Causal Inference for Case Studies in Behavioral Health

技術的要約：行動健康におけるケーススタディのための因果推論

問題提起
本論文は、行動健康におけるケーススタディ、特に観測的な $N=1$ の設定において、因果推論を行う際の根本的な課題に対処している。標準的な因果推論の手法は、通常、ランダム化、実験的制御、または共変量を調整するための大規模な母集団フレームに依存している。しかし、個別のケアプロセスにはこれらの特徴が欠けている。提供者とクライエントは、「未観測の交絡（$U$）」という文脈の中で活動しており、そこでは潜在的な変数のネットワークが治療選択（$T$）とアウトカム（$Y$）の両方に影響を及ぼしている。さらに、厳格な実験デザイン（例：A-B-A-B 反転デザイン）は、倫理的に問題があるか、あるいは治療関係を損なう可能性がある。その結果、提供者は反事実（例：$Y|do(t=1)$が観測されているときの$Y|do(t=0)$）を経験的に測定したり、異なる時点や個体間の「本質的な同一性」を前提とする母集団ベースのマッチング仮定に頼ったりすることができない。核心となる問題は、交絡因子を測定または調整することを必要とせずに、有効な因果推定値への経路を確立することである。

方法論とフレームワーク
著者らは、構造的因果モデル（SCM）と、確率を客観的な頻度ではなく個人の不確実性の尺度とみなす主観主義的（ド・フィネッティ的）な確率解釈に基づいたフレームワークを提案している。

1. $\Omega$-推定値（$\Omega$-Estimands）： 本論文は、確率分布の対比（例：平均値の差）から、**サポート（支持集合）**の対比へと焦点を移している。ある確率変数のサポート $\Omega$ とは、非ゼロの確率を持つ値の集合である。著者らは、$\Omega$-推定値を、確率の重みを組み込まないサポートの関数（例：$\max(\Omega)$、$\min(\Omega)$、範囲、または濃度）として定義している。
2. 核心となる仮定（ポジティビティ）： このフレームワークは、単一の決定的な仮定である**ポジティビティ（正値性）**に依拠している。形式的には、すべての治療値 $t \in \Omega_T$ および未観測の交絡因子 $u \in \Omega_U$ に対して、条件付き確率 $f(t|u) > 0$ が成立することである。主観主義的な文脈において、これは未観測の交絡状態 $u$ が特定の治療 $t$ を不可能にするわけではないことを意味する。著者らは、治療が十分に粗いレベル（例：微細な介入ではなく「ケースマネジメントへの曝露」）で概念化される場合、ポジティビティは未観測の交絡が存在する場合でも成立すると主張している。
3. サポートの一致（Support Coincidence）： 中心的な理論的結果（命題1）は、ポジティビティの仮定の下で、観測されたアウトカムのサポートと介入によるサポートが一致することを証明している：$\Omega_{Y|t} = \Omega_{Y|do(t)}$。これは、現実世界で観測される可能なアウトカムの集合は、仮説的な介入が行われた場合に起こり得るアウトカムの集合と同一であることを意味し、これにより $\Omega$-効果の特定が未観測の交絡に対して免疫を持つことを示している。

主要な貢献と拡張
論文では、推論を促進するために3つの条件を導入している。

• 条件 I（ポジティビティ）： 観測サポートと介入サポートが一致することを特定するのに十分である。
• 条件 II（認識的保存性）： エージェントの不確実性の「構造的モチーフ」（具体的には、期待値とサポートの関数的平均との関係）が、治療状態と非治療状態の間で不変であると仮定する。これにより、$\Omega$-効果を期待値平均の恒等式 $E(Y) = Av(Y) - \kappa$（ここで $\kappa$ は歪みに関連する項）を介して期待値の差へと変換することが可能になる。もし $\kappa$ が保存されていれば、平均値の差は因果的な意味を持つ。
• 条件 III（サポート想起）： クライエントが想起したベースラインの推定値（$\hat{Y}$）が、観測不可能なベースラインのサポート（$\Omega_{Y|t=0}$）のプロキシ（代理指標）として機能することを認める。これは、想起の確率分布は異なる可能性があっても、可能な値の集合（サポート）は同じ現実に固定されているという仮定である。

結果とケーススタディへの適用
著者らは、不安症に対する認知行動療法（CBT）を受けている23歳の学生の臨床ケーススタディを用いて、このフレームワークを実証している。

• データ： 10から4へと減少傾向を示す、19週間の週次不安スコア（0–10スケール）。
• 適用： 著者らは、$\Omega$-効果を、ベースラインのサポートの最小値と治療サポートの最小値の対比（$\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$）として定義している。
• 推論： 主観的ベイズ主義的手法を用いて、治療の有効性に関する事後確率を計算している。事前信念を仮定し、観測されたデータ（最小スコアのシフト）を用いてそれを更新することで、有効性の事後確率（$\approx 0.59$）を導出している。
• 解釈： この結果は頻度ベースの保証ではなく、高強度の症状の可能性を排除する能力（サポートのシフト）に関する「整合的で節度のある確信（coherent, tempered credence）」である。

意義と主張
本論文は、交絡因子を閉じる（バックドアパスを遮断する）ことや交絡因子を測定することを必要とせずに、個別のケアプロセスにおける因果推論への「ルート」を提供すると主張している。

• 感度よりも堅牢性： 本フレームワークは、分布の変化（これらは交絡される）に対する感度を、サポートの変化（これらは特定可能である）に焦点を当てることで得られる堅牢性とトレードオフにしている。効果的な治療は、しばしば極端な可能性の排除（例：パニック発作の防止）として現れるものであり、それは交絡を知ることなく検出可能なサポートの変化であると論じている。
• 実用的な有用性： 高度な統計学的訓練や実験デザインを必要とせずに、測定に基づくケアのデータを用いて治療の有効性を推論するための、原理的かつ初歩的な手法を提供している。
• 限界： 著者らは、ポジティビティはテスト不可能であり、基礎となる有向非巡回グラフ（DAG）の妥当性を通じて擁護されなければならないことを認めている。また、本フレームワークは、サポート自体を変化させずに確率質量のみを移動させる治療（例：「10」を排除することなく、「5」を「4」より起こりやすくすること）に対しては感度が低いことも指摘している。さらに、結果は推論エージェントのための整合性の言明であり、頻度の保証ではない。

総括すると、本論文は、因果的ターゲットを分布ではなくアウトカムのサポートの対比として再定義することにより、ポジティビティという唯一の条件の下で、 $N=1$ の行動健康研究における有効な因果特定が可能であると主張している。