因果分解分析における相乗的介入：社会的不平等の複数側面に対処するためのトリプルロバストな機械学習アプローチ

Abstract

教育格差は、人種、社会経済的地位、地理といった複数の次元にまたがる社会的不平等に根ざし、それを持続させています。格差を縮小するため、ほとんどの介入戦略は単一の領域に焦点を当て、因果分解分析を用いてその有効性を評価することが頻繁に行われます。しかし、増えつつある研究は、複数の面で疎外されている人々に対して、単一領域の介入では十分でない可能性を示唆しています。複数領域にまたがる介入がますます提案される一方で、それらの有効性を評価するための適切な方法に関する指針は限られています。このギャップに対処するために、複数の因果的に順序づけられた介入要因を同時に対象とする拡張因果分解分析を開発し、それらの相乗効果を評価できるようにします。これらのシナリオでは、集団カテゴリ、介入要因、およびアウトカムとの交絡因子の間に複雑な相互作用があることに起因する、モデルの特定ミス（モデル誤指定）に関する課題がしばしば生じます。これらの課題を軽減するために、潜在的なモデル誤指定に対処するための機械学習技術を活用する三重ロバスト推定量を導入します。私たちは、この手法をHigh School Longitudinal Studyの学生コホートに適用し、ブラック系・ヒスパニック系・ホワイト系の高校生の間における数学の達成度格差に焦点を当てます。具体的には、2つの連続した介入――高成績の学校に通う学生の割合を均等化し、さらに第9学年までに人種グループ間でAlgebra Iの履修登録を均等化すること――が、これらの格差をどのように縮小し得るかを検討します。