📊 statistics

Micro-randomized Trials with Categorical Treatments and Binary Proximal Outcome: Causal Effect Estimation and Sample Size Calculation

本論文は、カテゴリー型の介入と二値の近接アウトカムを伴うマイクロランダム化試験の課題に対処するため、因果的エクスカーション効果を定義し、EMEE-catA推定量を提案し、シミュレーションおよび実世界の応用を通じて示されるように、介入レベル間の比較に対する十分な検出力を確保するための頑健なサンプルサイズ算出式を導出するものである。

原著者： Jeremy Lin, Tianchen Qian

公開日 2026-08-06

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jeremy Lin, Tianchen Qian

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、乗組員に野菜を食べさせようとしている宇宙船の船長だと想像してください。あなたの艦隊には、手首に装着されたスマートデバイスがあり、そこから「面白い漫画」、「厳しい警告」、あるいは「親しみやすいハイタッチ」といった、ちょっとした「ナッジ（後押し）」を送ることができます。しかし、どのナッジが最も効果的なのか、あるいは、ナッジを送った時に乗組員が実際に手首を見ているのかどうか、あなたには分かりません。これが**モバイルヘルス（mHealth）**の世界です。スマートフォンやウェアラブルデバイスを使用して、飲酒を減らしたり運動量を増やしたりといった、人々の習慣を変える手助けをするのです。

何がうまくいくのかを判断するために、科学者たちは**マイクロランダム化試験（MRT）*と呼ばれる特別な種類の実験を用います。これは、大規模で高速な「選択肢によって展開が変わるアドベンチャーゲーム」のようなものです。一ヶ月間ずっと一つの戦略を割り当てるのではなく、コンピューターが一日に数百回、コイン投げを行います。意思決定が行われるあらゆる瞬間に、異なる種類のナッジをラン消的に選択します。これは非常に速く、頻繁に行われるため、研究者は特定のナッジが送られた直後に、その人がアプリを開いたり、一歩踏み出したりしたかどうかを、ほぼ即座に知ることができます。大きな疑問は、「今、この瞬間に送られたこの*メッセージが、その人に良い行動をとらせたのか？」ということです。

難しいのは、メッセージが単なる「はい」か「いいえ」だけではない場合です。時には、「短いメッセージ」、「長い物語」、「動画」、あるいは「メッセージなし」といった、メニュー形式の選択肢があることもあります。そして、得られる結果は、多くの場合、単純な「はい／いいえ」（アプリを開いたか？はい／いいえ）です。これらをどのように設計すれば、時間を無駄にすることなく、明確な答えを得るために十分な人数を集められるかを考えるのは、卵が正確にいくつ必要か分からないまま、混ぜ始めなければならないケーキを焼くようなものです。

この論文は、そのケーキを正しく焼く方法について書かれています。著者であるジェレミー・リンとティアンチェン・キアンは、統計学者であり、これらのモバイルヘルス実験のための新しいレシピを作り上げました。彼らは、研究者が実験を確実に成功させるために、正確に何人の人を募る必要があるかを判断するためのツールを作成しました。

彼らが解決した問題は、以前のツールが「メッセージを送る」対「メッセージを送らない」という2つの選択肢しかない場合にしかうまく機能しなかったことです。しかし現実の世界では、科学者は一度に多くの異なる種類のメッセージをテストしたいと考えていることがよくあります。例えば、「面白いジョーク」、「真剣な警告」、「モチベーションを高める名言」といったメニューがある状況を想像してください。古いツールは、特に結果が単純な「はい／いいえ」（アプリを開いたかどうか）である場合、このメニューを適切に扱うことができませんでした。

著者らは、複数の選択肢の効果を測定する新しい方法を発明しました。彼らはこれをEMEE-catAと呼んでいます。これは、数千ものランダムなナッジの複雑な履歴を分析し、「おい、面白いジョークのおかげで、何もしない時よりも3.6倍多くアプリが開かれたよ！」と教えてくれる、スーパーパワーを備えた計算機のようです。さらに優れたことに、この計算機は非常にタフです。研究者が人々の一般的な振る舞いに関する詳細を予測し間違えたとしても、壊れることはありません。これは「ロバスト（強靭）」である、つまり、現実の世界が乱雑で予測不可能であっても、正しい答えを出すように設計されていることを意味します。

しかし、本当の魔法はサンプルサイズ（標本サイズ）の公式にあります。これは研究者に対して、「『面白いジョーク』と『真剣な警告』の違いを80%の確信を持って判別したいのであれば、正確に1,197人の人が必要です」と伝える数学的なルールです。この論文が出る前、研究者はこの数字を推測で決めており、その結果、何も発見できないほど実験規模が小さすぎたり、逆に大きすぎて無駄になったりすることがありました。

著者らは、新しいレシピをDrink Lessという実際の研究データを用いてテストしました。この研究は、人々がアルコールを控えるのを支援するものです。この研究では、349人が30日間にわたって毎日ナッジを受け取りました。著者らがこのデータに対して新しい公式を実行したところ、研究デザインが堅実であることが確認されました。また、彼らは数千回のコンピュータ・シミュレーション（研究者のふりをして仮想的な実験を行うこと）を行い、現実の世界がルール通りにいかない場合に、自分たちの公式が失敗するかどうかを確認しました。

結果は有望でした。ルールに従っている場合は、公式は素晴らしく機能しました。しかし、シミュレーションの中でルールをあえて破った場合（例えば、人々の利用可能性が奇妙に変化したり、メッセージの効果が遅れて現れたりする場合など）でも、公式は驚くほど頑丈でした。完璧な数字を出すことはなかったとしても、実験を成功させるのに十分に近い数字を提示してくれました。

また、この論文は、このツールを使用するすべての人に向けた「ベストプラクティス（最善の手法）」も提示しています。詳細が不明な場合は、少し保守的になる方が良いと示唆しています。例えば、メッセージが50%の確率で機能すると予想されるものの、その確信がない場合は、メッセージが40%の確率で機能するというシナリオに合わせて計画を立てることを推奨しています。これにより、途中で参加者が足りなくなる事態を防ぐことができます。

要約すると、この論文は、複雑なモバイルヘルス実験の領域を航海するための、新しく信頼できる地図を提供しています。これにより、科学者は複数の選択肢や単純な「はい／いいえ」の結果を伴う研究を、数学に迷うことなく設計できるようになります。この新しいツールを使うことで、研究者は、デジタルなナッジが人々の生活を変えるためにどれほど効果的であるかを、より自信を持って明らかにすることができるのです。

技術要約：カテゴリカル治療とバイナリ近接アウトカムを伴うマイクロランダム化試験

問題提起
マイクロランダム化試験（MRT）は、複数の決定ポイントにおいて参加者を介入オプション間で繰り返しランダム化することにより、モバイルヘルス（mHealth）介入を最適化するための標準的な実験デザインである。これまでの文献では、バイナリ治療（例：メッセージあり vs メッセージなし）や連続的なアウトカムに関する手法は確立されているが、多くの実用的なmHealthアプリケーションには、カテゴリカル治療（例：多様なメッセージ内容や配信戦略）とバイナリ近接アウトカム（例：アプリへのエンゲージメント、行動の完了）の組み合わせが含まれる。既存の因果的エクスカーション効果（CEE）の推定法は、この特定の組み合わせを直接扱うことができない。さらに、MRTにおけるバイナリアウトカムを用いた複数のカテゴリカル治療レベル間の差異のある効果を検出するための厳密なサンプルサイズ計算手法も不足しており、これは適切に検出力を備えた研究を計画する上で極めて重要である。

手法
本論文は、以下の3つの主要な手法開発を通じてこれらのギャップに対処している。

カテゴリカル治療に対する因果的エクスカーション効果（CEE）の定義：
著者らは、参照レベルを0とするカテゴリカル治療 $A_t \in \{0, 1, \dots, K\}$ に対する対数相対リスクスケールにおけるCEEを定義する。CEEは、時刻 $t$ において治療 $k$ を受け、その後の $\Delta-1$ ステップで治療を受けないというエクスカーションを行った場合の期待近接アウトカム $Y_{t,\Delta}$ と、時刻 $t$ で治療を受けず、その後の $\Delta-1$ ステップでも治療を受けない場合の期待近接アウトカムとの対比である。この定義は、決定ポイントの利用可能性（ $I_t=1$ ）を条件とし、試験のランダム化プロトコルに従った治療履歴を周辺化する。
推定法：EMEE-catA
著者らは、EMEE-catA（バイナリアウトカムを伴うカテゴリカル治療のための周辺エクスカーション効果の推定法）を提案する。この推定法は、Qianら（2021）の研究をカテゴリカルな設定へと拡張したものである。
- モデル： $CEE_{tk}(S_t) = f_t(S_t)^T \beta_k$ というパラメトリックモデルを仮定する。ここで、 $S_t$ は効果修飾因子を表す。
- 推定方程式： 推定法は、方程式系 $P_n m(\alpha, \beta) = 0$ $P_{n} m (α, β) = 0$ を解く。推定関数 $m(\alpha, \beta)$ $m (α, β)$ は以下を組み込んでいる：
  - エスタンドの周辺的な性質と、後続の $\Delta-1$ ステップで治療を受けないという要件を処理するための、安定化された逆確率重み成分（ $J_t$ ）。
  - 因果パラメータ $\beta$ の推定と、参照治療下でのアウトカムをモデル化する難解パラメータ $\alpha$ との間の直交性を確保するための、中心化された治療インジケーター $C_k(A_t) = \mathbb{1}(A_t=k) - \tilde{p}_t(k|S_t)$ 。
- ロバスト性： 難解なアウトカム回帰モデル（ $g_t(H_t)^T \alpha$ ）が誤指定されていても、CEEモデルが正しければ、本推定法は一致性と漸近正規性を有することが示されている。このロバスト性は、MRTにおける高次元の履歴 $H_t$ を考慮すると極めて重要である。
サンプルサイズ公式：
本論文は、 $H_0: L \times \text{MEE}_{1:K}(t) = 0$ （ここでMEEは $\Delta=1$ および $S_t=\emptyset$ の場合の周辺CEE）という仮説を検証するための統計的検出力を保証するサンプルサイズ公式を導出している。
- ワーキング仮定（WA）： 導出は5つのワーキング仮定に基づいている。(a) MEEのパラメトリック形式、(b) 無治療時の成功確率の既知の関数形、(c) 既知の利用可能性、(d) 過去の治療を条件としたアウトカムの系列相関なし、および (e) 外生的な利用可能性。
- 検定統計量： 推定量の漸近正規性に基づき、Wald型の検定統計量が構築される。小標本バイアスを補正するため、棄却域にはカイ二乗分布ではなく、スケーリングされたF分布が用いられる。
- アルゴリズム： ワーキング仮定の下で得られた非中心パラメータを利用して、特定の対立仮説の下で目標とする検出力 $(1-\beta)$ を達成するために必要な最小サンプルサイズ $n$ を計算する反復アルゴリズム（Algorithm 1）が提供されている。

主な結果

理論的特性： 定理1は、EMEE-catA推定量の漸近正規性を確立している。定理2は、ワーキング仮定の下で、提案されたサンプルサイズ公式が第一種の過誤率を公称レベルに制御し、所望の検出力を保証することを証明している。
シミュレーション研究： 広範なシミュレーション（詳細は付録資料に記載）により、提案手法の動作特性を評価した。
- 第一種の過誤： ワーキング仮定が違反された場合でも、第一種の過誤率は公称レベルに制御されたまま維持された。
  数値を過小評価すると検出力が過剰になり、過大評価すると検出力が不足するという結果が出た。
  - 効果のパターン（時間的変動）や利用可能性に関する違反は、検出力への影響は比較的軽微であったが、特定のパターン（例：線形 vs 一定）は、特定の生成モデルにおいて検出力の低下を招く可能性がある。
  - 系列相関および外生的な利用可能性の違反は、効果の大きさの誤指定よりも、検出力への影響が少ないことが判明した。
データへの適用： 本手法は、飲酒を減らすためのアプリの最適化を行う研究である Drink Less MRT に適用された。
- 推定法は、標準的なメッセージおよび新しいメッセージのバンクからのメッセージの両方が、通知なしの場合と比較してアプリの起動確率を有意に高めることを特定した。
- サンプルサイズ公式は、Drink Lessのデザインを遡及的に分析するために使用され、一定の効果と利用可能性を仮定した場合、2つの活性治療レベル間の観察された差を80%の検出力で検出するには1,197人の参加者が必要であることを示した。

意義と主張
本論文は、バイナリ近接アウトカムを伴うカテゴリカル治療レベル間の詳細な比較を可能にすることで、MRTに関する既存の文献を拡張することを主張している。これは、これまで特定の因果推論およびサンプルサイズツールによるサポートがなかった、mHealthにおける一般的なシナリオである。

著者らは、彼らのアプローチが以下を提供するものであると強調している：

複雑な難解アウトカムモデルの正しい指定を必要としない、ロバストな推定法（EMEE-catA）。これは、MRTにおける高次元の履歴の問題に対処するものである。
第一種の過誤を制御し、一連のワーキング仮定の下で検出力を保証する、実用的なサンプルサイズ公式。
研究者が、効果の大きさや平均成功確率の保守的な推定値を入力するための実用的なガイダンス（Box 1に要約）。これにより、効果や利用可能性の特定の時間的パターンがワーキング仮定から逸脱する場合でも、適切な検出力を確保できる。

本研究は、Drink Less研究のデータを用いて、提案された推定法およびサンプルサイズ計算機の適用可能性を実証している。著者らは、導出のための特定のワーキング仮定を前提としているものの、シミュレーションの結果、主要なパラメータの大きさを保守的に推定すれば、効果や利用可能性の時間的パターンに関する多くの違反に対して、手法がロバストであることを示唆している。

技術要約：カテゴリカル治療とバイナリ近接アウトカムを伴うマイクロランダム化試験

関連論文