Don't Drop the Singletons: Efficient Inference for Pairwise Experiments with Independent Attrition

科学実験の世界において、研究者はしばしば精度と実用性の間の難しい選択に直面します。新しい治療法が有効かどうかを判断するために、科学者はしばしば「ランダム化」と呼ばれる手法を用います。これは、参加者を偶然によって治療群または対照群のいずれかに割り当てるものです。この手法の一般的かつ強力なバリエーションの一つに、非常に似通った参加者同士をペアリングする方法があります。例えば、収入が近い隣人同士や、テストのスコアが似ている学生同士などをペアにし、そのペアの一方にランダムに治療を与え、もう一方を対照群とするのです。この「ペアワイズ（対比較）」のアプローチは、個々の対象者に対して組み込み済みのコントロール（対照）を持っているようなものであり、単に二つの大きな混合グループを比較するよりも、通常、結果をより鮮明で信頼性の高いものにします。しかし、現実世界の研究における根強い問題は「脱落（アトリション）」です。つまり、実験が終わる前に人々が途中で辞めてしまうことです。これが起こると、ペアの一方が失われ、残されたもう一人がパートナーなしの「孤立した一人（シングルトン）」になってしまいます。長年、標準的な助言は、これらの「孤立した一人」を捨て去り、両者が残ったペアのみを分析対象とすることでした。その論理は、パートナーがいなければデータが複雑になりすぎて使用できないというものでした。しかし、この慣習は、研究者が貴重な情報を捨てていることを意味しており、実質的に研究規模を縮小させ、真の効果を検出することを困難にさせていました。

二人の研究者、サイモン・ヘス（Simon Heß）とパトリック・W・シュミット（Patrick W. Schmidt）は、この長年のルールに異議を唱えています。彼らは、もし人々が脱落した理由が受けた治療とは無関係であるならば、不完全なペアからのデータを使用することへの懸念は的外れであると主張しています。彼らの新しい研究の中で、彼らは、たとえ孤独な一人であってもすべての観察値を保持しつつ、極めて正確な結果を得ることが可能であることを示しています。彼らは、元のペアリング構造を尊重しながら、完全なペアからの情報と不完全なペアからの情報を知的に組み合わせる、新しいデータ分析手法を開発しました。シングルトンを捨てる代わりに、彼らの手法はそれらをパズルの有用なピースとして扱い、提供される情報の量に基づいて適切に重み付けを行います。そうすることで、彼らは、研究者がペアリング設計の高い精度を維持しつつ、脱落による統計的なペナルティを受けることなく済むことを示しています。

彼らの発見の核心は、スマートなフィルターのように機能する特定の検定手順にあります。研究において参加者が脱落した場合、従来のアプローチではペア全体を分析から削除し、実質的にその人が存在しなかったかのように扱ってきました。著者らは、これが多大な証拠を捨てていることを示しています。彼らの新しい手法は、「ランダム化推論」と呼ばれる技術を使用しており、これは各ペア内でのコイン投げによって治療が割り当てられたという事実に依拠しています。彼らは、完全なペアにおける結果の差と、シングルトン間の結果の差を考慮した検定統計量を作成し、これら二つの情報源をブレンドします。このブレンドは数学的な精密さをもって行われます。直接的な比較を提供する完全なペアにはより大きな重みが与えられ、一方でグループ全体を通じた広範な比較を提供するシングルトンには、小さいながらも重要な重みが与えられます。この組み合わせにより、研究は残っているすべてのデータポイントを使用することができ、真の効果を検出する力を最大化します。

この手法が機能することを証明するために、研究者たちは広範なシミュレーションと理論計算を行いました。彼らは、自分たちの新しい手法を、現在科学者がこの問題に対処するために用いている二つの標準的な方法と比較しました。第一の標準的な手法は、不完全なペアを捨て去るという古いルールに従う「対応のあるt検定（paired t-test）」です。第二の手法は、ペアリングを完全に無視し、単にすべての治療を受けた人々の平均と、すべての対照群の人々の平均を比較する「独立した二標本t検定（two-sample t-test）」です。著者らは、彼らの新しいアプローチがどちらに対しても一貫して優れた性能を発揮することを見出しました。マッチングの質が高い場合（つまり、ペアが非常によく一致している場合）、古い対応のある手法は、脱落が発生するとすぐに検出力が大幅に低下しました。ペアリングを完全に無視する手法は、あまりにも保守的すぎて、実際に存在する効果を見逃すことがよくありました。しかし、彼らの新しい手法は両方を圧倒し、テストしたあらゆるレベルの脱落およびマッチングの質において、より強力な結果をもたらしました。

研究者たちはまた、この新しい手法が実務において使いにくすぎるのではないかという一般的な懸念にも対処しました。彼らは、複雑な重み付けと検定が、「重み付き回帰（weighted regression）」と呼ばれる標準的な統計ツールを用いて実行できることを示しました。これは、ほぼすべての一般的なソフトウェアパッケージで利用可能です。研究者は、単にソフトウェアに対して、すべてのデータを含めるよう指示し、シングルトンに特定の重みを割り当て、完全なペアに対して固定効果を含めるだけでよいのです。これにより、強力な新手法が、特別なカスタムコードを必要とせず、基本的な分析を実行できる誰にでも利用可能なものになります。著者らは、この解決策は、脱落が治療そのものによるものではなく（例えば、転居や興味の喪失など）、治療とは無関係に発生する場合に最も効果的であると強調しています。もし脱落が治療自体に関連している場合、問題はより困難になりますが、脱落がランダムである大多数のケースにおいて、この新手法は明確な道筋を提供します。

最後に、著者らは、脱落が予想される場合に推奨される別の戦略、すなわち、四人組のようなより大きなグループを使用する方法と、最適化されたペア設計を比較しました。四人組であれば、一人が抜けても三人が残るため、グループの構造をより多く維持できるという考えです。研究者たちはこのシナリオをシミュレートし、より大きなグループを用いたとしても、彼らの最適化されたペア手法が依然として十分に通用することを見出しました。多くのケースにおいて、ペアによる厳密なマッチングから得られる効率性が、彼らの「すべての利用可能なデータを使用する」手法と組み合わさることで、より大きなグループに勝るほどの力を発揮しました。このことは、研究者が脱落を恐れてペアリング設計を放棄する必要はないことを示唆しています。むしろ、より精密なペアリング戦略を維持したまま、新しい分析手法を適用することで、収集したデータを無駄にしないようにできるのです。

この研究がもたらす示唆は、研究を実施するすべての人にとって極めて明快です。それは、タイトで効率的な設計を維持することと、脱落によるデータ損失の間のトレードオフを取り除きます。シングルトンを捨てるのではなく、適切な重み付けをして分析の中に織り込むことで、研究者は研究の威力を維持し、結論の堅牢性を保つことができます。この論文は、潜在的な弱点（参加者の脱落）を管理可能なプロセスへと変える実用的なツールキットを提供しており、最終的な結果が、単なる「生き残り」の姿ではなく、実験の全容を反映したものとなることを保証しています。