研究者: 傾向スコア逆確率重み付け（IPTW）を行ったのですが、一部の主要な共変量で標準化平均差（SMD）が 0.1 未満にならずバランスが取れません……。傾向スコアのモデルには変数を投入しているのですが、どう解決すればいいでしょうか？
統計ER: 単純な二項ロジスティック回帰では非線形性や複雑な相互作用を捉えきれず、バランスが崩れることはよくあります！
WeightItパッケージを活用して高次項の追加、トリミング、CBPS/GBMなどの機械学習モデルへの変更、そしてダブルロバスト推定を適用することで解決できますよ。ステップバイステップで解説しましょう！
臨床研究や観察研究において傾向スコア逆確率重み付け（IPTW）を実行した際、以下のような壁にぶち当たったことはないだろうか。
- 「重み付け後の標準化平均差（SMD）を計算したが、一部の重要変数で 0.1 を下回らない」
- 「年齢や重症度など、最も交絡を調整したい主要因子に限ってバランス（ラブプロット）が崩れてしまう」
- 「単純な二項ロジスティック回帰で傾向スコアを算出しても、背景因子が綺麗に揃わない」
IPTW解析の妥当性は、「重み付けによって治療群間の共変量バランスが十分に調整されたか（すべてのSMD < 0.1）」 に大きく依存する。不均衡を残したままアウトカム解析へ進むと、残存交絡（Residual Confounding）によって歪んだ結果が導き出されてしまう。
しかし、単に傾向スコアのモデルに変数を放り込むだけではバランスが取れないケースは珍しくない。
本記事では、IPTWで共変量バランスが崩れる3大原因を整理し、手元のRコードで即座に試せる「5つの具体的な処方箋（モデル拡張・トリミング・機械学習GBM/CBPS・ダブルロバスト等）」を分かりやすく解説する。
なぜIPTWで「バランスが取れない（不均衡）」が起きるのか？
処方箋を試す前に、まずはなぜ背景因子のバランスが取れないのか、その根本原因を把握しておく必要がある。主な理由は以下の3点に集約される。
原因1. 傾向スコア算出モデル（ロジスティック回帰）の指定誤り（Mis-specification）
最も多い原因が、傾向スコアを算出する二項ロジスティック回帰モデルの指定誤りである。
標準的なロジスティック回帰は、共変量と対数オッズの間に「線形性」を仮定している。しかし、現実の臨床データ（年齢や検査値など）では非線形な関係や、変数同士の相互作用（交差項）が存在することが多い。モデルがこれらの複雑な関係を捉えきれていないと、適切な傾向スコアが算出できず、重み付け後のバランスが改善しない。
原因2. 重みの過度なインフレーション（極端な重み）
傾向スコア $e_i$ が 0 や 1 に極めて近い症例が存在すると、重み $1/e_i$ が数万などの巨大な値へインフレーションを起こす。
たった数例の巨大な重みを持つ症例が存在するだけで、加重平均がその症例の値に大きく引っ張られ、結果として特定の共変量のバランスが崩壊してしまう。
原因3. そもそも群間で背景因子の分布が重なっていない（Positivity仮定の破綻）
治療群と対照群の背景因子があまりにも乖離しており、実質的に「共通の領域（Overlap）」が存在しないケースである。
例えば「80歳以上の超高齢者はほぼ全員が標準治療を選択し、新薬群にはほとんど存在しない」ような場合、傾向スコアによる調整自体に無理が生じている。
バランス不均衡を解決する「5つの処方箋」とRでの実装方法
ここからは、共変量バランスを劇的に改善するための実務的なテクニックを順番に解説する。
まずは標準的なパッケージを読み込んでおこう。
library(tidyverse)
library(WeightIt)
library(cobalt)
# サンプルデータの作成
set.seed(123)
n <- 300
df_raw <- tibble(
treat = sample(c(0, 1), n, replace = TRUE, prob = c(0.6, 0.4)),
age = rnorm(n, mean = 65, sd = 10),
bmi = rnorm(n, mean = 24, sd = 4),
sex = factor(sample(c("Male", "Female"), n, replace = TRUE))
)
# IPTW重みの計算
W <- weightit(treat ~ age + bmi, data = df_raw, method = "glm", estimand = "ATE")
summary(W)
bal.tab(W, thresholds = c(m = 0.1))処方箋1. 傾向スコアモデルへの「高次項・相互作用項」の追加
手軽かつ効果的な第一選択は、ロジスティック回帰のモデル式に高次項（2乗項など）や相互作用項（交差項）を明示的に投入することである。
特にSMDが下がらない連続変数（例: age）に対して、I(age^2) を追加したり、性別との相互作用 age * sex を追加することで、非線形な関係をキャッチできるようになる。
# 高次項（2乗項）と相互作用項を組み込んだ傾向スコアモデル
W_poly <- weightit(
treat ~ age + I(age^2) + bmi + sex + age:sex, # 高次項・相互作用を追加
data = df_raw,
method = "glm",
estimand = "ATE"
)
# バランスの再評価（SMD < 0.1 か確認）
bal.tab(W_poly, thresholds = c(m = 0.1))
処方箋2. 重みのトリミング（Trimming）の実行
極端な重み（外れ値）によってバランスが壊れている場合は、重みのトリミング（切詰め）が有効である。
WeightIt::trim() 関数を使い、上位1%（99パーセンタイル）や指定した閾値で重みを抑え込むことで、特定の外れ値による影響を無効化し、全体のバランスを安定させることができる。
# 通常の重みを計算後、上位1%（99パーセンタイル）でトリミング
W_base <- weightit(treat ~ age + bmi + sex, data = df_raw, method = "glm")
W_trimmed <- trim(W_base, at = 0.99)
# トリミング後のバランス確認
bal.tab(W_trimmed, thresholds = c(m = 0.1))
処方箋3. 次のステップ：機械学習モデル（GBM / CBPS）への切り替え【強力】
モデルの手動調整（高次項の試行錯誤）を行ってもバランスが取れない場合、最も強力な解決策となるのが重み付け手法（Method）の切り替えである。
WeightIt パッケージを使えば、コードを1行書き換えるだけで最新の機械学習アルゴリズムを導入できる。
① 勾配ブースティング（GBM: Gradient Boosted Trees）
非線形関係や複雑な相互作用を自動的に学習し、共変量バランスが最も良く揃うように傾向スコアを生成する。
# method = "gbm" に変更（要: gbm パッケージ）
W_gbm <- weightit(
treat ~ age + bmi + sex,
data = df_raw,
method = "gbm",
estimand = "ATE"
)
The package “gbm” is required. （gbm パッケージが必要です）
Would you like to install it?（インストールしますか）
と尋ねられたら Yes の番号である 1 を入力してインストールする。
② 共変量バランス傾向スコア（CBPS: Covariate Balancing Propensity Score）
「共変量のバランス（SMD）を直接最小化する」という制約条件を組み込んで傾向スコアを推定する手法であり、伝統的なロジスティック回帰よりも確実にバランスを揃えてくれる。
# method = "cbps" に変更（要: CBPS パッケージ）
W_cbps <- weightit(
treat ~ age + bmi + sex,
data = df_raw,
method = "cbps",
estimand = "ATE"
)
処方箋4. ダブル・ロバスト（Doubly Robust）推定量の適用
上記の手法を試しても、どうしても1〜2個のマイナーな変数のSMDが 0.10 〜 0.15 程度に残ってしまう場合がある。
その際の妥当なアプローチが「ダブル・ロバスト推定量（Doubly Robust Estimation）」である。
具体的には、最終的なアウトカムモデル（Cox比例ハザードモデルやロジスティック回帰）の重み付き解析を行う際、「バランスが完全には揃わなかった共変量」をアウトカムモデル側にも共変量として投入する。$$\text{傾向スコアによる重み付け（IPTW）} \times \text{主要共変量の回帰調整}$$
統計学的に「傾向スコアモデル」または「アウトカムモデル」のどちらか一方でも正しく指定されていればバイアスがない推定が得られる（二重の頑健性）ため、残存交絡を強力に補正できる。
# 重み付きCox回帰に、バランスが微妙だった変数（例: age）を再度投入
fit_dr <- coxph(
Surv(time, status) ~ treat + age, # age を共変量として追加
data = df_raw,
weights = W_gbm$weights,
robust = TRUE
)
処方箋5. 共通領域（Common Support）でのコホート再定義
背景因子の重複（オーバーラップ）が根本的に欠如している場合、傾向スコアの共通領域（Common Support）の外にある極端な症例をはじめから解析から除外（トリミング）する。
対象集団はやや狭まる（一般化可能性が限定される）ものの、解析の内部妥当性（Internal Validity）を確保するためには極めて重要な判断となる。
【まとめ】コピペで試せる！バランス改善のための段階的Rコードテンプレート
最後に、手元のデータで共変量バランスを段階的に改善していくための一連のテンプレートコードをまとめた。
# === IPTW バランス改善ワークフロー一括テンプレート ===
library(tidyverse)
library(WeightIt)
library(cobalt)
# Step 1: 基本的なロジスティック回帰（GLM）
W1 <- weightit(treat ~ age + bmi + sex + sbp, data = df, method = "glm")
bal.tab(W1, thresholds = c(m = 0.1))
# Step 2: 高次項・相互作用項の投入
W2 <- weightit(treat ~ age + I(age^2) + bmi + sex + sbp + age:sex, data = df, method = "glm")
bal.tab(W2, thresholds = c(m = 0.1))
# Step 3: 機械学習モデル（CBPS または GBM）へ切り替え
W3 <- weightit(treat ~ age + bmi + sex + sbp, data = df, method = "cbps")
bal.tab(W3, thresholds = c(m = 0.1))
# Step 4: 必要に応じてトリミング（極端な重みの抑制）
W4 <- trim(W3, at = 0.99)
bal.tab(W4, thresholds = c(m = 0.1))
# Step 5: ラブプロットで最終確認
love.plot(W4, thresholds = c(m = 0.1), binary = "std")
IPTW解析でバランスが揃わないからといって、諦めて生のデータをそのまま比較したり、交絡調整を不十分なまま放置する必要はない。
WeightIt の機能を活用し、モデルの再指定やCBPS/GBMの導入、ダブルロバスト推定を適切に組み合わせることで、査読に耐えうる頑健な研究成果を導き出そう。
コメント