技術的要約：プロキシに基づくフル・ロー（全データ分布）の識別下における関数推定

問題の設定と動機

本論文は、関心のある変数（$\vec{H}$）が観測されない一方で、それに関連する観測された測定値（「プロキシ（代理変数）」、$\vec{O}$ と表記）が利用可能な潜在変数モデルにおける、ターゲットとなる汎関数（functional）の推定という課題に取り組んでいる。既存の文献では、フル・データ・ロー（観測変数と潜在変数の結合分布 $p(\vec{H}, \vec{O})$）が観測データ・ロー（$p(\vec{O})$）から識別可能であるための条件は確立されているが、このローから導出されるターゲットとなる汎関数の推定については、依然として発展途上の段階にある。

現在のノンパラメトリックなアプローチは、フル・データ・ローを回収するために柔軟なモデル仮定に依存することが多いが、妨害関数（nuisance functions）がパラメトリックな速度よりも遅い速度で推定される場合でも、望ましい統計的性質（$\sqrt{n}$ 一致性や多重頑健性など）をもたらす堅牢な推定戦略を欠いていることが多い。さらに、既存の手法の多くは、特定の因果ターゲット（例：近接因果推論によるもの）に焦点を当てており、フルな結合分布自体の回収には至っていないため、より広範なクラスの汎関数への適用可能性が制限されている。

手法

1. フル・データ・ローの識別

著者らは、フル・データ・ロー $p(\vec{H}, \vec{O})$ が、$\vec{H}$ のサポート値の任意の置換を除いて識別可能となる一連の仮定を確立している。このフレームワークは、複数の潜在変数を許容し、有限および連続の両方のサポートに対応している。

主な仮定は以下の通りである：

• プロキシ構造： 各潜在変数 $H \in \vec{H}$ に対して、3つの観測プロキシ $\{W_{1H}, W_{2H}, W_{3H}\} \subseteq \vec{O}$ が存在する。
• 条件付き独立性： これらのプロキシは、$H$ および残りの観測変数 $\vec{O}_{-W}$（プロキシ集合に含まれないもの）を条件として、互いに独立である。
• 完全性とランク条件： 仮定5および6は、潜在変数に対するプロキシの条件付き分布に対して完全性条件を課しており、潜在状態を区別するための十分な変動性を保証している。具体的には、$W_{1H}$ と $W_{2H}$ は完全性条件を満たさなければならず、$W_{3H}$ は識別性（distinctness）条件を必要とする。
• ラベル固定： ラベル付け（単なる置換ではなく、特定のラベル付け）まで識別するためには、追加の関数的仮定（仮定7）または条件付き独立性の仮定（仮定8）が必要となる。

本論文では、非巡回的有向混合グラフ（ADMG）を利用して、これらの仮定と互換性のあるグラフィカルモデルを特徴付け、単一の潜在変数設定から複数の潜在変数（例：ツリー構造のグラフ）へと結果を拡張している。

2. プロキシベースの重み付けによる推定

本研究の核心的な手法上の貢献は、フル・データの式における未観測変数を、プロキシベースの重み付けスキームを用いて観測変数に置き換えることにより、観測データ用の推定方程式および影響関数を構築する戦略である。

• フル・データから観測データへ： 著者らは、期待値がゼロとなるフル・データの推定方程式または影響関数 $\phi(\vec{H}, \vec{O}; \eta)$ から出発する。そして、その期待値がフル・データの関数の期待値と一致するような観測データ関数 $\phi(\vec{O}; \eta)$ を構築する。
• 重みの構築： これは、特定の直交条件を満たす重み関数 $\omega_{\vec{h}_i}$（影響関数の場合は $\lambda_{\vec{h}_i}$）を定義することによって達成される。ある潜在状態 $\vec{h}_i$ に対して、重み $\omega_{\vec{h}_i}$ は $E[\omega_{\vec{h}_i} | \vec{H} = \vec{h}_j] = \mathbb{I}(i=j)$ を満たすように構築される。これらの重みは、潜在変数に対する基底関数のプロキシの条件付き期待値を用いて導出される。
• 実装： 得られる推定量 $\hat{\psi}$ は、経験的推定方程式 $P_n[\phi(O; \hat{\psi}, \hat{\eta})] = 0$ を解くことによって得られる一貫なM推定量である。

3. 影響関数と頑健性

本論文は、この構成を拡張して、観測データの影響関数を導出している。これらの関数により、以下の性質を持つ推定量の構築が可能となる：

• 多重頑健性： いくつかの妨害関数のセットのうち、少なくとも1つが正しく指定されている場合に、一貫性が保持される。
• $\sqrt{n}$ 一致性： 妨は関数（例：プロキシの条件付き期待値）がパラメトリックな速度よりも遅い速度で推定される場合でも、特定の積速度条件（例：一対の妨害関数の推定誤差の積が $o_p(n^{-1/2})$ であること）が満たされれば、推定量はパラメトリックな収束速度を達成する。

2つのクラスのターゲット汎関数が扱われている：

• クラス1： $p(\vec{H}, \vec{O}_{-W})$ の汎関数であり、その影響関数はプロキシの全セットに依存する。
• クラス2： $p(\vec{H}, \vec{O} \setminus \{W_{1H}, W_{2H}\})$ の汎関数であり、異なるプロキシのペアから導出された重みの積を含む、より複雑な重み付けスキームを必要とする。

主な貢献と結果

1. 一般的な識別フレームワーク： 本論文は、フル・データ・ローの識別結果を、単一の潜在変数や有限サポートの制約を超えて、複数の潜在変数や連続サポートを含むより複雑な設定へと一般化している。
2. 体系的な推定手順： フル・データの影響関数を、プロキシベースの重みを用いて観測データの影響関数へと変換するための体系的な手順を提供している。これは、ノンパラメトリックな識別理論と現代的なセミパラメトリック推定手法との間の溝を埋めるものである。
3. 頑健な推定量： 導出された推定量は、多重頑健性を備えている。例えば、バイナリの潜在的処置の場合、3つの特定の条件付き期待関数（例：$E[W|H], E[Z|H]$）のいずれか1つのペアが正しく指定されていれば、一貫性が維持される。
4. 遅い妨害関数の収束下での効率性： 本論文は、妨害関数がパラメトリックな速度よりも遅く収束する場合でも、推定量が $\sqrt{n}$ 一致性を維持するための条件を確立している。これは、妨害関数の推定誤差に関する特定の積速度条件を通じて達成される。
5. グラフィカルな特徴付け： 著者らは、統計モデルが要求される独立仮定を満たすかどうかを判断するための十分なグラフィカルな基準（ADMG経由）を提供しており、モデル指定に対する実用的なガイダンスを与えている。

重要性と主張

著者らは、彼らの研究が、フル・ローの識別範囲を、複数の潜在変数や連続サポートを含むより複雑な設定へと拡張するものであると主張している。プロキシに基づいた影響関数を用いることで、フル・データ・ローが観測データに対して単純な閉じた形式の表現を持たない場合でも、広範なクラスのターゲット汎関数（潜在平均や平均反事実的アウトカムを含む）の推定を可能にしている。

本論文は、識別理論と実用的な推定との間の架け橋として位置づけられており、適切なプロキシが存在する場合、変数がランダムに欠落している（MNAR）場合や選択バイアスが存在する場合の「原理に基づいた推定」のためのツールキットを提供している。著者らは、$\sqrt{n}$ 一致性のための理論的条件は提供しているものの、これらの積速度条件を満たすための具体的な手順（例：篩（sieve）ベースの手法や機械学習手法）の開発は、今後の重要な研究方向であることを述べている。このアプローチは、バイナリの潜在的処置に関する最近の研究（Zhou and Tchetgen Tchetgen [2024]）や有限サポートモデル（Egami and Shin [2026]）から明確に着想を得ており、それらと重なりつつも、より広い文脈へと一般化している。