Causal Inference under Interference with Learned Exposure Mappings

技術要約：学習された曝露マッピングを伴う干渉下の因果推論

問題提起
干渉下における因果推論において、「曝露マッピング（exposure mapping）」は、ある単位に割り当てられた処置が他の単位の実効的な曝露にどのように影響するかを定義する極めて重要な要素である。従来の枠組みでは、このマッピングは固定された地理的距離やネットワーク構造を通じて、あらかじめ既知のものとして想定されている。しかし、環境問題（例えば、汚染制御による健康への影響の分析など）においては、曝露マッピングは直接観察されるものではない。代わりに、それは汚染データから学習されるべき潜在的な大気輸送プロセスによって誘発されるものである。

これにより、根本的な課題が生じる。すなわち、様々な輸送モデル（メカニズム的PDE、物理情報に基づくニューラルオペレータ、フーリエニューラルオペレータ、および基盤モデル）は、観測された汚染濃度の予測において同等の精度を達成できる可能性がある一方で、それらが示唆する潜在的な輸送オペレータは異なる場合があるということである。結果として、これらのモデルは異なる曝露マッピングを生成し、スピルオーバー効果に関する因果的な結論に相違をもたらす可能性がある。本論文は、曝露マッピングが観察されたものではなく学習されたものである場合、輸送モデル間の予測的一致は信頼できる因果推論のために十分であるかどうかを調査するものである。

手法
本研究では、介入ベクトル $A$（排出削減量）を曝露マッピング $E(T) = TA$ へと写像する輸送オペレータ $T$ を用いたフレームワークを採用している。関心の対象となる因果量は、直接的な介入とスピルオバー曝露の関数としてモデル化された、健康アウトカム $H$ へのスピルオーバー効果である。

著者は、以下の4つの異なる輸送モデリング・アプローチを比較している：

1. メカニズム的PDE: 移流拡散偏微分方程式モデル。
2. PINO: 物理情報に基づくニューラルオペレータ。
3. FNO: フーリエニューラルオペレータ。
4. GeoPT: 地球物理学的輸送のための最新の基盤モデル。

評価は2つの段階で行われる：

• シミュレーション研究: 潜在的な「真の」輸送オペレータ $T^*$ が汚染ダイナミクスを生成する。競合するモデルは、その結果として得られる観測汚染場に適合される。本研究では、各モデルが汚染（$PM$）を予測する能力、真の曝露マッピングを復元する能力、および真のスピルオーバー効果を推定する能力を評価する。
• 実証分析: これらのモデルをカリフォルニア州の $PM_{2.5}$ データに適用する。この分析では、異なる輸送の仮定が、仮定された汚染制御介入下での推論されたスピルオーバー・パターンにどのように影響するかを検討する。ただし、単一の「真の」大気プロセスを特定することを目的とはしない。

主な結果

• 予測的一致と因果的相違: シミュレーションにおいて、4つのモデルすべてがほぼ同一の汚染予測精度（$R^2$ は0.970から0.975の範囲）を達成した。しかし、それらが推定したスピルオーバー効果は1.78から2.27まで大きく変動した。曝露マッピングを最も正確に復元したモデル（FNO）が、真の値に最も近いスピルオーバー推定値を示した。
• 曝露マッピングの正確性と予測因子: 曝露マッピングの復元精度は、汚染予測精度のわずかな向上よりも、推論パフォーマンスの強力な予測因子であることが判明した。曝露マッピングの誤差が大きいモデル（例：PINO、GeoPT）は、スピルオーバー推定値においてより大きな偏差を生じさせた。
• 介入への感受性: 曝露マッピングの不確実性の影響は、介入の種類によって大きく依存した：
  • 広域的介入: モデル間で緩やかな相違が見られた（スピルオーバー範囲：1.79–2.42）。
  • 風上側介入: 最も相違が小さかった（範囲：1.93–2.13）。
  • 局所的な点源介入: 実質的な相違が見られ、推定されたスピルオーバー効果は0.51（PDE）から1.56（GeoPT）までの範囲に及び、3倍の差が生じた。
• 実証的知見（カリフォルニア）: カリフォルニアの $PM_{2.5}$ データに対する分析は、シミュレーションの結果を反映していた。競合するモデルは、観測された濃度については同様の予測を行ったが、それらは異なるスピルオーバー・パターンを暗示し、介入の影響を最も受ける場所として異なる地点を特定した。注目すべきは、スピルオーバーの推定値には変動があったものの、総体的な介入効果の推定値は安定していた（0.303から0.305の範囲）ことであり、これは輸送の不確実性が、集計的な政策インパクトの予測よりもメカニズム的な理解に影響を与えることを示唆している。

意義と主張
本論文は、曝露マッピングが学習されたものである場合、予測的一致だけでは信頼できる因果推論には不十分であると論じている。核心的な貢献は、観測データを同等に適合させるモデルであっても、異なる曝露マッピングを誘発し、特に局所的な介入に対しては、スピルオーバー効果に関する大幅に異なる結論を導き出す可能性があることを示した点にある。

著者は以下のことを主張している：

1. 曝露マッピングは、固定された設計オブジェクトではなく、推定されるべき量として扱うべきであり、輸送学習プロセスからの不確実性をダウンストリームの因果分析へと伝播させる必要がある。
2. 輸送モデルの評価基準は、予測精度を超えて、誘発される曝露マッピングの安定性と信頼性にまで拡張されなければならない。
3. 学習された輸送プロセスの不確実性は、ターゲットを絞った介入において最も重要となる。そこでは、広域的な地域介入と比較して、局所的な輸送挙動がダウンストリームの曝露に強い影響を与えるためである。

本研究は、学習された輸送プロセスにおける不確実性を考慮しない場合、たとえ基礎となるモデルが予測性能において区別がつかないように見えたとしても、スピルオーバー効果に関する因果推論は信頼できない可能性があると結論付けている。