技術的要約：因果知識を用いた一般化された因果確率

問題提起

必要性の確率（PN）、充足性の確率（PS）、および必要かつ充足性の確率（PNS）といった因果確率（PoC）は、一般に観測不可能な個別の因果応答を特徴づけるものであり、部分的な識別を必要とする。Tian and Pearl (2000) は、実験データおよび観測データを用いて、バイナリ（二値）の処置と結果に対する理論的に鋭い境界（bounds）を確立した。その後、Muellerら (2021) や Li and Pearl (2019, 2022b) は、共変量や媒介変数を取り入れることで、バイナリ設定におけるこれらの境界をタイトにできることを示したが、多値（multivalued）設定においては依然として大きなギャップが残っていた。

Zhangら (2022)、Li and Pearl (2022a, 2024)、および Shu, Wang, and Li (2026) による最近の拡張により、多値PoCの境界が導出された。しかし、因果グラフ（具体的には共変量と媒介変数に関する情報）にエンコードされた追加の因果知識が、これらの多値境界をさらにタイトにできるかどうかは、未解決の問いとして残されていた。多値のPoCは複数の潜在的な結果の同時確率を伴うため、バイナリの場合よりも大幅に複雑な反事実構造を導入することになり、バイナリの結果をそのまま拡張することは非自明である。

方法論

本論文は、共変量および媒介変数にエンコードされた因果情報を組み込むことにより、多値PoCのよりタイトな境界を導出することで、この未解決の問いに取り組む。著者らは構造的因果モデル（SCM）の枠組みの中で操作を行う。

手法には以下が含まれる：

1. 多値PoCの定義： 本論文では、Shu, Wang, and Li (2026) によって導入された、あらゆる離散的PoCを表現するのに十分な4つの代表的な形式の多値PoCに焦点を当てる：
   • $PNS(k)$:$k$ 個の処置レベルに対する必要かつ充足性の確率。
   • $PSub(k, p)$: 代替の確率。
   • $PRep(k, q)$: 置換の確率。
   • $PN(k, p, q)$: 必要性の確率。
2. 因果グラフの統合： 著者らは、特定の因果グラフ構造に基づく実現可能な共同反事実分布に対する構造的制約を課すことで、新しい境界を導出する。以下のケースを検討する：
   • 非降下共変量（Non-descendant Covariates）： 処置 $X$ の降下変数ではない変数 $Z$。$Z$ がバックドア基準を満たす場合、境界はバックドア調整公式を介して観測データのみを用いて計算できる。
   • 部分媒介変数（Partial Mediators）： $X$ の降下変数であり、かつ $X$ が結果 $Y$ に対する直接効果も持つ変数 $Z$。
   • 純粋媒介変数（Pure Mediators）： $X$ が $Z$ を通じてのみ $Y$ に影響を与える変数 $Z$（直接効果なし）。
3. 数学的導出： 各因果構造について、利用可能な実験分布および観測分布とグラフベースの制約を統合することにより、改善された上限および下限を導出する。証明は、フレシェ不等式（Fréchet inequalities）および因果グラフから導かれる条件付き独立性（例：クロスワールド条件付き独立性）の性質に基づいている。

主な貢献

本論文は、主に3つの貢献を行う：

• 多値設定への拡張： 著者らは、因果知識を取り入れたPoCの既存の境界を、バイナリから多値設定へと拡張する。バイナリの場合とは異なり、多値設定では複数の処置レベルにわたる共同反事実確率を特徴づける必要があり、新たな技術的課題が生じる。
• 包括的なフレームワーク： 結果は、Shu, Wang, and Li (2026) によって導入された4つの代表的な形式の多値PoC（$PNS, PSub, PRep, PN$）をカバーしている。これらの形式はあらゆる離散的PoCを表現できるため、提案されたフレームワークは広範なクラスの多値PoCに即座に適用可能である。
• 多様な因果構造： 本論文は、非降下共変量（コンファウンダーやバックドア調整集合を含む）、部分媒介変数、および純粋媒介変数を含む、複数の因果構造に対する具体的な境界を導出している。

結果

論文では、トイ・エグザンプル（toy examples）とシミュレーション研究を通じて提案された定理を検証している：

• トイ・エグザンプル：
  • 家族歴を共変量とする糖尿病予防のシナリオにおいて、因果構造を取り入れることで、$PNS(3)$ の上限が（周辺データのみを用いた場合の）0.551から0.033へとタイトになった。
  • 血中グルコースを純粋媒介変数とするシナリオにおいて、上限が0.507から0.151へとタイトになった。
  • これらの例は、因果構造を無視することが、意思決定（例：薬の有効性の過大評価）を誤らせる可能性のある、幅広く情報の少ない境界を導く可能性があることを示している。
• シミュレーション研究：
  • 著者らは、様々な次元（$n, k \in \{3, 4, 5\}$）の因果図と互換性のある100,000個のサンプル分布を生成した。
  • 非降下共変量： この構造は最も大幅なタイト化を提供した。$n=k=5$ の場合、99.85%のサンプル分布がよりタイトな境界の恩恵を受け、境界の平均幅はベースライン（Shu et al., 2026）と比較して大幅に減少した。
  • 純粋媒介変数： この構造も顕著な改善をもたらした（例：$n=k=3$ の場合、83.66%のケースで改善）。
  • 部分媒介変数： 改善は限定的であり、次元が増加するにつれて減少した。$n=k=4$ では、2,000万回の試行において境界がタイトになったケースは存在せず、部分媒介変数の高次元における実用的な有用性は他の構造と比較して限定的であることを示唆している。

意義と主張

本論文は、因果グラフの情報を取り入れることは、実験および観測分布のみに基づくアプローチよりも、個別の因果応答に対する境界を一貫してタイトにすることを主張している。因果構造の使用をバイナリから多値設定へと拡張することで、本研究は、補助的な変数（共変量および媒介変数）がいつ、どのようにして構造的に不適合な応答パターンを除外できるかを示している。

著者らは、Tian and Pearlによって導出された境界は、分布情報のみに基づけばシャープ（sharp）であるが、因果構造を含めることで、これらの境界をさらに狭めるメカニertニズムを提供できると強調している。その意義は、複雑な多値シナリオにおける因果効果のより精密な識別のための理論的基礎を提供することにあり、それによって製薬評価などの分野における意思決定に対して、より情報量の多い境界を提供することにある。論文は謙虚な姿勢を保っており、部分媒介変数の境界は、理論的には妥当であるものの、高次元の設定においては限定的な実用的改善しか提供できない可能性があると述べている。