Comparing Missing Data Methods for Estimating Average Treatment Effects Under Time-Varying Confounding: A Simulation Study

あなたは、ある謎を解こうとしている探偵だと想像してください。その謎とは、「特定の種類のキャンディを食べると、走るのが速くなるのか？」というものです。現実の世界では、全員をラボに連れて行って、キャンディを食べるか食べないかを強制することはできません。人々が自分で選んだおやつを観察するしかありません。しかし、ここに落とし穴があります。キャンディを選んだ人々は、もともと運動量が多くて走るのが速い人々である可能性もあります。この追加の要因である「運動」のことを、交絡因子（コンファウンダー）と呼びます。真の答えを得るためには、キャンディを食べる人と食べない人が、キャンディ以外のあらゆる点においてできるだけ似通っているように、数学的に「公平な土俵」を作る必要があります。これが因果推論の核心です。

しかし、現実の世界は混沌としています。時には、何を食べていたか忘れてしまったり、レースに全く現れなくなったりする人がいます。これが**欠測データ（データの欠損）**です。もし、情報が欠けている人々を単に切り捨ててしまうと、報告を忘れた「遅いランナー」を誤って切り捨ててしまい、結果として、単に遅いランカーを失ったために、非常に速いグループのように見えてしまうかもしれません。これは偏った（バイアスのかかった）絵を描いてしまいます。科学者たちは、欠けている値を推測し、絵を修復するための精巧な数学的ツールを作り出してきましたが、どのツールが最適であるかは、欠けているピースがどのような理由で欠けているかを知る必要があります。この論文は、まさにその問題、つまり、手がかりが不完全な状況において、どの手法が最高の探偵になれるのかを検証しています。

---

大いなる欠測データのレース

この研究において、著者であるベン、ラース、そしてヴィクターは、コンピュータ・シミュレーションを用いて、大規模な「もしも（What If?）」のゲームを行うことにしました。実在の人物の代わりに、彼らは、ワクチン（処置）が時間の経過とともに患者に投与される、架空の世界の500の異なるバージョンを作成しました。彼らはワクチンが効果があるかどうかを知りたいと考えていましたが、患者には結果を狂わせる可能性のある異なる健康履歴（交絡因子）があることも分かっていました。

ややこしくするために、彼らは意図的に自分たちのデータを壊しました。データが欠落するパターンを3つの方法で作りました：

1. ランダムな不具合 (MCAR): コイン投げのように、何のパターンもなくデータが消える。
2. 予測可能なパターン (MAR): 患者が高齢であれば記録が欠落しやすいといった、既知の情報に基づいたパターンでデータが消える。
3. 隠された秘密 (MNAR): データそのものの値に基づいてデータが消える。例えば、患者の健康状態が実際には非常に悪かった場合、その患者は研究から脱落する可能性が高くなりますが、その「非常に悪い健康状態」こそが欠落している情報なのです。

彼らは、壊れたデータを修復するために、4つの異なる「修理チーム」をテストしました：

• 「ただ切り捨てる」チーム (完全ケース解析): 情報が欠けている人を単純に削除します。
• 「最も一般的なものを推測する」チーム (単一代入法): 値が欠落している場合、見た中で最も一般的な答えで埋めます（例：ほとんどの人が「右利き」なので、全員を右利きだと推測する）。
• 「双子を見つける」チーム (層化ホットデック法): 欠落したデータを持つ人と全く同じ特徴を持つ人を探し、その人の答えを借用します。
• 「スーパーコンピューター」チーム (多重代入法): この手法は、データの異なる5つのバージョンを作成し、それぞれに少しずつ異なる推測で空白を埋め、その後、不確実性を考慮するために結果を平均化します。

結果：レースの勝者は誰か？

（合計48のシナリオ、500回のシミュレーションを実行した後）結果は明白でした。

勝者: **「スーパーコンピューター」チーム（多重代入法）**が、議論の余地のないチャンピオンでした。ほぼすべての状況において、彼らは最も正確な答えを出し、エラーが最も少なかったのです。データが「隠された秘密（MNAR）」のような方法で欠落していた場合でも、彼らは（答えが完璧ではないとしても）信頼区間（「誤差の範囲」）を誠実に保つことができました。彼らこそが、データが乱れた時に完全に崩壊しなかった唯一のチームでした。

敗者:

• 「ただ切り捨てる」チームは、データがランダムに欠落しているときはうまく機能しましたが、欠落にパターンが生じると、偏った答えを出し始めました。また、交絡因子（追加の要因）が非常に強い場合にも苦戦しました。
• 「最も一般的なものを推測する」チームは、全体を通してパフォーマンスが悪かったです。欠落した二値データ（Yes/Noなど）を最も一般的な答えで埋めることは、状況の現実を歪めてしまい、不適切な推定につながりました。
• 「双子を見つける」チームは最初の2つよりは優れていましたが、それでもスーパーコンピューター・チームの正確さには及びませんでした。

プロットの急展開（ツイスト）

研究によれば、データが欠落している理由が何よりも重要でした。データが秘密の理由（MNAR）で欠落していた場合、全員が苦戦しましたが、スーパーコンピューター・チームが最もよく対処できました。

また、グループのサイズも重要であることが分かりました。小規模なグループ（1,000人）では、結果は不安定で信頼性が低くなりました。大規模なグループ（5,000人）では、手法はよりうまく機能しました。

興味深いことに、交絡の強さ（追加の要因がどれほど事態を混乱させるか）は、バイアス（エラーの方向）にはあまり影響を与えませんでしたが、信頼区間の幅を縮小または拡大させました。交絡が非常に強いとき、「ただ切り捨てる」チームと「最も一般的なものを推測する」チームは真実を見つけるのに非常に苦労しましたが、スーパーコンピューター・チームは比較的安定していました。

結論

このシミュレーション研究は、欠測データに満ちた世界で因果関係を解明しようとしているなら、多重代入法が最善の選択であることを示唆しています。それは、最も堅牢なツールです。欠落したケースを単に削除するといったより単純な手法の方が簡単そうに見えるかもしれませんが、特に欠測が単なるランダムな不運ではない場合、それらはあなたを誤った道へと導く可能性があります。

著者らは、コンピュータ・シミュレーションではこれらの結果が明確に示されているものの、現実の世界は彼らの作った仮想世界よりもさらに混沌としていると警告しています。彼らは、今後の研究において、データが欠落するさらに複雑な方法を調査し、さらに高度なツールをテストすべきであると提案しています。しかし、現時点では、もし欠けている手がかりに翻弄されることなく因果関係の謎を解きたいのであれば、信頼すべきは「スーパーコンピューター」チームなのです。