Is Using Shapley Value Good for Covariate Selection in Panel Models?

技術的要約：パネルモデルにおける固定効果シャプレー値共変量選択

問題提起
本論文は、パネルデータモデルにおける共変量選択という、根強い課題に取り組んでいる。特にマクロ経済学の文脈においては、研究者が直面する「妥当な決定要因のメニュー」が、観測数や信頼できる推定能力を超えてしまうことが多い。ステップワイズ回帰、Lasso型ペナルティ化、あるいは全$2^p$個のサブセットに対する情報基準による探索といった従来の手法には限界がある。具体的には、共変量の数（$p$）が20を超えると計算上の柔軟性が失われ、結論が選択された基準に敏感になり、さらに、固定効果を考慮しつつ、モデルの説明力を個々の回帰変数への寄与へと正確に分解する機能に欠けている。既存の手法は、多くの場合、選択と収縮（shrinkage）を混同しており、固定効果を考慮しながら特定の変数の「価値」を属性付ける透明なメカニズムを欠いている。

手法：固定効果シャプレー値（Fixed-Effects Shapley-Value: FESV）
著者らは、共変量選択を協力ゲーム理論の問題として定式化した「固定効果シャプレー値（FESV）」法を提案している。

1. ゲームの定式化:

   • プレイヤー: 各候補となる共変量は、移転可能効用ゲームにおけるプレイヤーとして扱われる。
   • 非プレイヤー: ユニット固定効果（$\alpha_i$）および時間固定効果（$\gamma_t$）は、常に存在する構造的要素として扱われる。これらは、提携（coalition）の評価前に内差分変換（within-transformation）によって除去され、選択の対象とはならない。
   • 特性関数 ($v$): 提携（共変量の部分集合 $S$）の価値は、その $S$ に含まれる変数のみを用いた内推定回帰の自由度調整済み $R^2$ として定義される。この関数は、固定効果を差し引き、自由度に対してペナルティを課したものである。
   • 代替関数: 頑健性を検証するため、未調整の $R^2$ や負のBICを特性関数として検討することも行っている。

2. シャプレー値の計算:

   • 各共変量のシャプレー値（$\phi_i$）は、考え得るすべての提携（$2^p$ 個のサブセット）における限界的な寄与の加重平均として計算される。
   • 特性: この手法は、シャプレー値の公理的性質、すなわち効率性（各値の合計が全説明分散に等しいこと）、対称性、加法性、および空プレイヤー（null-player）特性（無関係な変数はゼロまたは負の値を受けること）を活用している。
   • 計算: 正確なシャプレー・ベクトルは、$2^p$ 個の提携を列挙し、それぞれの内回帰を適合させ、組合せ論的な重みを適用することで算出される。

3. 選択ルール:

   • ルールA（正の符号）: シャプレー値が正である（$\phi_i > 0$）すべての共変量を選択する。これは診断用としては機能するが、サンプリングノイズにより有限標本では過剰選択する傾向がある。
   • ルールB（ペナルティ付き入れ子構造）: 共変量をシャプレー値の降順に並べ、ペナルティ付き目的関数 $J(k) = v(M_k) - \gamma k$ を最大化する上位-$k$個の提携を選択する。ここで $\gamma$ はユーザー定義のペナルティ（例：0.01）である。このルールは、変数を追加することで適合度を十分に改善できない場合にコストを課すことで、偽陽性を効果的に制御する。

主な貢献

• 正確な分解: ステップワイズ法やペナルティ法とは異なり、FESVは全モデルの自由度調整済み $R^2$ を、各変数への寄与へと正確かつ残差を用いない形で分解する。
• 選択と推定の分離: この手法は収縮を伴わずに選択を行う。最適なサブセットがゲームを通じて特定された後、標準的なOLSを内変換データに適用して最終的な推定を行うため、係数の解釈可能性が維持される。
• 固定効果の処理: 固定効果を非プレイヤーとして明示的に扱うことで、選択がユニットおよび時間効果の仕様に対して頑健であることを保証している。
• 理論的一貫性: 標準的な正則性仮定の下で、推定されたシャプレー値が母集団の値を収束すること、およびルールBが $N \times T \to \infty$ において真の活性集合（active set）を一貫して回収することを本論文は確立している。

実証およびシミュレーション結果

• モンテカルロ・シミュレーション:

  • 6つの共変量（活性な変数3つ、ノイズ変数3つ）を含む5つのサンプルサイズ（$N \times T$ が50から4000まで）にわたるシミュレーションにおいて、ルールBは、中程度のサンプルサイズ（$N \times T \geq 450$）で、真の活性集合をほぼ完璧な精度と再現率（F1スコア $\approx$ 1.0）で回収した。
  • ルールAは高い再現率を維持したが、サンプリングノイズによってノイズ変数が時として小さな正の値を割り当てられるため、持続的な偽陽性率（精度 $\approx$ 0.79）に悩まされた。
  • シミュレーションにより、ペナルティ付き特性関数（自由度調整済み $R^2$）が、期待値としてノイズ変数に対して負の値を割り当てることが確認され、効果的な選択が可能であることが示された。

• 実証への適用（成長回帰）:

  • 2000年から2023年までの45カ国（先進国20、発展途上国25）のパネルデータを用い、GDP成長率を説明するために適用した。
  • 知見: FESV法は、10変数のフル仕様と比較して、簡潔なモデル（3〜7変数）を選択した。
    • 先進国: 貿易開放度、FDI、人口成長率、インフレ率、教育、失業率、および政府の有効性を選択。
    • 発展途上国: FDI、為替レート、および人口成長率を選択。
    • プールされたモデル: FDI、人口成長率、貿易開放度、および債務を選択。
  • パフォーマンス: 選択されたモデルは、主要な決定要因を保持しつつ、フルモデルよりも低いBICスコアを達成した。自由度調整済み $R^2$ の減少はごくわずかであった。
  • 比較: FESVのランキングは、上位ランクの変数（例：FDIや人口成長率は一貫してトップの予測因子であった）に関して、ベイズ・パネル変数選択（BPVS）モデルと密接に一致していた。しかし、BPVSが事後包含確率が高いために全変数を保持したのに対し、FESVはより簡潔なモデルを生成した。

意義と主張
本論文は、FESVがパネルモデルにおける共変量選択のための、透明性が高く、計算効率が良く、理論的根拠に基づいたツールであることを主張している。その主な意義は以下の通りである。

1. 透明性: 変数選択という「ブラックボックス」を、各変数の寄与が正確に計算され、モデルの総適合度に正確に合算される、監査可能な属性付けへと変換する。
2. 収縮を伴わない簡潔性: 係数の収縮ではなく、自由度に対するゲーム理論的なペナルティを通じてモデルのスパース性を実現し、標準的な選択後推論を可能にする。
3. 頑健性: 主要な要因を特定する点においてベイズ的手法と整合的でありながら、単一で説得力のある簡潔な仕様を生み出す点において優れている。

認められた限界
著者らは、$2^p$ 個の提携を正確に列挙することは共変量の数に対して制限があることを述べている（ただし、近似的なサンプリングも存在する）。現在の枠組みは、連続的なアウトカムを持つ線形モデルに限定されており、本論文では選択後の推論（例：選択後の有効な信頼区間）に関する正式な理論は提供しておらず、今後の課題として既存の文献を挙げている。