因果推論

概要

因果推論は、「AとBが一緒に動く」という相関の観察から一歩踏み込み、「Aを変えればBが変わる」という因果関係をデータから見極めるための枠組みです。「この薬を飲んだから治ったのか」「この施策を打ったから売上が伸びたのか」— 私たちが本当に知りたい問いの多くは、相関ではなく因果の問いです。

ところが観察データだけからは、因果は驚くほど分かりません。アイスクリームの売上と水難事故の件数には強い相関がありますが、アイスを禁止しても事故は減りません。両方を動かしている「気温」という第三の変数（交絡因子）があるからです。因果推論とは、こうした落とし穴を体系的に見つけ、避け、それでも残る条件のもとで「因果効果」を推定するための理論と手法の総称です。

かつて統計学は「相関は因果を意味しない」と警告するだけで、因果そのものを扱う数学的言語を持っていませんでした。20世紀後半に潜在結果モデル（反事実と潜在結果）と因果ダイアグラムという2つの言語が整備され、因果は「注意深く避ける話題」から「定義し、条件を明示し、推定する対象」へと変わりました。現在ではA/Bテストの設計から疫学、経済政策の評価まで、データで意思決定するあらゆる現場の基盤になっています。

なぜ生まれたか

「相関は因果にあらず」という警句自体は古くからありました。困っていたのは、その先です。実務では「では因果はどうすれば分かるのか」に答えなければならないのに、統計学の標準的な道具立て — 仮説検定や線形回帰 — は、変数の間の「関連の強さ」を測るだけで、「介入したら何が起きるか」を語る文法を持っていませんでした。1950年代の喫煙と肺がんの論争はその象徴で、強い相関が示されても「喫煙傾向とがんの両方を生む体質があるだけでは」という反論を、当時の統計学は正面から処理しきれませんでした。

突破口は2つの方向から開かれました。1つは実験の側からで、フィッシャーが確立した無作為化 — 処置をコイン投げで割り当てれば、既知・未知を問わずあらゆる交絡が平均的に打ち消される — が、因果を知るための黄金律（ランダム化比較試験）になりました。もう1つは観察データの側からで、ルービンらの潜在結果モデルが「因果効果とは、処置した世界としなかった世界の結果の差である」と因果を数学的に定義し、パールらの因果ダイアグラムが「どの変数を調整すれば因果が推定できるか」を図の上で判定する方法を与えました。実験できない問い — 喫煙、最低賃金、教育政策 — にも因果の推定が届くようになったのは、この理論整備の成果です。

詳細

相関が因果に見える3つのからくり

XとYに相関があるとき、その説明は1つではありません。X→Y という素直な因果のほかに、逆向きの Y→X（逆因果）、そして第三の変数 Z が両方を動かす交絡があります。さらに、データの集め方が偏る選択バイアスでも見かけの相関は生まれます。因果推論の第一歩は、目の前の相関に対して「他の説明を消せているか」を問うことです。

因果効果の定義 — 反事実という視点

因果推論では、因果効果を「同じ対象について、処置を受けた場合の結果と受けなかった場合の結果の差」として定義します。しかし現実には、1人の人について両方の世界を観測することはできません。薬を飲んだ人の「飲まなかった世界」は永遠に見えない — これを因果推論の根本問題と呼びます。この考え方の詳細は反事実と潜在結果にまとめていますが、要点は「因果推論とは、見えない片方の世界をいかに正当に埋め合わせるかという問題である」ということです。

黄金律 — 無作為化実験

見えない世界を埋める最も強力な方法が無作為化です。処置をランダムに割り当てれば、処置群と対照群は処置以外のあらゆる性質 — 測定できるものも、できないものも — が平均的に等しくなり、対照群の結果を「もし処置しなかったら」の正当な代役として使えます。これがランダム化比較試験であり、WebサービスのA/Bテストはその工学的な応用です。何をどう割り当てるかの設計論は実験計画法として体系化されています。

実験できないとき — 観察データからの因果推論

しかし現実には、倫理的・実務的に実験できない問いが山ほどあります。「喫煙させる実験」はできません。そこで観察データから因果に迫る手法群が発展しました。まず因果ダイアグラムで変数間の因果構造を図に描き、どの変数を統計的に調整（層別や重回帰分析での条件付け）すれば交絡が除けるかを判定します。そのうえで、処置を受ける確率をモデル化して群を揃える傾向スコア、処置にだけ影響し結果には直接影響しない外部変数を「自然の無作為化」として使う操作変数法、施策の前後×有無の差を二重に取ることで共通トレンドを打ち消す差の差分析といった手法を使い分けます。

これらに共通するのは、「無条件には因果は分からない。しかし、明示した仮定 — 未測定の交絡がない、トレンドが共通である、など — が成り立つなら因果効果が推定できる」という構造です。因果推論の誠実さは、推定値そのものより「どの仮定に寄りかかっているか」を明示する点にあります。

実務での心構え

実務でまず身につけるべきは、高度な手法よりも「相関を見たら因果の物語を即断しない」反射です。ダッシュボードで「機能Aの利用者は継続率が高い」と出ても、それは機能Aの効果かもしれないし、もともと熱心なユーザーが機能Aを使っているだけかもしれません。可能ならA/Bテストで確かめる、できないなら交絡候補を列挙して因果ダイアグラムを描き、調整可能かを検討する — この順で考える習慣が因果推論の入り口です。逆に、回帰係数を無条件に「効果」と読む、調整すべきでない変数（処置の結果として生じた変数など）まで調整してしまう、といった誤用は現場で頻発します。相関という観察と因果という主張の間には、必ず「仮定」という橋が架かっている — それを意識することが、この分野のすべての出発点です。