文献：GeoDualSPHysics: a high-performance SPH solver for large deformation modelling of geomaterials with two-way coupling to multi-body systems

GeoDualSPHysics: a high-performance SPH solver for large deformation modelling of geomaterials with two-way coupling to multi-body systems

AI要約

1. 背景（Background）

•  従来の課題: 地盤工学や防災工学における地滑り、土石流、斜面崩壊などの現象は、土砂が液体のように振る舞う「極大変形（大流動）」を伴います。従来の有限要素法（FEM）などの格子基盤の手法では、メッシュが過度に歪むため、このような大変形を安定して計算することが困難でした。
• 粒子法（SPH）の台頭と限界: メッシュを用いない「粒子法（SPH）」は大変形問題に適していますが、計算コストが非常に高く、数百万〜数千万粒子に及ぶ広大な実地形の大規模シミュレーションを現実的な時間で処理することが困難でした。
•  開発の動機: 既存の非常に強力なオープンソースGPU加速型流体ソルバー「DualSPHysics」の並列計算フレームワークを基盤とし、地盤固有の力学挙動（弾塑性）や構造物との複雑な相互作用を、数億粒子スケールで超高速に計算できる実用的な地盤用ソルバーの確立が必要とされていました。

2. 手法（Methodology）

• •連続体力学のラグランジュ定式化:地盤材料を連続体として捉え、質量保存則および運動量保存則をSPHの粒子離散化形式で解きます。カーネル関数には、粒子の異常な凝集（クランピング不安定性）を防ぎ安定性に優れる「5次Wendland（C2）カーネル」が採用されています。
• 地盤の構成モデル（Constitutive Models）:材料の応力状態を評価するため、弾塑性モデル（例：Drucker-Prager Yield Criterion など）を組み込んでいます。毎タイムステップで、まず弾性試行応力を計算し、降伏条件を超えた場合には「リターンマッピングアルゴリズム（Return Mapping Algorithm）」を用いて、応力を降伏曲面上に引き戻すプラスチックひずみ計算を行います。
•  ノイズ除去応力処理技術（Noise-free Stress Treatment）:従来のSPHで課題となっていた「応力場の数値的なノイズや振動」を抑制・安定化させ、高精度に応力分布を解像する特別な平滑化・拡散技術を導入しています。
• 改良型境界条件（Modified Dynamic Boundary Conditions / mDBC）の拡張:固体壁や地盤境界での粒子配置の乱れを補正するため、境界粒子の外側に仮想的なゴーストノードを投影し、周囲の材料粒子から変数を1次あるいは0次の補間（Shepard補間）で定義する手法を地盤用に拡張・適用しています。
• マルチボディシステム（MBS）との双方向結合:物理演算エンジン Project Chrono と双方向（Two-way）でカップリングしています。SPH側で構造物（強体）粒子にかかる地盤・流体からの力を集計してChronoに渡し、Chrono側で構造物の並進・回転運動や衝突、拘束条件を計算して再びSPH側へ戻すというプロセスを、時間積分ステップごとに高同期でループさせます。
•  2相流（水–土骨格）フレームワークの統合:間隙水圧（pw）と土骨格の変位（u）を連成して解く水・土砂の2相流モデルが組み込まれており、雨水の浸透による有効応力の低下や地盤内の圧密現象（Terzaghiの圧密など）を機械的・水理学的境界条件のもとで同時に扱えるよう拡張されています。

3. 結果（Results）

• 圧倒的な計算パフォーマンス（GPU加速）:CUDA並列化スキームの最適化により、単一のGPU（Single GPU）であっても最大で1億粒子オーダーという極めて高解像度かつ大規模な地盤変形計算を実行できることが実証されました。
• ベンチマークによる検証:1次元圧密試験（Terzaghi理論解との比較）や、球体サンプルの水理負荷試験（Cryer効果の再現）において、計算された間隙水圧の推移や地盤の沈下量が理論値・参照解と高い精度で一致することが確認されました。
• 実規模の崩壊シミュレーション:5メートルおよび8メートル規模のデリケートな粘土質斜面（Sensitive-clay slopes）の崩壊実験では、雨水の浸透に伴って斜面が段階的に後退崩壊（Retrogressive failure）を起こし、最終的に大流動へと至る複雑なシーケンスを破綻なく再現することに成功しました。

4. 考察（Discussion）

• 本手法の優位性:GeoDualSPHysicsは、これまで「大規模すぎて計算が終わらない」、あるいは「メッシュの歪みで途中で止まる」とされていた、「豪雨・浸透 → 斜面崩壊 → 構造物への衝突・破壊」という一連の連鎖的災害（Cascading disasters）を一つのシステム内で一気通貫かつ超高速にシミュレートできる点が極めて強力であると評価されています。MBS（Project Chrono）との結合は、防護壁や杭などの防災構造物の耐力評価において非常に実用的です。
• 今後の課題と限界:一方で、2相流シミュレーションにおける「初期応力状態（Prestress）の設定」や、非常に透水係数が低いケースにおける「間隙水圧の収束性と計算安定性の担保」にはまだ改善の余地が残されています。また、人工的な数値粘性（Artificial Viscosity）や応力拡散（Stress Diffusion）などのパラメータ設定に一部依存する箇所があり、これらを物理的な土質試験データとどのように厳密にキャリブレーション（校正）していくかが、今後の予測精度向上の鍵として議論されています。

土水2層のSPHです。DualSPHysicsベースです。
私が作成したものに比べ、圧密、不飽和透水係数の実装で、こちらの方が進んでいます。良いですね。弾塑性とビンガム流体の切り替えは、実務で使うには調整が必要そう。私も個々は割り切りましたが、ひと段落付けば他の研究成果も取り入れるべきでしょうね。
バグを見つけて修正する速度がAIの進化で劇的に速くなりました。また、機能の追加も同様です。このようにAIを利用してコードを作っていくと、結局同じようなコードができてしまいそうです。不飽和や圧密も容易に実装できると思います。ま、過去の手法の実装や論文に出ている内容は容易に再現できるようになったので、その先を考えられるために時間をとれるようになったと考えるべきなのでしょう。

AI と英語学習 その2

英語でのポスター発表を終えました。

技術面では、オーストリアやノルウェーの観測事例やハザードに対する考え方を学ぶことができました。日本も負けずについていかねば、と改めて感じました。

また、「AIで作ったな」とわかるポスターやスライドが増えていたのも印象的でした。使い勝手が良いので多くの人が利用しているのでしょうが、発表から個性が失われていくさみしさも。ま、私も助長してしまっているのですが。

一方、英語の面で痛感したのは、自身の雑談力の低さです。いくつかの国の方々と話をして、日本のことを説明できない。食事の席では出汁の説明ができず、日本の文化についてもうまく話せませんでした。練習していた英語のアウトプットといえば、技術英語ばかりだったからでしょう。純粋な英会話の練習も必要でした。

スマホの音声モードでAIを使えば会話になります。が、これだけでは上達しないと思います。まずは Input からでしょう。

雑談でよく聞かれる話題について、英語で短く話せる説明をAIに用意してもらうのが効率的かもしれません。食事、温泉、お箸のマナー、季節の行事、地方の話、そして自分の趣味。それらを自分の言葉で言えるまで練習しましょうか。

技術以外のことを考えられるようになったのは、余裕が出てきたのか、それとも歳のせいか。本業の成果を年々厳しく求められていますので、次の機会を得られるかはわかりません。が、プライベートとして気長にいきましょう。

AI と英語学習

AI の進化により、国外の多くの論文を短時間で要約、把握できるようになりました。

とても便利なのですが、苦手な英語を読む必要がなくなったので、より一層、苦手になりました。計算機を使えば計算能力が落ちると考えた昔の人みたいですが、実感しているので笑ってもいられません。
どうにかしないといけない、と思い AIに頼ることにしました。AI を使う障害は AI を利用して克服しよう、という発想です。
まず作ったのは、Readerです。PDFを読み込み、1文づつEnterキーで読み進めます。同時に音声読み上げを実施してもらうので誤って覚えていた発音のチェックにもなりますし、和約、構文、単語の意味を表示しているので、わからない文、単語、イディオムが出てきたらそれらを見る、聴く、という使い方ができます。和訳等のデフォルト表示は無料枠を利用しているため回数に制限があったり精度は低かったりするのですが、都度調べるよりは思考が途切れないので助かります。特に音声は飽きなくて良いですね。

難しい文章が出てきた場合は有料枠の AI 翻訳＆解説で詳しく調べます。ま、回数制限を回避するためにも基本はこちらをデフォにする使い方になるのかな。DeepL や ChatGPT の API も使えるようにしてもらいましたが、そちらは試していません。バグも出てきていますので、使いながら改善していきましょう。

もう一つ。近々、英語でのポスター発表を控えています。AI にスキルを使って作らせたポスターと原稿を与え、二十数時間の発表練習教材を作ってもらいました。ずいぶん前に書いた論文なので中身を忘れかけていましたが、10時間ほどこなす内に徐々に思い出してきました。
作ってもらったのは、主要な単語、内容のまとめ、挨拶、説明（2種）、質疑応答です。後半は Claude のチャットに1時間で実施する内容を毎回渡して、音声モードで会話する形にしました。専門的な内容でも練習ができるのが良い点。反応に一呼吸入る場合があるのと、時々暴走するのが悪い点、でしょうか。もう少し AI にフィードバックしながら練習内容を詰める必要がありそうですが、ひとまず教材はできました。
ま、20時間程度で話せるようになるわけではないのですが、今までの学習よりは効率的だとは思います。

考え方なんでしょうね。
AI が何かの障害になるのであれば、別の有利になるような使い方を考える。そういった発想も今後は頻繁に必要になってくるのでしょう。

文献：Causality-based Feature Selection: Methods and Evaluations

DOI: 10.1145/3409382
URL: https://doi.org/10.1145/3409382
書誌: Yu, K., Liu, L., & Li, J. (2020). Causality-based Feature Selection: Methods and Evaluations. ACM Computing Surveys, 53(5), 1–36.

AI要約

【背景】

• 古典的な特徴量選択は、特徴量とクラス変数の相関(共起)に基づく。因果関係は捉えない。相関だけで選ばれた特徴(例: 喫煙者の黄色い指と肺がん)は、予測に効いても機構の説明にならない。データの分布が変わると、予測も崩れる。
• 因果特徴量、特にMarkov boundary(MB: クラス変数の親・子・配偶者)には理論保証がある。忠実性等の仮定の下で、MBは最大予測力を持つ最小の特徴集合になる。解釈可能で頑健なモデルにつながる。
• 多数の因果特徴量選択アルゴリズムが提案されてきた。しかし、包括的なレビューは存在しなかった。比較の基盤となるオープンソース実装も存在しなかった。

【手法】

因果ベース特徴量選択の包括的レビューと大規模実証評価である。まず、ベイジアンネットワーク・Markov blanket/Markov boundary・忠実性・因果十分性といった基礎概念を定義する。対象は、クラス変数のMBまたはPC(親子: 直接原因と直接結果)をデータから学習する枠組みである。アルゴリズムは2系統に分類される。制約ベースは、条件付き独立性検定を用いる。この系統は、さらに2型に分かれる。IAMB系は、MBを一括推定する(同時学習型)。MMMB・HITON-MBは、PCと配偶者を分けて探す(分割統治型)。スコアベースは、SLL・S2TMBなどBN構造スコアを用いる。MB内で原因と結果を区別するアルゴリズムも概観される。次に、代表的アルゴリズムを実装したオープンソースパッケージCausalFSを開発した(C言語、GitHubで公開)。評価には2種のデータを用いた。一つは、ベンチマークBNから生成した合成データである。もう一つは、特徴量数57〜100,000の8つの実データセット(spambase、madelon、gisette、arcene、dexter、dorothea、infant、bankruptcy)である。選択された特徴集合で、NB・KNN・SVMの分類器を学習した。予測精度・コンパクト性(選択特徴数)・AUC・計算時間を比較した。

【結果】

• クラス変数のPC(親子)集合による分類性能は、MBに劣らなかった。PC学習は、MB学習よりはるかに効率的だった。実用上はPC学習が現実的と確認された。
• 標本サイズが大きい場合、同時MB学習型(IAMB系等)は他のアルゴリズムより有意に高速だった。予測精度も競合した。FBEDが最速だった。
• スコアベースのMB/PC学習は、MBが大きいと計算コストが法外になった(例: spambaseでMBサイズ30超のSLL・S2TMB)。制約ベースに対する明確な優位を示さなかった。
• 合成データでは、後退戦略や対称性チェックが偽陽性の除去を通じて精度を大きく改善した。一方、実データでは、偽陽性を許容する方が分類に有利な場合があった。理由は、ノイズと小標本である。
• クラス不均衡データ(infant、bankruptcy、dorothea)では、全アルゴリズムのAUCが大きく低下した。既存手法は、不均衡データに対処できていない。

【考察】

• MBの理論保証を持つ因果特徴量選択は、解釈可能で頑健な機械学習への有望な方向とされる。CausalFSが、手法比較と新規開発の共通基盤になる。
• 忠実性・因果十分性の仮定は、実データでしばしば破れる。欠測・ノイズを含む低品質データ、ストリーミングデータ、不均衡クラスへの対応が未解決課題として残る。
• 相関ベースの予測変数は、分布シフトの下で予測を誤りうる(黄色い指の例)。本論文は、この予測と因果の乖離を明確に概念整理した。

文献：DirectLiNGAM: A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model

URL: https://jmlr.org/papers/v12/shimizu11a.html

書誌: Shimizu, S., Inazumi, T., Sogawa, Y., et al. (2011). DirectLiNGAM: A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model. JMLR, 12, 1225–1248.

AI要約

【背景】

• 共分散構造のみを使う従来の構造方程式モデルやベイジアンネットワークの推定は、構造に関する事前知識なしには、因果順序と接続強度を含む完全な構造を識別できない。
• 非ガウス性を利用するLiNGAM(Shimizu et al., 2006)では、完全な構造が識別可能である。しかし既存のICAベースの推定(ICA-LiNGAM)は反復探索に依存する。初期値や収束基準しだいで局所最適に陥る。有限ステップでの正解収束も保証されない。
• ICA-LiNGAMの置換ステップは尺度不変でない。そのため、変数のスケールの違いで誤った順序を返しうる。

【手法】

対象は線形非ガウス非巡回モデル(LiNGAM)である。このモデルはx=Bx+eと書ける。外生擾乱eは非ガウスで相互に独立とする。潜在交絡はないと仮定する。提案手法DirectLiNGAMは、このモデルの因果順序を反復探索なしに直接推定する。核は、Darmois-Skitovitchの定理から導いた補題である。この補題によれば、変数x_jが外生であることと、他の各変数をx_jに単回帰した残差のすべてがx_jと独立であることは同値である。そこで、カーネル法による相互情報量の推定(Bach-Jordanのカーネル独立性尺度)を用いる。残差との独立性が最も高い変数を外生と判定し、因果順序の先頭に置く。次に、その変数の影響を最小二乗回帰で残りの全変数から除去する。残差ベクトルにも再びLiNGAMが成り立つ。残差の因果順序は、元の変数の因果順序と一致する。したがって、この操作の繰り返しだけで、変数の個数と同じ固定ステップ数で因果順序全体が決まる。順序の確定後、接続強度行列Bは最小二乗などの通常の回帰で推定する。さらに、「x_iからx_jへ有向道がある/ない」を成分とする事前知識行列を組み込む拡張も与えた。この拡張は、外生候補の絞り込みと残差計算の省略により、精度と計算時間を改善する。評価では、人工データ(変数10〜100、標本500〜2000、疎・密ネットワーク×18種の非ガウス分布)でICA-LiNGAMと比較した。物理(二重振り子)と社会学(地位達成モデル)の実データにも適用した。実データではPC・GESとも比較した。

【結果】

• モデル仮定が満たされ標本サイズが無限のとき、DirectLiNGAMは変数数と同じ固定ステップ数での正解収束を保証する。初期値や収束基準などのアルゴリズム的パラメータは不要である。
• 人工データの全条件(疎・密×次元10〜100×n=500〜2000)で、真のBとの誤差(Frobenius距離)はICA-LiNGAMより小さかった(例: 疎・100次元・n=2000で2.35対36.52)。
• 事前知識(50%)の利用で、精度はさらに向上した。計算時間も短縮された(密・100次元・n=2000で17.24時間→19.80分)。
• 計算量はO(np^3M^2+p^4M^3)で、ICA-LiNGAMより大きい。ただし収束保証と既知の計算量をもつ。
• 実データでは、領域知識と整合する結果を得た。二重振り子では、「角速度は角度で決まる」という知識と整合する有意な辺を検出した(ICA-LiNGAMは有意な辺なし、PC/GESは一部の辺の向きを誤る)。社会学データでは、推定された辺のほぼすべてが領域知識と整合した(誤りは息子の学歴→父の学歴の1辺のみ)。

【考察】

• 非ガウス性を使えば、辺の向きまで識別できる。このLiNGAMの理論的利点を、収束保証つきの実用アルゴリズムとして実現した。
• カーネル独立性尺度の計算が、実行時間のボトルネックである。仮定(線形性・非ガウス性・潜在交絡なし)の破れの検定、計算効率の改善、潜在交絡がある場合への拡張が、今後の課題と明記されている。社会学データでの1辺の誤りは、仮定の破れの兆候と解釈されている。
• 事前知識行列により、「有向道の有無」を制約として与えられる。部分的な領域知識の注入で、精度と速度の両方が改善する。

文献：Metalearners for estimating heterogeneous treatment effects using machine learning

DOI: 10.1073/pnas.1804597116
URL: https://doi.org/10.1073/pnas.1804597116
書誌: Künzel, S. R., Sekhon, J. S., Bickel, P. J., & Yu, B. (2019). Metalearners for estimating heterogeneous treatment effects using machine learning. PNAS, 116(10), 4156–4165.

AI要約

【背景】

• 平均処置効果(ATE)を超えて、属性で条件付けた効果=条件付き平均処置効果(CATE)を推定したい需要が高まっていた。しかし、教師あり学習アルゴリズムはCATEを直接推定するようには設計されていない。
• 既存の代表的なメタ学習器には、T-learnerとS-learnerがある。前者は、処置群と対照群を別々に回帰して差をとる。後者は、処置の有無を通常の特徴として1本のモデルで回帰する。どちらも、群サイズが不均衡な場合やCATEが応答関数より単純な場合に非効率になる。
• 同一の対象では、「処置あり」「処置なし」の両方の結果を観測できない。そのため、個別の処置効果は直接には識別できない(因果推論の根本問題)。

【手法】

任意の教師あり学習アルゴリズムをCATE推定器へ変換する「メタ学習器」の枠組みを整理した。その上で、新手法X-learnerを提案した。X-learnerは3段階からなる。第1段では、対照群・処置群それぞれの応答関数(共変量から結果を予測する関数)を任意の基学習器で推定する。第2段では、「代入処置効果」を作る。処置群では、観測結果から対照側モデルの予測値を引く。対照群では、処置側モデルの予測値から観測結果を引く。この代入処置効果を目的変数として、各群でCATEを回帰する。第3段では、2つのCATE推定を重み関数(傾向スコアの推定値を推奨)で加重平均する。この構成の利点は2つある。一方の群の情報を、他方の群の推定に活かせる。CATEの線形性・疎性・平滑性といった構造を、第2段の回帰で直接利用できる。理論面では、応答関数の収束レートとCATEの収束レートを分けて解析した。実装では、ランダムフォレスト(honest RF)とBART(ベイズ的な回帰木のアンサンブル)を基学習器に用いた。広範なシミュレーションに加え、政治学の2つのフィールド実験(社会的圧力による投票率向上実験・戸別訪問による偏見低減実験)を再解析した。実装はソフトウェアパッケージhteとして公開されている。CATEのブートストラップ信頼区間も備える。

【結果】

• シミュレーションでは、どのメタ学習器も一様には最良でなかった。ただし、X-learnerは最悪になることが無かった。群サイズが不均衡な場合や、CATEに線形・疎などの正則性がある場合に特に良好だった。
• 理論では、CATEが線形で対照群が十分大きいとき、X-learnerが処置群サイズnについてパラメトリックレートn^(-1)を達成することを証明した(Theorem 2)。CATEに正則性を仮定しない場合は、T-learnerと同じミニマックス最適レートを達成する。
• 投票率向上実験(対照191,243人・処置38,218人、ATE 0.081)の再解析では、過去の投票が1回のみの層に有意な負の反動(backlash)を検出した。効果は投票履歴3回の層で最大だった。この異質性は標的化に有用である。
• 偏見低減実験(最終標本n=501、ATE 0.22)では、原著者が線形モデルで見つけられなかった効果の異質性をX-RFが検出した。S-learnerは推定を0へ縮小し、T-learnerは散らばりが最大で、X-learnerは中間だった。
• 実データに基づくシミュレーションでは、小標本でX-RFのRMSEがS-RF・T-RFより小さかった。

【考察】

• X-learnerの本質的な強みは、「CATEが応答関数より滑らかで単純」という実データで頻繁に見られる状況を利用できる点にある。逆に、CATEがほぼ0ならS-learnerが有利になる。応答関数が群間で全く異なるなら、T-learnerが有利になる。この使い分けの指針を与えた。
• 基学習器の選択も精度を大きく左右する。小データ・大域的構造にはBART、大データ・局所的構造にはRFが向く。因果フォレストの性能は、RFを基学習器とするメタ学習器と同程度だった。
• CATEの信頼区間はブートストラップに依拠する。形式的な保証のある区間の構成は、今後の課題と明記されている。

文献：Spatial Causal Inference in the Presence of Unmeasured Confounding and Interference

DOI: 10.48550/arXiv.2303.08218
URL: https://arxiv.org/abs/2303.08218
書誌: Papadogeorgou, G., & Samanta, S. (2023). Spatial Causal Inference in the Presence of Unmeasured Confounding and Interference. arXiv:2303.08218.

AI要約

【背景】

• 空間データの因果推論では、空間的干渉と未計測の空間交絡が絡み合う。一方だけを調べると、他方をそれと誤認する恐れがある。誤認は誤った結論につながる。両者を同時に扱う方法論は乏しかった。
• 曝露(効果を知りたい原因側の変数)自体が、共通の空間トレンドという固有の空間依存を持つ場合がある。この依存は、交絡が全く無い場合でさえ、独立観測を前提とする標準的な推定を無効にし得る。
• 動機となる応用は、米国の発電所からのSO2排出が高齢者の心血管死亡率へ与える効果の推定である(2,440郡。局所と近傍50km圏の曝露)。

【手法】

空間データ用の因果ダイアグラム(spatial causal graphs)を導入した。まずペア構造の空間データで、局所効果と干渉効果をポテンシャルアウトカムにより定義した。未計測共変量Uと曝露Zの固有の空間依存は、潜在的な共通トレンドとして表した。直接空間交絡・間接空間交絡・干渉とその組合せからなる6つのDAGシナリオを解析した。解析の結果、次を理論的に示した。空間交絡と干渉は互いに化ける。曝露が空間的だと標準解析は無効になり得る。したがって局所と近傍の共変量を同時に調整し、局所効果と干渉効果を同時に推定すべきである。次に、相互接続した空間ネットワークでは、隣接行列と近傍平均曝露により両効果を定義した。推定はベイズ因果推論(欠測ポテンシャルアウトカムの事後分布からの補定)の枠組みで行う。未計測交絡がある場合、アウトカムモデルに空間ランダム効果を入れるだけでは不十分である。曝露モデルの同時指定が必要になる。著者らは(U,Z)にCAR型精度行列を持つ多変量正規の同時分布を仮定した。線形のポテンシャルアウトカムモデルの下、リング状グラフでの識別定理を証明した(Theorem 1)。未計測空間交絡が存在しても、標本数無限大の極限で局所効果・干渉効果を含む全パラメータが識別可能である。評価はシミュレーションとSO2排出の実データ解析(MCMC・B-スプラインの曝露反応曲線・感度分析)で行った。

【結果】

• シミュレーション(6シナリオ×3標本数×500データセット)では、未計測空間交絡があると、測定共変量のみを調整したOLSが大きく偏った。95%区間の被覆率は局所効果で0〜0.3%まで崩壊した。
• 提案法は同じ交絡下でバイアスを大幅に縮小した。全シナリオで被覆率をほぼ名目(約90〜99%)に維持した。
• 交絡が無いシナリオでは、提案法はほぼ不偏だった。OLSに対する効率の損失もわずかだった。
• 実データ(SO2→心血管死亡)では、OLSと提案法の曝露反応曲線が互いの信用区間の内側にあった。仮定した形の未計測空間交絡は、OLSを偏らせるほど強くなかった。ただし空間相関パラメータの事後平均は−0.26だった(95%CI −0.41〜−0.10)。曝露と局所的に相関する未計測変数の存在自体は示唆された。
• 曝露を対数線形で入れる感度分析では、未計測空間交絡の証拠がやや現れた。提案法の効果推定はOLSより正方向にシフトした。

【考察】

• 空間交絡と干渉は互いに誤認され得る。このため実務では、局所と近傍の共変量調整、および局所効果と干渉効果の同時推定を必ず行うべきである。
• 未計測空間交絡は完全な欠落変数だけから生じるのではない。測定誤差や関数形の誤指定からも生じ得る。
• 限界: アウトカム変数自体の固有の空間依存は未対応である(実データでもその兆候がみられた)。識別定理はリング状グラフと線形モデルの設定で証明されている。一般の空間構造は今後の課題である。近傍曝露の地理的近接による定義は、大気輸送の実態と乖離し得る。