条件付き生成モデリングによる分布的因果媒介分析

arXiv stat.ML / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、治療がアウトカムの「分布全体」に与える影響を、平均などの要約効果だけでなく推定するための生成学習アプローチとして、Distributional Causal Mediation Analysis（DCMA）を提案しています。
DCMAは観測データから、媒介変数とアウトカムの双方について条件付き生成モデルを学習し、同定のための数式に基づいて、ノイズのリサンプリングを伴うモンテカルロのフォワードシミュレーションにより反実仮想的（介入後）アウトカム分布を再構成します。
この手法は、従来の要約効果に加えて、エネルギー距離やワッサースタイン距離といった指標で表される、より豊かな分布の違いを捉えることを目的としています。
学習した条件付き生成モデルの推定誤差が、再構成された介入後アウトカム分布の誤差へどのように伝播するかについて、解析的な誤差上界が導出されています。
数値実験および実データへの適用により、DCMAの有効性が示されています。