📈 economics

Local conformal prediction for individual causal effects

本論文は、因果フォレスト重み付きコサイン類似度によって較正を局所化し、二重に頑健なAIPWスコアを採用することで、標準的な推定法が失敗する高異質性設定において、名目被覆率と点精度の向上を達成する、個別の因果効果に対する有限標本妥当な共形予測区間を構築する個別化因果予測（ICP）フレームワークを提案する。

原著者： Fernando Delbianco, Fernando Tohmé

公開日 2026-08-11

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Fernando Delbianco, Fernando Tohmé

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、ある特定の患者が新しい薬に対してどのように反応するかを予測しようとしている医師だと想像してください。統計学の世界には、「条件付き平均治療効果（CATE）」と呼ばれる一般的なツールがあります。これは、街全体の天気予報のようなものだと考えてください。それは、近隣住民全員にとっての「平均」気温を教えてくれます。もし天候が通常穏やかであれば、その平均値は誰にとっても優れた推測となります。しかし、もしその近隣が混沌とした人々の混在であったらどうでしょう。吹雪の中で震えている人もいれば、熱波の中で汗をかいている人もいます。その「平均」気温は快適な70度だとします。その平均値は、凍えている人や暑さに苦しんでいる人にとっては役に立ちません。これが「異質性（heterogeneity）」の問題です。個々の反応が激しく異なる場合、平均は個々の人間についての真実を語ることをやめてしまうのです。

これを解決するために、科学者は「コンフォーマル予測（Conformal Prediction）」を用います。あなたが謎の箱の重さを当てようとしている場面を想像してください。単に数字を推測する代わりに、すでに重さを量ったことのある、似たような箱のグループを集めます。既知の箱に対してあなたの推測がどれくらい外れたかを確認し、その推測の周囲に、謎の箱の真の重量を95%の確率で捉えられるほど十分に広い「安全網（範囲）」を構築します。この手法は、重さが完璧なベルカーブに従うと仮定する必要がないため強力です。ただ、比較可能な事例のグループさえあればよいのです。しかし、課題は「適切な」グループを見つけることです。もし謎の箱を、それとは全く異なる性質を持つ箱のグループと比較してしまったら、あなたの安全網は巨大で使い物にならないものになるか、あるいは最悪の場合、的を外してしまうかもしれません。

「Individualized Causal Prediction for Local Conformal Prediction」という題名のこの論文は、個人の違いという複雑な現実に対処しています。著者であるフェルナンド・デルビアンコとフェルナンド・トーメは、「個別化因果予測（ICP）」という新しいフレームワークを提案しています。彼らは、ある「特定の誰か」に何が起こるかを予測するためには、全世界のデータを見るべきではないと主張しています。代わりに、その人と因果的に類似している、ごく限定的な「小さな近隣グループ」だけを見るべきだと述べています。

著者らは、この完璧な近隣グループを構築するための巧妙な3ステップのレシピを提案しています。第一に、彼らはスマートなアルゴリズム（「因果フォレスト」）を使用して、ノイズを無視しながら、結果に対して実際に影響を与える特徴を見つけ出します。次に、そのターゲットとなる人物に最も類似した人々をデータセットの中から探し出します。第二に、この近隣グループは規模が小さすぎて信頼できる予測ができない可能性があるため、「合成拡張（synthetic augmentation）」と呼ばれるトリックを使用します。彼らは、実在する近隣住民に似た、コンピュータ生成の架空のデータポイントを作成し、予測がわずか数人のみに基づくことがないよう、事実上の「隙間」を埋めます。第三に、これら実在および架空の近隣住民が本当に比較可能であることを保証するために厳格なフィルターを適用し、表面上は似ているが根本的なメカニズムが異なる人々を排除します。

この論文は、コンピュータ・シミュレーションと、乳児の健康に関する有名なデータセットを用いてこのアイデアをテストしています。結果は、このローカルなアプローチが勝者であることを示唆しています。シミュレーションにおいて、この新しい手法は、全員を見る「グローバル」な手法と比較して、より正確な点推定（正確な効果の推測）と、よりタイトな予測区間（より小さく、より有用な安全網）を生み出しました。決定的なことに、新しい手法は真の効果をカバーする成功率90%を維持しており、これは従来のメソッドと同等の信頼性を持ちつつ、より精密であることを意味しています。著者らは、グローバルな平均ではなく、ローカルな因果環境に焦点を当てることで、「平均的に何が起こるか？」ではなく、「私には何が起こるのか？」という問いに対して、ようやく意味のある答えを出すことができるのだと示しています。

技術要約：個別の因果効果に対する局所的共形予測（Local Conformal Prediction）

問題提起
標準的な因果推論の文献は、主に条件付き平均治療効果（CATE）である $\tau(x) = E[Y(1) - Y(0) | X = x]$ を主要な推定対象として集約してきました。Causal ForestやDouble Machine Learningなどの漸近的なCATE信頼区間は、条件付き平均に対しては有効ですが、治療効果が「無限定な不均一性（unbounded heterogeneity）」を示す場合、個別の因果効果（ICE）である $\tau_q = Y_q(1) - Y_q(0)$ をカバーできないことがあります。このような設定では、共変量の狭いセル内であっても条件付き分散が大きくなり、条件付き平均が特定の個人にとっての「ありそうな効果」を表さなくなります。Lei and Candès (2021) による重み付き分割CQRのような既存の共形予測手法は、共変量分布全体にわたる周辺的な被覆率（marginal coverage）を提供しますが、較正セット（calibration set）に性質の異なる治療効果分布を持つユニットが含まれている場合、特定のクエリユニットに対する被覆率は名目レベルを大幅に下回る可能性があります。

手法：個別化因果予測（ICP）フレームワーク
著者らは、特定のクエリユニット $q$ のICEに対して、有限標本で妥当な予測区間を構築するためのICPフレームワークを提案しています。この手法の核心的な革新は、グローバルなデータセットではなく、因果的に関連のある近傍へと**較正セットを局所化（localizing）**することにあります。手法は以下の4つの段階を経て進行します。

特徴量重み付き関連集合 ( $R_q^{(t)}$ ):
クエリ $q$ と介入 $t$ に対して、当該の治療 $t$ を受け、かつ同一の局所的な構造メカニズムを共有する観測値をデータセットから選択します。類似度は、Causal Forestの変数重要度 ( $\omega_j$ ) によって再重み付けされた共変量によるコサイン類似度を用いて測定されます。これにより、近傍がノイズ変数ではなく、因果的に関連する特徴量によって定義されることが保証されます。
合成的拡張 ( $S_q^{(t)}$ ):
高次元の局所近傍における観測値の不足（Meng, 2018が指摘した問題）に対処するため、本フレーム来は合成コントロールを生成します。これには、 $R_q^{(t)}$ から重複を許してサンプリングし、共変量にガウス摂動を加えるプロセスが含まれます。合成点の出力値は、局所線形モデルを介して補完されます。傾向スコアがオーバーラップ領域 $[0.05, 0.95]$ の外にある点は除外されます。
超関連性フィルタリング ( $R_q^{*(t)}$ ):
すべての観測値 $R_q^{(t)} \cup S_q^{(t)}$ に対して複合スコア $\phi_i(q)$ を計算し、構造的な同質性のためにフィルタリングを行います。このスコアは以下を組み合わせたものです：
- Shapleyベースの影響重み: Causal Forestのリーフ重みに由来。
- 傾向スコアの近接性: $1 - |\hat{e}(X_i) - \hat{e}(x_q)|$ 。
  決定的なのは、このスコアが $(X, T)$ にのみ依存し、 $Y$ には依存しないことで、交換可能性（exchangeability）を維持している点です。最終的な較正セットは、このスコアの上位50%の観測値を保持します。
AIPWスコアを用いた共形較正:
フレームワークは、適合度スコアとして増強逆傾向重み付け（AIPW）疑似アウトカムを利用します。非適合度スコアは $V_i = |\hat{\Gamma}_i - \hat{\tau}^{OOB}(X_i)|$ と定義されます（ここで $\hat{\Gamma}_i$ は二重に頑健なAIPW推定値）。この選択は**ネイマン直交性（Neyman orthogonality）**を保証し、これにより、妨害パラメータ（アウトカムモデルまたは傾向スコア）の推定における一次誤差が、因果効果の推定に伝播しないようになります。予測区間は、局所セット $R_q^{*(t)}$ 上のこれらのスコアの分位数を用いて構築されます。

主な理論的貢献

有限標本での妥当性: SUTVA、強い無視可能性（strong ignorability）、および**選択測定可能性（Selection Measurability）**条件（仮定3）の下で、著者らは、得られる区間が $P(\tau_q \in \hat{C}(\tau_q)) \geq 1 - \alpha)$ を満たすことを証明しました（定理1）。この妥当性は、較正セットの選択がアウトカムではなく共変量と治療にのみ依存しており、適合度スコアの交換可能性を確保しているという事実に依拠しています。
近似的な条件付き被覆: 形式的な保証は周辺的なものですが、著者らは、較正セットを因果的な共変量部分空間において $x_q$ の周囲に集中させることで、グローバルな周辺的アプローチよりも厳格な保証である「近似的な条件付き被覆」を実現していると主張しています。
モジュール性: 本フレームワークは、特定の推定器（例：Causal Forest）や類似度指標を、選択プロセスがアウトカムに依存しない限り、入れ替え可能なテンプレートとして提示されています。

実証結果
フレームワークは2つのデータセットで評価されました：

合成データ: $N=800, P=20$ の共変量を持つデータセットで、そのうち3つのみが因果的でした。ICP戦略（特に「Relevant + Synth」および「Super-Relevant + Synth」）は、グローバルなベースラインと比較してRMSEとMAEを減少させつつ、96%の実証的被覆率（名目目標の90%を上回る）を達成しました。また、局所戦略は被覆率を損なうことなく、より狭い区間を生成しました（例：グローバルベースラインの13.70に対し、12.63）。
IHDPベンチマーク: 乳児健康開発プログラム（IHDP）データセット（ $N=747$ ）において、すべての戦略が100%の実証的被覆率を達成しました。「Relevant + Synth」戦略は、すべての精度指標において優位であり（RMSE: 0.437に対し0.399、MAE: 0.333に対し0.298）、最も狭い平均区間幅を生成しました。
LaLondeデータセット: 実世界の観測データに適用したところ、所得への効果における不均一性を反映して、広い区間（3万1千ドルから3万5千ドルの範囲）が生成されました（ただし、グラウンドトゥルースとの比較は不可能でした）。

意義と主張
本論文は、因果推論における根本的なギャップ、すなわち、高い不均一性がある状況下で標準的なCATE推定器が個別の反事実に対して妥当な不確実性定量化を提供できないという問題を解決すると主張しています。本研究の意義は以下の点にあります：

パラダイムの転換: 条件付き平均の推定から、特定の個人の反事実的な実現に対する予測区間の提供へと移行すること。
局所的較正: 較正を因果的な関連のある近傍に制限することで、グローバルな手法と比較して、点推定の精度と区間の精度（precision）の両方を向上させることを実証したこと。
データ不足への対処: 合成的拡張が、共形予測に必要な交換可能性の仮定を損なうことなく、局所的な推定を安定させられることを示したこと。
構造的整合性: 単なる生の（raw）特徴量の近接性ではなく、同一の構造的メカニズムを共有するユニットをフィルタリングすることで、共形予測を構造的因果モデル（SCM）および不変因果予測（Invariant Causal Prediction）へと結びつけたこと。

著者らは、本手法が強い無視可能性（未観測の交絡因子がないこと）を前提としていること、および非常に高次元な設定では、特徴量重み付きの類似度が因果部分空間を完全に分離できない可能性があることを認め、限界について控えめな姿勢を保っています。彼らは、将来的な拡張として、操作変数や連続的な治療の設定を組み込むことを示唆しています。

関連論文