A Comparative Study of Methods for Handling Missing Data in Longitudinal Data with Implications for Causal Inference

あなたは、毎日グラス一杯のワインを飲むことが、実際に人々を幸せにするのか、それとも悲しくさせるのかを解明しようとしていると想像してください。その答えを見つけるために、数年間にわたってあるグループの経過を追跡することにしました。これは、研究者が「縦断的研究（longitudinal study）」と呼ぶものです。

しかし、人生は複雑です。アンケートへの回答を忘れたり、遠くに引っ越してしまったり、あるいは単に気分に関する質問への回答をやめてしまったりする人がいます。これが欠損データ（missing data）です。同時に、収入の多さや年齢といった、結果に影響を与える他の要素も存在します。これらは交絡因子（confounders）（結果を濁らせる「隠れた変数」）です。

この論文は、巨大でハイテクな料理コンテストのようなものです。研究者たちは単に一つの料理を作ったのではありません。材料が足りなくなったり、キッチンが混乱したりする様々なシナリオをシミュレートして、どの「レシピ」（統計的手法）が最もうまく機能するかを検証したのです。

以下に、彼らの研究結果を分かりやすく解説します。

問題点：二つの混乱が同時に起こる

現実世界の研究では、通常、二つの問題が同時に発生します。

1. 欠損データ： 一部の人が脱落したり、質問を飛ばしたりしました。
2. 交絡： アルコールが気分の変化を引き起こしたのか、それとも他の何か（ストレスや収入など）が両方に影響を与えたのかを判断するのが困難です。

これまでの研究の多くは、これらの問題を一つずつ解決しようとしてきました。しかし、この研究はこう問いかけました。「もしデータセットがめちゃくちゃな状態だったら、欠けている部分を補い、かつノイズから真の原因を切り分けるための、最高のツールの組み合わせは何だろうか？」

実験：シミュレーション・キッチン

研究者たちは、コンピュータを使って仮想の世界を構築しました。架空の人々、架空の生活、架空の飲酒習慣、そして架空の気分を作り出しました。そして、意図的にデータを「壊し」ました。

• 一部の人々を消滅させた（欠損データ）。
• 消滅の理由を様々に設定した（ランダムな場合もあれば、不幸を感じていることが理由の場合もあった）。
• 追跡調査の年数を変えた。
• 「隠れた変数」（交絡因子）の数を変えた。

その後、彼らは欠損データを修正する方法（「穴埋め」チーム）7種類と、交絡を制御する方法（「ノイズ除去」チーム）6種類をテストしました。どの組み合わせが最も正確な答えを出すかを確認するため、各組み合わせについてシミュレーションを1,000回実行しました。

材料：テストされた手法

欠損データを修正する（「穴埋め」チーム）：

• 完全ケース分析（Complete Case Analysis）： 欠損がある人を単純に除外する。（卵が一つ足りないというだけで、ケーキ全体を捨てるようなもの）。
• 平均値補完（Mean Imputation）： 欠けている部分を平均値で埋める。（テストの点数が欠けている場合、クラスの平均点だと予想するようなもの）。
• 多重代入法（Multiple Imputation, MI）： 欠損値に対していくつかの異なる「もしも」のバージョンを作成し、その結果を平均する。（10人の異なるシェフに足りない材料を予想させ、その平均的な予想を採用するようなもの）。
• ランダムフォレスト（Random Forest）＆ KNN： 似たような人々を参考に、欠損値を推測するスマートなコンピュータ・アルゴリズム。

交絡を制御する（「ノイズ除去」チーム）：

• 多変量調整（Multivariate Adjustment, MA）： すべて既知の変数を単純に数式に加える。
• 傾向スコア法（Propensity Score Methods, PSM, IPW）： 飲酒者と非飲酒者を、書類上の見た目が全く同じになるようマッチングさせたり、珍しいタイプの人物に高い重み付けを行ったりする。
• 二重に頑健な推定（Doubly Robust Estimation, DRE）： 「ダブルチェック」システム。二つの異なる数学モデルを使用し、一方が間違っていても、もう一方が救済する。
• 操作変数法（Instrumental Variable, IV）： 飲酒には影響を与えるが、気分には直接影響を与えない第三の要因（遺伝的特性やランダムな出来事など）を利用し、自然な実験として扱う。

結果：コンテストの勝者は？

1. 「欠損メカニズム」の神話
研究者たちは、なぜデータが欠損したのか（ランダムなのか、あるいは不幸を感じているからなのか）は、最終的な答えにはあまり影響を与えないことを発見しました。最も重要なのは、どれだけの量のデータが欠損しているかでした。どの手法を使おうとも、欠損データが多いほど、結果は悪化します。

2. 最強の「穴埋め」チーム
因果推論（真の原因を見つけること）において、勝者は以下の通りでした。

• 多重代入法（MI）： ゴールドスタンダード（標準的な最高の手法）。不確実性をうまく扱えます。
• 平均値補完： この特定の目的においては、驚くほど優秀でした。非常にシンプルですが、効果的です。
• ランダムフォレスト： パターンを学習するスマートなアルゴリズム。

避けるべきもの： 欠損がある人を単純に除外する（完全ケース分析）は、最悪のパフォーマンスでした。これは最も多くのエラーを生み出しました。

3. 最強の「ノイズ除去」チーム
これは状況によって異なります。

• シナリオA（複雑で現実的な影響）： アルコールの影響が人によって異なる（異質である）場合で、かつ隠れた秘密がない場合は、**二重に頑健な推定（DRE）**が明確な勝者でした。最も正確で安定していました。
• シナリオB（単純な影響、または隠れた秘密）： 効果が全員に共通している場合、あるいは研究者が知らない「未知の交絡因子（隠れた変数）」がある場合は、**操作変数法（IV）**が最適でした。これは、隠れた変数のカーテンの裏側を覗き見ることができる唯一の手法です。

4. 黄金の組み合わせ
この研究は、ほとんどの現実世界のシナリオ（影響が人によって異なり、主要な交絡因子は把握できていると仮定する場合）における最良の戦略を見つけ出しました。

多重代入法（またはランダムフォレスト）＋ 二重に頑健な推定（DRE）

この組み合わせは、マスターシェフ（MI）とダブルチェック・システム（DRE）を併用しているようなものです。最も正確で、エラーが少ない結果をもたらしました。

現実世界での味見

彼らのシミュレーションが単なるコンピュータ上の空想ではないことを証明するために、彼らは実際のデータである**中国健康・引退長期調査（CHARLS）**にこれらの手法を適用しました。彼らは、高齢の中国人におけるアルコールと抑うつとの関連性を調査しました。

その結果はどうだったでしょうか？現実世界のデータは、彼らのシミュレーションと全く同じ挙動を示しました。

• すべての手法が、アルコールと抑うつの関連性を見出しました。
• 「二重に頑根な（Doubly Robust）」手法と「多重代入法（Multiple Imputation）」を組み合わせたものが、最も安定し信頼できる数値を出しました。
• 「欠損データを捨てる（Complete Case）」手法と「逆確率重み付け（Inverse Probability Weighting）」を組み合わせたものは、最も不安定で膨張した結果を与えました。

結論

もしあなたが、長期的な研究における原因と結果を解明しようとしている研究者なら：

1. 欠損データを単に削除しないでください。 多重代入法やランダムフォレストのような、スマートな穴埋め手法を使用してください。
2. 「ダブルチェック」システムを使用してください。 もし影響が人によって異なると考えているなら、二重に頑健な推定（DRE）を使用してください。
3. 「隠れた要因」に注意してください。 もし測定できない隠れた要因があると疑っているなら、操作変数法（IV）が必要になるかもしれませんが、追跡年数が長すぎると精度が落ちることに注意してください。

この論文は、適切な「穴埋め」ツールと適切な「ノイズ除去」ツールを組み合わせることで、研究者は、混沌とした現実世界のデータから、より明確で信頼できる答えを得ることができると結論付けています。