交互作用

概要

交互作用とは、「ある変数の効果の大きさが、別の変数の値によって変わる」現象のことです。たとえば「薬の効果は年齢が高いほど弱まる」「広告の効果は平日と休日で違う」——薬の効果・広告の効果そのものが、年齢や曜日という別の変数に依存して変化しています。このとき「薬と年齢の間に交互作用がある」と言います。

重回帰分析の標準的なモデルは「各変数の効果は足し算で積み重なる」という加法性を前提にしています。薬の効果が +5、年齢の効果が −2 なら、両方合わせて +3 — この足し算の世界では、薬の効果は誰にとっても +5 で一定です。しかし現実には「組み合わせによって効果が変わる」ことは珍しくなく、その組み合わせ効果を表現する仕掛けが交互作用項です。

交互作用は分野を問わず現れます。医学では薬同士の相互作用（併用すると効果が増強・減弱する）、マーケティングでは施策と顧客セグメントの相性、機械学習では特徴量の組み合わせ効果。「平均的には効果がない施策が、特定の層にだけ効いていた」という発見はしばしば交互作用の発見であり、分析の解像度を一段上げてくれる概念です。

なぜ生まれたか

交互作用の概念が体系化されたのは、1920年代のフィッシャーによる農事試験の実験計画法です。肥料の種類と品種の2要因を同時に変えて収量を調べると、「肥料Aは品種Xには効くが品種Yには効かない」という現象が頻繁に観察されました。要因を1つずつ別々に実験していては、この「組み合わせの効果」は永遠に見えません。フィッシャーは複数の要因を同時に振る要因計画を提唱し、分散分析の枠組みの中で、各要因の単独の効果（主効果）と組み合わせの効果（交互作用）を分離して検定する方法を確立しました。

回帰分析の文脈でも同じ課題がありました。加法モデルは解釈しやすい反面、「効果が条件によって変わる」現実を表現できません。かといって完全に自由なモデルにすると解釈も推定も困難になります。変数同士の積の項を1つ加えるだけで「効果の変化」を表せる交互作用項は、加法モデルの簡潔さを保ちながら現実の複雑さへ一歩踏み出す、最小限の拡張として定着しました。

詳細

交互作用項の仕組み

回帰モデルで交互作用を表すには、2つの変数の積を新しい説明変数として加えます。たとえば「y = a + b×薬 + c×年齢」というモデルに「d×薬×年齢」という積の項を足すと、薬の効果は「b + d×年齢」となり、年齢によって変わる量になります。d がゼロなら効果は一定（交互作用なし）、d が負なら年齢とともに薬の効果が弱まる、というように、積の係数 d が「効果の変わり方」を表現します。

この構造は図にすると一目で分かります。横軸に一方の変数、縦軸に結果をとり、もう一方の変数の水準ごとに線を引く——交互作用がなければ線は平行になり、交互作用があれば線の傾きが水準ごとに変わります。

主効果の解釈が変わる

交互作用項をモデルに入れると、元の変数の係数（主効果）の意味が変わることに注意が必要です。「y = a + b×薬 + c×年齢 + d×薬×年齢」というモデルでの b は「薬の平均的な効果」ではなく、「年齢がゼロのときの薬の効果」です。年齢ゼロが意味を持たないデータでは、b 単独の解釈はほぼ無意味になります。このため実務では、交互作用を入れる前に連続変数を平均で中心化（平均を引いてゼロ中心にする）しておくのが定石です。中心化すれば b は「平均的な年齢の人での薬の効果」となり、解釈が自然になります。

もう1つの定石は「交互作用項を入れたら、その構成要素の主効果も必ず残す」という階層原則です。積の項だけを残して主効果を削ると、モデルが変数の原点の取り方に依存する不自然な形になり、解釈が壊れます。

分散分析における交互作用

2つ以上の要因を持つ分散分析（二元配置分散分析）では、交互作用は中心的な検定対象です。重要なのは検定の読む順序で、まず交互作用の有無を確かめ、交互作用が有意なら主効果の解釈を保留する、という手順を踏みます。「肥料Aは品種Xで増収、品種Yで減収」のとき、肥料Aの主効果（全体平均での効果）はゼロに見えますが、「効果がない」のではなく「効果が条件で逆転している」のです。交互作用を無視して主効果だけを報告すると、正反対の結論に迷い込むことがあります。

実務での使いどころと落とし穴

交互作用の探索は「どの層に効くのか」という問いに直結するため、サブグループ分析やアップリフトモデリング（施策が効く相手を見つける手法）の基礎になっています。一方で落とし穴も多い領域です。第一に、考えられる交互作用項の数は変数の組み合わせの数だけあり、手当たり次第に検定すると多重比較の問題で偽の発見が量産されます。交互作用は事前の仮説に基づいて絞り込むか、探索的な発見は別データで検証するのが原則です。第二に、交互作用の検出には主効果の検出よりずっと大きな標本が必要で（目安として4倍以上と言われます）、検出力不足のまま「交互作用は有意でなかった＝効果は一様だ」と結論するのは早計です。第三に、積の項は元の変数と強く相関しやすく、中心化を怠ると多重共線性で推定が不安定になります。

交互作用は「世界は足し算でできていない」ことをモデルに教える装置です。むやみに入れれば解釈もデータも溺れますが、適切に使えば、平均の裏に隠れた構造を照らし出してくれます。