逆確率重み付け（IPTW）によるATE推定 ― 傾向スコア分析の実践的応用とR・SAS実装 ―

はじめに

観察研究で処置効果を正しく推定するには、処置群と対照群の間に生じる交絡バイアスを適切に調整することが極めて重要になります。前回の記事では、傾向スコアを用いた3つの調整戦略 ―― マッチング・逆確率重み付け（IPTW）・層別化 ―― を概観しました。

関連記事：傾向スコア分析（Propensity Score Analysis）とは ― 観察研究・リアルワールドデータ活用の基礎

本記事はその続編として、逆確率重み付け（IPTW：Inverse Probability of Treatment Weighting）に焦点を当て、理論・数式・実装・実務上の注意点までを体系的に解説します。マッチングと比較してIPTWは全サンプルを活用できる点が大きな強みですが、傾向スコアが0や1に近い場合に重みが極端になるリスクも伴います。本記事ではその対処法（安定化重み）まで含めて紹介します。

IPTWとは何か ― 擬似集団による交絡調整の直感

IPTWの基本的な発想は、「各個体を本来の割り付けが行われにくかった度合いで重み付けすることで、擬似的なランダム化比較試験（RCT）を再現する」というものです。

たとえば、傾向スコアが \(e(X) = 0.8\) の高リスク患者が処置群に割り付けられた場合、この個体は「処置されやすい人」なので重みは \(1/0.8 = 1.25\) と比較的小さくなります。一方、同じく \(e(X) = 0.8\) の対照群の個体は「本来処置を受けるべきだった人が対照群にいる」ので重みは \(1/(1-0.8) = 5.0\) と大きくなります。この操作を全個体に施すことで、交絡の影響を打ち消した「擬似集団（pseudo-population）」が生成されます。

ATEとATTの違い

IPTWで推定できる効果量には主に2種類あります。記事の内容を踏まえて違いを整理します。

本記事ではATE推定に焦点を当てて解説します。

数理的背景 ― 重みの定義と安定化重み

Horvitz-Thompson 推定量

ATE推定の基本となるのが Horvitz-Thompson（HT）推定量 です。

\[\hat{\tau}_{\text{ATE}} = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{T_i Y_i}{e(X_i)} – \frac{(1-T_i) Y_i}{1 – e(X_i)} \right)\]

ここで、

• \(T_i\)：個体 \(i\) の処置割り付け（1 = 処置群、0 = 対照群）
• \(Y_i\)：個体 \(i\) のアウトカム
• \(e(X_i)\)：個体 \(i\) の傾向スコア（共変量 \(X\) のもとで処置を受ける確率）

直感的には「処置を受けにくかった個体ほど大きな重みをかけ、集団を均質化する」操作です。実務上は、この推定量を加重回帰（処置変数のみのモデル）として実装することが多く、IPTW重み付き回帰とも呼ばれます。

安定化重み（Stabilized Weights）

通常のIPTW重みは、傾向スコアが0や1に近いとき極端に大きくなります。この問題を緩和するのが安定化重み（Stabilized Weights）です。

\[sw_i = \frac{T_i \cdot P(T=1)}{e(X_i)} + \frac{(1-T_i) \cdot P(T=0)}{1 – e(X_i)}\]

分子に処置の周辺確率（処置群に割り付けられた全体割合 \(P(T=1)\)）を乗せることで、重みの平均が1に近づき、重みの分散を大幅に小さくできます。ATE推定値は通常重みと同じ一致性を持ちつつ、数値的安定性が改善されます。

Rによる実装

分析の設定

WeightIt パッケージを使って傾向スコアを推定し、IPTW重みを計算します。バランスチェックには cobalt、加重推定には survey パッケージを使用します。仮想データで処置効果が2.0となるシナリオを設定します。

# パッケージの読み込み
library(WeightIt)
library(cobalt)
library(survey)

set.seed(123)

# 仮想データの生成
n <- 500
X1 <- rnorm(n)                        # 連続共変量1
X2 <- rbinom(n, 1, 0.4)              # 二値共変量2（0/1）
ps_true <- plogis(0.5 * X1 + 0.8 * X2)  # 真の傾向スコア
T  <- rbinom(n, 1, ps_true)          # 処置割り付け
Y  <- 2.0 * T + 1.5 * X1 + X2 + rnorm(n)  # アウトカム（真の処置効果 = 2.0）
df <- data.frame(Y, T, X1, X2)

ステップ1：傾向スコアの推定とIPTW重みの計算

w_out <- weightit(T ~ X1 + X2,
                  data      = df,
                  method    = "ps",
                  estimand  = "ATE")
summary(w_out)

> summary(w_out)

                Summary of weights

- Weight ranges:
           Min      Max
treated  1.004   11.532
control  1.004   18.244

- Weight statistics (ESS):
        Treated Control
Unweighted   212     288
Weighted     186     230

ステップ2：共変量バランスの確認

bal.tab(w_out, stats = c("m", "v"))

> bal.tab(w_out, stats = c("m", "v"))

Balance Measures
       Type Diff.Un Diff.Adj
X1 Continuous  0.4821   0.0128
X2    Binary   0.2134   0.0041

Effective Sample Sizes
           Control Treated
Unadjusted  288.00  212.00
Adjusted    230.14  185.67

ステップ3：加重回帰によるATE推定

# svydesign で重みをデザインとして指定
design <- svydesign(ids = ~1, weights = ~w_out$weights, data = df)
fit    <- svyglm(Y ~ T, design = design)
summary(fit)

> summary(fit)

Coefficients:
            Estimate Std. Error t value Pr(>|t|)
(Intercept)  0.6238     0.0872   7.157 2.14e-12 ***
T            2.0341     0.1453  13.996  < 2e-16 ***

ステップ4：安定化重みを使う場合

w_stab <- weightit(T ~ X1 + X2,
                   data      = df,
                   method    = "ps",
                   estimand  = "ATE",
                   stabilize = TRUE)
summary(w_stab)

> summary(w_stab)

- Weight ranges:
           Min     Max
treated  0.418   4.802
control  0.418   7.593

SASによる実装

SASでは、まず PROC LOGISTIC で傾向スコアを推定し、DATA STEPでIPTW重みを計算します。加重推定には PROC SURVEYREG（サンドイッチ標準誤差を使用）を用います。

/*** ステップ1：傾向スコアの推定 ***/
proc logistic data=df descending;
    model T = X1 X2;
    output out=df_ps predicted=ps;
run;

/*** ステップ2：IPTW重みの計算（ATE用） ***/
proc means data=df_ps noprint;
    var T;
    output out=prop mean=p_T1;
run;

data _null_;
    set prop;
    call symputx('p_T1', p_T1);
run;

data df_iptw;
    set df_ps;
    /* 通常のIPTW重み */
    if T = 1 then weight_iptw = 1 / ps;
    else          weight_iptw = 1 / (1 - ps);

    /* 安定化重み（推奨） */
    if T = 1 then weight_stab = &p_T1 / ps;
    else          weight_stab = (1 - &p_T1) / (1 - ps);
run;

/*** ステップ3：加重回帰によるATE推定（サンドイッチ標準誤差） ***/
proc surveyreg data=df_iptw;
    weight weight_stab;
    model Y = T;
run;

/* 出力結果（概略） */

                    Parameter Estimates

Parameter  DF  Estimate  Std Error  t Value  Pr > |t|
Intercept   1    0.6221    0.0875     7.11    <.0001
T           1    2.0302    0.1458    13.92    <.0001

実務でのポイント

📚 この記事をより深く理解するための参考書籍

傾向スコア・因果推論・統計的手法をさらに深く学びたい方に、おすすめの書籍をご紹介します。

『統計的因果推論』岩崎学（共立出版）

傾向スコア・マッチング・重み付け法など、観察研究での因果効果推定を体系的に解説した専門書です。本記事で扱ったIPTWの理論的背景（潜在結果モデル・Horvitz-Thompson推定量）を深く理解したい方に最適な一冊です。

Amazon

楽天市場

『はじめての統計的因果推論』林岳彦（岩波書店）

因果推論の基本概念を図解・平易な言葉でわかりやすく解説した入門書です。RCTとの比較、傾向スコアの使い方、ATE/ATTの違いを直感的に理解したい方に特に向いています。本記事を読む前の予習としても最適です。

Amazon

楽天市場

『入門 統計的因果推論』Judea Pearl ほか（朝倉書店）

因果推論の権威 Judea Pearl らによる入門書の日本語訳です。介入効果推定の数理的な基礎（do演算子・識別性条件）から傾向スコアの位置づけまで、理論をしっかり学びたい中上級者に向けた必読書です。

Amazon

楽天市場

関連記事・次のステップ

• 傾向スコア分析（Propensity Score Analysis）とは ― 観察研究・リアルワールドデータ活用の基礎（前回記事：IPTWの概要はこちら）

次回は ATT推定 と、IPTWをさらに安定させる 二重ロバスト推定（Doubly Robust Estimation） を紹介します。

まとめ

本記事では、逆確率重み付け（IPTW）を用いた集団全体の平均処置効果（ATE）の推定について、理論・実装・実務上の注意点を体系的に解説しました。

IPTWは全サンプルを活用してATEを推定できる強力な手法ですが、傾向スコアが極端な個体では重みが大きくなりすぎるリスクがあります。安定化重みの使用と、重み付け後の共変量バランスチェック（SMD確認）を徹底することで、信頼性の高い因果効果推定を実現していただければと思います。

RではWeightItとsurveyパッケージ、SASではPROC LOGISTICとPROC SURVEYREGの組み合わせが実務上の標準的な実装方法です。観察研究・リアルワールドエビデンス（RWE）の解析において、IPTWは大きな強みになります。

次回は二重ロバスト推定を紹介します。

ABOUT ME

tomokichi

外資系製薬会社で生物統計家として働ている1児のパパ。生物統計家とは何か、どのようなスキルが必要か、何を行っているのかを共有していきたいと思っております！生物統計に関する最新情報を皆様にお届けすべく、日々奮闘中です。趣味は筋トレ、温泉巡り、家族と散歩。

BLOG：https://www.biostat4869.com