選択バイアス

概要

選択バイアスは、「誰がデータに入るか」の選ばれ方そのものが偏りを生み、分析結果を歪ませる現象です。データの中身がどれだけ正確でも、そのデータに載る個体の選ばれ方が調べたい性質と無関係でなければ、集計や推定は母集団の姿からずれます。母集団と標本の関係で言えば、標本が母集団の縮図になっていない状態です。

厄介なのは、この偏りが手元のデータをいくら眺めても見えないことです。偏りの原因は「データに入らなかった個体」の側にあり、データセットの中には痕跡が残りません。統計手法の高度さやサンプルサイズの大きさでは救えず、100万件のデータでも選ばれ方が偏っていれば、偏った結論が高い精度で出てくるだけです。

アンケートの回答者は「回答する気がある人」に偏り、レビューサイトの評価は「わざわざ書き込む人」に偏り、成功者インタビューは「成功した人」に偏る — 現代のデータ分析で最も頻繁に、最も静かに結論を狂わせるバイアスの一つです。

なぜ生まれたか

この概念が痛みとともに学ばれた古典的な事例が2つあります。ひとつは1936年の米大統領選挙の世論調査で、雑誌リテラリー・ダイジェスト誌は200万人超という空前の回答を集めてランドン候補の勝利を予測しましたが、結果はルーズベルトの歴史的圧勝でした。調査対象の名簿が電話帳や自動車登録簿 — 当時は裕福な層に偏った名簿 — から作られていたためで、「量は質（選ばれ方）を補えない」ことを世に知らしめました。

もうひとつは第二次大戦中の爆撃機の装甲問題です。帰還した機体の被弾箇所を調べると翼や胴体に穴が集中しており、軍はそこを補強しようとしました。統計学者エイブラハム・ウォルドは逆を提案します。「手元のデータは帰還できた機体だけだ。穴が無い箇所（エンジンなど）に被弾した機体は、帰ってこなかったのだ」。観察できるのは生き残った個体だけ、という構造が結論を正反対に歪める — 生存者バイアスの名で知られるこの逸話は、「データに写っていないものを考えよ」という選択バイアス対策の核心を示しています。こうした失敗の蓄積から、標本の選ばれ方を設計段階から制御する無作為抽出の方法論と、選択の構造を明示的にモデル化する因果推論の枠組みが発展しました。

詳細

「見えているデータ」と「見えていないデータ」

選択バイアスの構造は、母集団とデータの間に「選択」というフィルタが挟まっている、と捉えると見通しがよくなります。フィルタの通過しやすさが調べたい変数と関係しているとき、フィルタの先で観察される分布は歪みます。

この図が示すとおり、偏りの原因である「脱落した個体」は観察データに含まれません。だからこそ対策の第一歩は、データを集計する前に「このデータはどういう経路を通って手元に来たのか。来なかったものは何か」と問うことになります。

代表的なパターン

選択バイアスは現れ方に応じていくつかの名前で呼ばれます。サンプリングバイアスは抽出の枠組み自体の偏りで、電話調査は電話に出る人に、街頭調査はその場所を通る人に偏ります。自己選択バイアスは参加するかどうかを本人が決めることによる偏りで、任意参加の研修の効果を受講者と非受講者の比較で測ると、「意欲が高い人ほど受講する」という選択の効果が混入します。生存者バイアスは脱落した個体が見えなくなる偏りで、長寿企業の共通点分析や退会済みユーザーを除いた集計が典型です。脱落バイアスは追跡調査からの離脱による偏りで、効果を感じない参加者ほど調査を離脱すれば、残った人のデータは効果を過大評価します。これは欠測データの問題 — 欠測が起きる仕組み自体が結果と関係している状況 — と地続きです。

交絡との違い — 因果構造で見る

選択バイアスは交絡としばしば混同されますが、因果ダイアグラムで見ると構造が異なります。交絡は原因と結果の両方に影響する共通原因（分岐）が作る偏りであるのに対し、選択バイアスの多くは、複数の要因から影響を受ける「選択」という合流点（コライダー）で条件付けてしまうことによる偏りです。たとえば才能と運の両方が「デビューできるか」に効くとき、デビューした人だけを観察することは合流点での条件付けにあたり、母集団では無関係だった才能と運の間に負の相関が現れます。「実力派はプロモーションに恵まれない」といった俗説がデータから「観察」されるのは、しばしばこの機構です。共通原因が作る偏り（交絡）は変数の統制で消せますが、選択が作る偏りは統制ではむしろ悪化しうる — この区別が対処法の分かれ目になります。

どう防ぎ、どう対処するか

最も確実な対策は設計段階にあります。標本を無作為抽出にすれば選択のフィルタと調べたい変数の関係を断てますし、処置の効果を測る場面ではランダム化比較試験が自己選択そのものを排除します。事後の対処としては、脱落した層に重みを付けて母集団の構成に近づける調整や、選択の過程を明示的にモデル化する手法（ヘックマンの2段階推定など）がありますが、いずれも「誰がどういう確率で選ばれたか」についての仮定や補助情報を必要とします。

日常の実務でまず効くのは、習慣としての問いかけです。「このデータに入らなかったのは誰か」「入るかどうかは、調べたい変数と関係していないか」。A/Bテストのような実験的な仕組みが整った環境でも、離脱ユーザーの扱いや集計対象の絞り込み方ひとつで選択バイアスは忍び込みます。データの中身を磨く前に、データの入口を疑う — それが選択バイアスと付き合う基本姿勢です。