, A)$ を持つ構造的因果モデル（SCM）を検討している。ここで、$T$ はターゲットとなる曝露、$Z$ は $Y$ への直接効果を持たない操作変数（IV）を表し、$A$ は $Y$ への直接効果を持つ補助変数である。データは2つのソース（$S=0$ および $S=1$）から得られる：

• $S=0$: $(Y, D, X)$ を観測。
• $S=1$: $(M, D, X)$ を観測。

識別は以下の主要な仮定に基づいている：

• 非交絡曝露: $D \perp\!\!\!\perp (\epsilon_Y, \epsilon_M, U) \mid X, S$。
• 潜在的非交絡媒介変数: $\epsilon_Y \perp\!\!\!\perp \epsilon_M \mid X, U, S$。
• $M$-$U$ 非相互作用: $M$ の効果は、未観測の交絡因子 $U$ に依存しない（「相互作用なし」の条件）。
• クロスソース・アライメント: $D$ と $X$ を条件付けるとき、$U, M, Y$ の分布はソース間で交換可能である（$S \perp\!\!\!\perp (U, M, Y) \mid D, X$）。これにより、ソース間の共変量および曝露のシフトが可能となる。
• 完全性条件:
  • $M-Z$ 完全性: $M$ の変動は $Z$ の変動によって捉えられる。
  • $Z-M$ 完全性（効率性のための条件）: $Z$ の変動は $M$ の変動によって捉えられる。

2.2 ブリッジ関数による識別

核心となる革新は、一方のソースにおける観測された媒介変数分布を、他方のソースで必要とされる反事実的媒介変数分布に整合させるためのブリッジ関数（$w$）の使用である。完全性条件の下で、著者らは積分方程式（論文中の式2）を満たす関数 $w_{tt'}^s$ の存在を証明している。これらの関数は、観測された媒介変数の層（strata）を重み付けし、反事実的な層と一致させることで、$(M, Y)$ を同時に観測する必要性を実質的に回避する。

自然直接効果および自然間接効果は、これらブリッジ関数を用いた観測データ分布の汎関数として識別される：
\psi^{NDE}_s = \psi^{10}_s - \psi^{00}_s, \quad \psi^{NIE}_s = \psi^{11}_s - \psi^{10}_s}
ここで、$\psi^{tt'}_s$ の項は $Y$ とブリッジ関数 $w$ の期待値を含む。

2.3 未知のIVの取り扱い

有効なIVの集合 $Z$ が未知であるが候補集合 $C$ が利用可能な場合、著者らはスパース性に基づく識別戦略を提案している。彼らは、候補となるIVの半分以上が有効であると仮定する（仮定6）。ソース0における条件付きアウトカムと、ソース1における条件付き媒介変数を結びつける関数 $r^*(M, D, X)$ を求めるためのスパース回帰問題を解くことにより、有効なIVは $r^*$ が依存しない $D$ の構成要素として特定される。

2.4 推定

著者らは、半パラメトリックな影響関数ベースのワンステップ推定法を開発した。

• 多重頑健性（Multiply Robustness）: 推定量は、いくつかのナンシング・パラメータ（例：ブリッジ関数 $w$、アウトカム回帰 $\nu$、または傾向スコア $\lambda$）の組み合わせのうち、少なくとも一つが正しく指定されている場合に一貫性を持つ。具体的には、アウトカムモデルが正しいか、ブリッジ関数モデルが正しいか、あるいは両者の特定の組み合わせが正しい場合のいずれかにおいて、一貫性が保持される。
• 効率性: 相互完全性（$Z$ が $M$ において完全であり、かつその逆も成立する場合）の下で、提案された推定量は半パラメトリック効率限界に達する。著者らは、効果に対する標準的な勾配（影響関数）を導出している。
• 正則化: ブリッジ関数の算出は不良設定の逆問題（フレドホルム積分方程式）を伴うため、著者らは推定を安定させるための正則化戦略（例：ティコノフ正則化や分散ベースのペナルティ）を提案している。

3. 主な結果

3.1 理論的貢献

• 識別: 本論文は、有効なIVが存在し、「相互作用なし」の条件が満たされる場合、未観測の交絡および $M$ と $Y$ の個別観測が存在しても、NDEおよびNIEが識別可能であることを確立した。
• 効率限界: 著者らは半パラメトリック効率限界を導出し、相互完全性の下で提案された推定量がこれらの限界に達することを示した。
• 文献との関連性: このフレームワークは2サンプル操作変数（IV）問題を一般化しており、2サンプル設定における平均処置効果が、彼らの媒介フレームワークの特殊なケースであることを示している。

3.2 シミュレーション研究

• 性能: 単一および複数の操作変数を用いたシミュレーションにおいて、提案された推定量は様々なモデル誤指定シナリオにおいて無視できるほどのバイアスを示し、多重頑健性が確認された。
• 効率性: 媒介変数が操作変数集合に対してのみ完全である設定（非完全設定）において、適応的な操作変数集計を用いた提案手法は、単一のIVを使用する場合と比較して、大幅な効率性の向上（標準誤差の縮小）を示した。
• IV選択: 候補集合から有効なIVを選択するための提案アルゴリズムは、サンプルサイズが増加するにつれて、無効なIVが存在する場合でも高い精度（ほぼ100%の正しい特定）で機能した。
• 推論: ブートストラップに基づく信頼区間は、特にモデルの誤指定がある場合において、影響関数に基づく区間よりも安定しており、信頼性が高いことが判明した。

3.3 データへの適用

このフレームワークは、アルツハイマー病神経画像解析イニシアチブ（ADNI）に適用され、SNP rs610932 が PTK2B および CD33 の遺伝子発現を通じて認知症リスクに与える媒介作用を定量化した。

• データ融合: 本研究は、ADNI-1（アウトカムとSNP、遺伝子発現なし）とADNI-GO/2（SNPと遺伝子発現、長期アウトカムなし）のコホートを結合した。
• 知見: PTK2B を通じた自然間接効果（NIE）の推定値は、全効果に対して負かつ相当な大きさであり、保護的なメカニズムを示唆した。一方、CD33 を通じたNIEはゼロに近い結果であった。
• 解釈: 著者らは、信頼区間が広くゼロを跨いでいるものの、結果は rs610932 のマイナーアレルが、変化した PTK2B 発現および下流のマイクログリア免疫経路を通じて作用するという生物学的メカニズムを示唆していると述べている。

4. 意義と主張

本論文は、媒介変数とアウトカムが決して同時に観測されず、かつ未観測の交絡が存在する設定において、因果媒介効果の識別を回復させる新しいデータ融合フレームワークを導入したと主張している。

• データの制限の克服: 本手法は、データのサイロ化によって主要な変数の同時観測が妨げられている、現代の統合ゲノミクスや健康データサイエンスにおける蔓延した問題に対処している。
• 未観測の交絡に対する頑健性: 強固な仮定（未観測の交絡因子に関する仮定）を必要とする標準的な媒介分析とは異なり、本手法はIVと「相互作用なし」の条件を利用して、$U \neq \emptyset$ の場合でも効果を識別する。
• 柔軟性: 本手法は、データソース間での共変量および曝露のシフトを許容し、有効なIVの集合が未知である場合にも対応できる。
• 効率性: 半パラメトリック効率理論を活用することで、提案された推定量は適切な条件下で効率的であることが示されており、このような複雑な設定における推論のための厳密な統計的基礎を提供している。

著者らは、データが断片化された環境においても、「それがどのように機能するか」という問いを超えて、「どのような経路を通じて機能するか」という問いに答えるために、現実世界の研究における「因果経路の解明」を進展させる必要な前進として、本研究を位置づけている。