Partial Identification under Causal Orders by Linear Programming

原因と結果の世界において、私たちはしばしば、単なる観察を超えた「もし〜だったら」という問いに直面します。私たちは単に何が起きたかを知りたいのではなく、もし異なる選択がなされていたら、何が起きていただろうかを知りたいのです。特定の治療が患者の命を救ったのか、それとも、たとえ治療をしなくても回復していたのか？ ある政策変更が経済を改善させたのか、それともその改善は避けられないものだったのか？ これらの問いに確信を持って答えるためには、通常、科学者は作用するすべての力の完全な地図、すなわち、あらゆる要因がいかに他の要因に影響を与えるかを詳細に示す図解を必要とします。この地図は「因果グラフ」と呼ばれます。この地図がなければ、答えは可能性の霧の中に隠れたままとなります。数十年にわたり、研究者たちは、この地図が欠落しているか不完全な場合に、これらの「もし〜だったら」というシナリオを理解しようと苦闘してきました。多くの場合、彼らは大まかな推測に頼るか、あるいはその問いには答えられないと認めざるを得ませんでした。

二人の研究者、エリック・ロセットとアレッサンドロ・アントヌッチは、この霧の中を進むための新しい方法を開発しました。彼らは、完全な地図がなくても、「もし〜だったら」という問いの本質自体が、独自の内部論理を持っていることに気づきました。もしある事象の変化が別の事象にどのように影響するかを問うならば、その問い自体がひとつの順序を暗示しています。つまり、変化は結果よりも先に起こらなければならないということです。この固有の順序に焦力することで、研究者たちは、因果マップを仮定することなく、これらの反事実的な問いに対して、可能な限り最もタイトな回答の範囲を算出する方法を作り上げました。彼らの研究は、この複雑でしばしば不可能とされる推測ゲームを、手元にあるデータと問い自体の論理のみに基づいて、何が可能であるかを示す精密な境界を算出する構造化された計算へと変貌させました。

彼らの発見の核心は、原因と結果に関するあらゆる探求が、時間と順序に関する隠れた指示を内包しているという認識にあります。ある治療が結果をもたらしたかどうかを問うとき、私たちは暗黙のうちに、その治療が先に起こったと言っているのです。研究者たちは、この単純な順序付けだけで、その順序に矛盾しない世界のあらゆる構成方法をテストできる数学的枠組みを構築できることを示しました。因果関係の網の目の正確な形を推測しようとする代わりに、彼らは、データと問いの論理によって許容される可能性の全景を探索するシステムを構築しました。彼らは、このシステムが、あらゆる問いに対して最良および最悪のシナリオを見つけ出し、真の答えが含まれることが保証された範囲を提供できることを証明しました。

これを達成するために、チームは「線形計画法」として知られる強力な数学的ツールを用いました。これは、多くの制約を持つシステムにおいて最適な結果を見つける手法です。彼らは、因果効果を推測するという問題を、コンピュータが解ける一連のルールへと翻訳しました。世界がどのように機能しているかについての、あらゆる可能な物語が広がる広大な空間を想像してください。収集されたデータに適合する物語もあれば、適合しない物語もあります。研究者たちの手法はこの空間をフィルタリングし、問いが暗示する順序と観測されたデータを尊重する物語だけを残します。このフィルタリングされた空間の中で、彼らは問題となっている事象の起こり得る確率の最小値と最大値を計算しました。彼らは、これらの計算された限界が単なる大まかな推定値ではなく、最も鋭い境界であることを示しました。彼らは、すべてのデータと問いの論理に適合し、かつこれらの上限および下限の数値と正確に一致する結果を生み出す、現実的で具体的な世界のモデルが存在することを証明しました。これは、彼らが提示する範囲が彼らの手法による人工的なものではなく、現在の知識から得られる可能性の真の反映であることを意味しています。

このアプローチの威力は、かつて専門家を困惑させた問題を見ることで明らかになります。研究者たちは、医療行為や社会政策を含むシナリオを含む、科学文献におけるいくつかの古典的な問題に対して彼らの手法をテストしました。研究者が、性別が合格率に影響を与えたかどうかについて長年議論してきた大学入試に関する有名な事例では、彼らの新しい手法は、広く、しかし誠実な可能性の範囲を提示しました。性別と学科の選択がどのように相互作用するかについて、特定の硬直した構造を仮定した以前の分析では、差別はないとする単一の精密な数値が示されていました。しかし、検証されていない構造的仮定を拒絶した研究者たちの手法は、真の答えがはるかに広い区間内のどこかにあり得ることを示しました。この広い範囲は、答えが役に立たないほど不明であることを意味するのではなく、むしろ、以前の研究による精密な数値が、真実ではないかもしれない仮定に大きく依存していたことを明らかにしました。これらの仮定を取り除くことで、研究者たちは「差別はない」という結論が、以前考えられていたよりもはるかに不確実であることを示したのです。

この研究は、「入れ子（ネスト）」になったシナリオ、つまり一つの「もし〜だったら」が別のなかに埋め込まれているような、より複雑な問いにも及びます。例えば、ある患者が特定のグループに割り当てられていた場合にのみ、ある薬を服用したとしたらどうなるか、といった問いです。こうした階層的な問いは、完全な因果マップなしでは答えるのが極めて困難です。研究者たちは、彼らの手法が単純な問いと同様に、これらの入れ子状の階層を効果的に扱えることを示しました。彼らは、これらの複雑なクエリを論理的な構成要素へと分解することで、同じ数学的メカニズムが最もタイトな境界を見つけ出せることを実証しました。彼らのテストでは、単純な個別の答えを組み合わせて複雑な答えを構築しようとすると、往々にしてはるかに広い、使い物にならない範囲になってしまうことが分かりました。しかし、複雑な問いに対して直接的に取り組んだ彼らのアプローチは、著しくよりタイトで、より情報量の多い結果をもたらしました。

研究者たちは、彼らの手法に伴うトレードオフについても慎重に言及しました。彼らは特定の因果マップを仮定しないため、算出される範囲は、変数がどのように結びついているかについて強い仮定を置く研究から導かれるものよりも、自然と広くなります。特定の図式を仮定する研究は、非常に狭く精密な答えを出すかもしれませんが、その精密さは、仮定した図式が間違っていた場合に誤ってしまうという代償を伴います。新しい手法は、その狭さを信頼性と引き換えにしています。つまり、真の答えが範囲から外れることが決してないようにしているのです。彼らは、この信頼性が弱点ではなく、特に真の因果構造が未知であったり議論の対象であったりする医学や社会科学の分野において、強みであることを証明しました。

結局のところ、この研究は、不確実性に対する新しい考え方を提示しています。それは、因果関係を理解するための有意義な進展を遂げるために、世界のすべてを知る必要はないということを示唆しています。問いに内在する論理的構造を活用することで、支持されない仮定に踏み込むことなく、データから最大限の情報を抽出することができるのです。研究者たちは、たとえ正確な場所を特定できなくても、「答えはXとYの間のどこかにある」と数学的な確信を持って言えるツールを提供しました。完全な知識が手に入ることは稀であるこの世界において、領域の完全な地図を持たずとも、可能性の境界を定義できるこの能力は、過去と未来を推論する我々の能力における重要な前進を意味しています。