論文一覧に戻る 📚 用語集トップ 🗺 概念マップ
📚 用語解説
📚 用語解説
因果関係
Causation
因果推論
別称: 因果 / 原因と結果

🔖 キーワード索引

「因果関係 (causation)」は「相関 (correlation)」とは異なり、 「介入したら結果が変わる」関係。 統計学・経済学・疫学・機械学習の交差点に位置する重要概念で、 観察データから因果を推定する技法が多数開発されている。

本ページで頻出する関連キーワードを以下にチップで一覧化する。 各キーワードは「因果推論の枠組み (Rubin 反事実 / Pearl DAG)」「識別戦略 (RCT / IV / DID / 傾向スコア)」「グラフィカルツール (DAG / do 計算 / バックドア基準)」の 3 軸に整理できる。

#因果推論#RCT (ランダム化比較試験)#反事実 (counterfactual)#介入 (intervention)#DAG (有向非巡回グラフ)#do 演算#do-calculus#back-door 基準#front-door 基準#傾向スコア (PSM)#DID (差分の差)#操作変数 (IV)#Rubin causal model#Pearl 因果推論

「相関は因果ではない」を超えて「観察データから因果を推定する」ための具体的技法を学ぶことが、 本ページの目標。

💡 30秒で分かる結論

🍰 まずはやさしく

原因と結果のつながりのことです。

何が本当の変化を起こしたか知るために使います。

勉強時間を増やすと点数が上がるか、という例です。

ここでは結論を短くまとめて読みます。

因果関係：原因→結果の関係。 相関とは異なり、 介入で結果が変わる関係。

💡 よくある誤解とその修正

「因果」をめぐって初学者が 無意識に 取り違える点を集めました。 いずれも「相関と因果の混同」という 1 つの根から派生しています。 ここを通読すると、 自分の因果推論の盲点が見えてきます。

誤解 1: 「強い相関があれば因果がある」

修正: 相関は因果の 証拠にすらならない 場合があります。 (a) 共通原因 (交絡)、 (b) 逆向きの因果 ($Y \to X$)、 (c) 偶然 (疑似相関) の 3 つが、 因果がなくても相関を生みます。 「アイスの売上と溺死」が気温という共通原因で相関するのが典型例です。

誤解 2: 「思いつく変数を全部入れて回帰すれば因果が出る」

修正: 統制すべき変数は「数」ではなく「因果構造」で決まります。 交絡因子は統制すべきですが、 中間変数 (mediator) や コライダー (合流点) を統制すると、 むしろ因果効果が歪みます。 何を入れ何を入れないかは DAG (因果ダイアグラム) を描いて判断します。

誤解 3: 「RCT さえやれば全部解決」

修正: RCT (ランダム化比較試験) は内的妥当性の王道ですが、 万能ではありません。 政策・社会データでは倫理的・現実的に実施不可能なことが多く、 遵守率・脱落・外的妥当性 (別集団への一般化) の問題も残ります。 だからこそ観察データからの識別戦略 (DID・IV・傾向スコア等) が必要になります。

誤解 4: 「時間的に先に起きた方が原因」

修正: 時間先行性は因果の 必要条件 ですが十分条件ではありません。 共通原因が時間差をもって両変数を動かせば、 「先に動いた方が原因」に見える偽の因果が生まれます。 前後関係だけを根拠にした「施策後に KPI が伸びた＝施策の効果」は典型的な誤りです。

誤解 5: 「$p<0.05$ で有意なら因果だ」

修正: 有意性が示すのは「関連が偶然では説明しにくい」ことだけで、 因果の向きや交絡の有無は何も語りません。 因果を主張するには、 識別戦略 (どの仮定の下で因果効果が推定できるか) を明示する必要があります。 「相関がある」「関連がある」と「〜が〜を引き起こす」は別の主張です。

誤解 6: 「有意でなかった＝効果がない」

修正: 効果が無いのではなく 検出できなかっただけ かもしれません。 SSDSE-B-2026 のように $n=47$ と小さいと検出力が不足し、 真の効果があっても有意にならないことが多々あります。 点推定だけでなく信頼区間の幅で「効果の不確実性」を判断してください。

🔄 因果推論のワークフロー: 問い→DAG→識別→推定→頑健性

因果を主張する分析は、 予測モデルの構築とは 手順そのものが異なります。 前処理→モデル訓練→精度評価という機械学習の流れではなく、 「どの仮定の下で因果効果が識別できるか」を設計する 5 ステップで進めます。 各ステップの詳細は本ページ後半「🧭 因果推論の 5 ステップ実践チェックリスト」に展開しています。

ステップ 1: 因果の問いを $X \to Y$ で 1 行にする

「$X$ を介入で変えたら $Y$ はどう変わるか」を単位・向き・ラグまで含めて明文化。 例: 「高齢化率が 1 ポイント上がると保健医療費は何円上がるか」。 これが曖昧なまま進めると「結局それは相関か因果か」で必ず揉めます。

ステップ 2: 因果ダイアグラム (DAG) を描く

$X$・$Y$・交絡因子・中間変数・操作変数を箱で描き、 因果の矢印を引く。 DAG を描くと「統制すべき変数」がバックドア基準から自動的に決まり、 コライダーや中間変数を誤って統制する事故を防げます。

ステップ 3: 識別戦略を 1 つ選ぶ

RCT / 差の差 (DID) / 操作変数法 (IV) / 回帰不連続 (RD) / 傾向スコア (PSM) から、 データ構造と成立しそうな仮定に合うものを 1 つ 選ぶ。 「全部試す」のではなく、 その仮定が壊れる場合にだけ別戦略を足します。

ステップ 4: 因果効果を推定する

選んだ戦略で平均処置効果 (ATE) や処置群平均処置効果 (ATT) を推定。 点推定だけでなく、 ブートストラップ等で信頼区間を必ず併記します ($n=47$ では区間が広くなる点に注意)。

ステップ 5: 頑健性チェック (感度分析・反証)

「未観測交絡がどれだけ強ければ結論が覆るか」を E-value や Rosenbaum bounds で定量化。 プラセボテスト・サンプル入れ替え・モデル仕様変更でも結論が変わらないかを確認して、 はじめて「因果」と主張します。

∑ 数学的導出: 因果効果 (ATE) の数式の出どころ

本ページの「📐 定義・数式」セクションでは結果だけを示しましたが、 ここではより詳細に導出を追います。 数式の出どころが分かると、 公式を暗記するのではなく、 必要に応じて再導出できるようになります。

因果推論の数学的核心を、 Rubin の potential outcomes framework で導出します。 各個体 $i$ に対し、 処置 $T_i \in \{0, 1\}$ と潜在結果 $(Y_i(0), Y_i(1))$ を定義。 観察される結果は $Y_i = T_i Y_i(1) + (1 - T_i) Y_i(0)$ (consistency 仮定)。 個体処置効果 $\text{ITE}_i = Y_i(1) - Y_i(0)$ は原理的に観測不可能 (一方しか観測されない) なので、 平均処置効果 $\text{ATE} = E[Y(1) - Y(0)]$ や処置群平均処置効果 $\text{ATT} = E[Y(1) - Y(0) | T=1]$ を集団レベルで推定します。 識別仮定として (i) SUTVA (個体間に干渉なし、 処置に複数バージョンなし)、 (ii) ignorability $\{Y(0), Y(1)\} \perp T | X$ (観測共変量で条件付ければ潜在結果と処置が独立)、 (iii) overlap $0 < P(T=1|X=x) < 1$ for all $x$ を仮定すると、 $\text{ATE} = E_X[E[Y|T=1, X] - E[Y|T=0, X]]$ で識別可能。 これは「観測共変量で層別したうえで処置・非処置の平均差を取り、 共変量分布で重み付け平均する」ことに対応し、 G-computation・傾向スコア・doubly robust 推定など複数の推定戦略があります。 傾向スコア $e(X) = P(T=1|X)$ を用いた IPW 推定量は $\hat{\text{ATE}} = \frac{1}{n} \sum_i [\frac{T_i Y_i}{e(X_i)} - \frac{(1-T_i) Y_i}{1-e(X_i)}]$ で、 これは漸近正規・一致推定量となります。

📍 文脈ボックス

🍰 まずはやさしく

データ分析でとても大切な考え方です。

正しくデータを読み解くために使います。

スマホの利用時間と成績の関係を調べるような例です。

この用語の定義や使い方について学びます。

この用語は 因果推論 カテゴリに属します。 関連する別称・略号：因果・原因と結果。

因果という言葉に出会うのは、 「〇〇が多い県ほど△△も多い」という集計を見て、 〇〇を増やせば（減らせば）△△も変わるのかを知りたくなった場面である。 SSDSE-B-2026 のような都道府県データは観察データなので、 そこから言えるのは基本的に相関までで、 因果を言うには比較のしかた（識別戦略）を工夫する必要がある。

このページでは、 相関と因果の違いを do 演算と ATE で定義し、 2023 年度 47 都道府県の実データで「件数どうしの強い相関が、 人口規模と高齢化を統制するとほぼ消える」例を確かめる。 そのうえで RCT・DiD・操作変数・傾向スコアなどの識別戦略をいつ使うかを整理する。

🎨 直感で掴む

🍰 まずはやさしく

パズルのピースを合わせるような感覚です。

見かけ上の関係にだまされないために使います。

アイスの売上と水難事故の関係のような例です。

直感的にわかる具体例で仕組みを考えます。

「アイスの売上が増えると溺死事故も増える」── これは相関。 因果ではない。 共通原因 (気温) が両方を引き起こしている。 もし「アイスの販売を禁止」と介入しても溺死は減らない。 因果とは「介入したら下流が変わる」関係。 観察データだけでは見破れない場合があり、 そこに因果推論技術が必要となる。

📐 定義・数式

🍰 まずはやさしく

ルールを決めて数式で表したものです。

厳密に正しさを証明するために使います。

ある行動を強制的に変えた時の反応を見る例です。

数式を使った正確な定義について読みます。

【Pearl の介入 (do 演算)】
$$ P(Y \mid \text{do}(X = x)) \,\ne\, P(Y \mid X = x) \quad (\text{一般には}) $$

$\text{do}(X=x)$ は「$X$ に強制的に $x$ を代入する介入」を表す。 条件付き分布 $P(Y|X)$ が観察での確率なのに対し、 $P(Y|\text{do}(X))$ は介入後の確率。 両者は交絡があると一致しない。

🔬 数式を言葉で読み解く

数式に出てくる記号の意味を 1 つずつ確認しましょう。

$X$
原因 (treatment)。
$Y$
結果 (outcome)。
$\text{do}(X)$
$X$ への介入操作 (Pearl)。
交絡因子
$X, Y$ 両方に影響する共通原因。

読むべき論文・教科書

📊 識別戦略の比較表: いつどれを選ぶ？

因果推論では「どの手法が高精度か」ではなく、 「手元のデータ構造で、 どの識別仮定が成立しそうか」で手法を選びます。 以下は主要な識別戦略の使い分けチートシートです。

識別戦略使える状況中心となる仮定
RCT (ランダム化比較試験)介入を自分でランダムに割り当てられる (A/B テスト等)ランダム化により全交絡が平均的に均衡
DID (差の差)一部の群だけに介入が入り、 介入前後のパネルがある平行トレンド (介入がなければ両群は平行に推移)
IV (操作変数法)逆因果・未観測交絡があり、 外生的な変動源 $Z$ がある関連性・除外制約・外生性の 3 条件
RD (回帰不連続)制度的なカットオフ (人口・年齢・点数) で処置が決まるしきい値近傍では処置割当がほぼランダム
PSM (傾向スコア)交絡因子がすべて観測できている観察データ条件付き独立性 (観測共変量で交絡が全て説明できる)

SSDSE-B-2026 は 47 都道府県 × 12 年度のパネルだが、 県を区切る制度上のカットオフや介入時期の情報は含まれないため、 DID・RD は外部資料と組み合わせないと使いにくく、 PSM と IV が現実的な選択肢になります (過去版と結合すればパネル化して DID も可)。 いずれの戦略も、 未観測交絡が残る限り「近似的な因果」に留まる点は共通です。

🧮 実値で計算してみる

RCT は理想的な因果推定。 観察データでは傾向スコアマッチングが代表手法。

STEP 1 因果仮説の明示
「$X$ が $Y$ の原因か」を DAG で図示。
STEP 2 交絡変数の特定
$X, Y$ 両方に影響する変数を列挙。
STEP 3 識別戦略
RCT / DID / IV / 傾向スコア。
STEP 4 感度分析
未観測交絡があっても結論が持つか確認。

🧮 数式に値を入れて手で計算する: 平均処置効果 (ATE)

合成データで処置群と対照群の平均差から ATE を計算する。

Step 1: 各群のアウトカム

群個体結果平均
処置58,10,12,11,910.0
対照55,7,6,8,46.0

Step 2: ATE = E[Y|T=1] - E[Y|T=0]

処置平均 = (8+10+12+11+9)/5 = 50/5 = 10.0 対照平均 = (5+7+6+8+4)/5 = 30/5 = 6.0 ATE = 10.0 - 6.0 = +4.0

🐍 Python で再現

1
2
3
4
5
6
7
import numpy as np
treated = np.array([8, 10, 12, 11, 9])
control = np.array([5, 7, 6, 8, 4])
ate = treated.mean() - control.mean()
print(f"処置平均: {treated.mean()}")
print(f"対照平均: {control.mean()}")
print(f"ATE = {ate}")

📤 実行結果

処置平均: 10.0 対照平均: 6.0 ATE = 4.0

💬 手計算 (Step 2) ATE=+4.0 と Python 出力が完全一致。 介入で +4 ポイントの効果。

🐍 Python 実装

最小実装の例。 SSDSE のような実データに対して、 まずはコピペで動かしてみるのが理解の早道です。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 SSDSE-B-2026(年度) A1303(65歳以上人口) A1101(総人口) L322106(保健医療費（二人以上の世帯）) 北海道 2,023 1,681,000 5,092,000 15,491 東京都 2,023 3,205,000 14,086,000 18,166 沖縄県 2,023 350,000 1,468,000 11,686 …（全 47 行）
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
# 因果推論には専用ライブラリを使う
# 例：DoWhy, EconML, CausalML
# from dowhy import CausalModel
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == df['年度'].max()].copy()      # 最新年度の 47 行
# 「高齢化率」は SSDSE に列が無いので導出する。「医療費」は
# 実際の列名が「保健医療費（二人以上の世帯）」
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100
df['医療費'] = df['保健医療費（二人以上の世帯）']
# 仮説：高齢化率 → 医療費 (原因→結果)
# 単純相関は因果と区別する
print(df[['高齢化率','医療費']].corr())
📤 実行例（実測） 高齢化率 医療費 高齢化率 1.000000 -0.490035 医療費 -0.490035 1.000000

💬 仮説は「高齢化が進むほど医療費が増える」だったのに、2023 年度の 47 都道府県では相関が −0.490 と逆向きに出た。ここでの医療費は二人以上世帯の月あたり保健医療費で、最も多いのは埼玉県 21,000 円・愛知県 18,175 円・東京都 18,166 円と、高齢化率が低い都市部の県が並ぶ。世帯の所得水準という共通の要因が両方に効いている可能性があり、相関の符号だけでは因果の向きも有無も決められない。

📝 より正確な分析 ── 実測では「高齢化率 × 保健医療費」は負の相関

SSDSE-B-2026 の 2023 年データ（47 都道府県）で、 高齢化率（＝65歳以上人口/総人口）と家計の保健医療費（二人以上の世帯, 列 L322106）のピアソン相関を実際に計算すると r ≈ −0.49 と負になります。 「高齢化率が高い県ほど医療費が高い（r が大きな正）」という直感は、 国民医療費（総額・公費負担）には当てはまっても、 SSDSE-B が収録するのは家計の保健医療支出（世帯の自己負担的な消費）である点に注意が必要です。 高齢化が進んだ地方県は世帯所得や消費総額が小さいため、 家計の保健医療支出はむしろ低く出ます。 つまり「どの変数を医療費と呼ぶか」で符号すら変わる ── これは因果を論じる前に変数定義と交絡（所得・世帯規模・都市度）を確認すべきことの好例で、 単純相関の強さ・向きを因果の証拠にできない典型です。

🐍 詳細実装例 (SSDSE-B-2026 適用版)

DoWhy で「DAG を書く → 識別 → 推定 → 反証テスト」の 4 段を通す例。 高齢化率 → 家計の保健医療費の効果を、 都市規模（総人口の対数）を交絡として統制して推定する。 所得の列は SSDSE-B に無いので、 消費支出で代用している。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
# === DoWhy で因果効果を識別・推定する ===
import numpy as np
import pandas as pd
import dowhy
from dowhy import CausalModel

raw = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
raw = raw[raw['年度'] == 2023]                      # 2023 年度の 47 都道府県

# SSDSE-B-2026 の列から DAG の変数を作る（面積・所得の列は無いので代理指標を使う）
df = pd.DataFrame({
    'aging_rate': raw['65歳以上人口'] / raw['総人口'],          # 高齢化率
    'medical_cost': raw['保健医療費（二人以上の世帯）'],          # 家計の保健医療費（円/月）
    'urban_scale': np.log(raw['総人口']),                       # 都市規模（人口密度の代わり）
    'income': raw['消費支出（二人以上の世帯）'],                 # 所得の代わりに消費支出
}).reset_index(drop=True)

# DAG を文字列で記述: 高齢化率 → 医療費 (都市規模を交絡として明示)
graph = '''
digraph {
    aging_rate -> medical_cost;
    urban_scale -> aging_rate;
    urban_scale -> medical_cost;
    income -> medical_cost;
}
'''
model = CausalModel(
    data=df,
    treatment='aging_rate',
    outcome='medical_cost',
    graph=graph
)

# 識別ステップ
identified = model.identify_effect()
print(identified)

# 推定ステップ (back-door + 線形回帰)
estimate = model.estimate_effect(
    identified,
    method_name='backdoor.linear_regression'
)
print('Causal effect estimate:', estimate.value)

# 反事実テスト (refutation)
refute = model.refute_estimate(
    identified, estimate,
    method_name='random_common_cause'
)
print(refute)

⚠️ このブロックは DoWhy ライブラリ（pip install dowhy）が必要。 DAG に書いた矢印（どれを交絡とみなすか）は分析者の仮定で、 推定値はその仮定の下でだけ意味を持つ。

🧪 交絡を統制すると関係はどう変わるか — 診療所の数と死亡数

このコードでやること：2023 年度の 47 都道府県で「一般診療所が多い県ほど死亡が多い」という見かけの関係を、 ① 件数どうし、 ② 人口あたりの率どうし、 ③ 高齢化率を回帰に入れて統制、 の 3 段階で見比べる。 交絡（人口規模と高齢化）を 1 つずつ取り除くと、 相関がどこまで残るかを確かめる。

📥 入力例（SSDSE-B-2026 の 2023 年度・47 都道府県、 使う列） 都道府県 総人口 65歳以上人口 死亡数 一般診療所数 北海道 5,092,000 1,681,000 75,120 3,403 東京都 14,086,000 3,205,000 137,241 14,894 沖縄県 1,468,000 350,000 15,110 928 …（全 47 行）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
import numpy as np
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
d = df[df['年度'] == 2023].copy()                      # 2023 年度の 47 都道府県

# ① 生の件数どうし：どちらも人口規模に比例する
r_raw = d['一般診療所数'].corr(d['死亡数'])

# ② 人口で割って規模をそろえる
d['診療所密度'] = d['一般診療所数'] / d['総人口'] * 1e5   # 人口 10 万人あたり
d['死亡率'] = d['死亡数'] / d['総人口'] * 1e3             # 人口千人あたり
d['高齢化率'] = d['65歳以上人口'] / d['総人口'] * 100      # %
r_rate = d['診療所密度'].corr(d['死亡率'])

# ③ 高齢化率を回帰に入れて統制する（最小二乗）
def ols(y, cols):
    X = np.column_stack([np.ones(len(d))] + [d[c] for c in cols])
    beta, *_ = np.linalg.lstsq(X, d[y], rcond=None)
    resid = d[y] - X @ beta
    r2 = 1 - (resid**2).sum() / ((d[y] - d[y].mean())**2).sum()
    return beta, r2

b1, r2_1 = ols('死亡率', ['診療所密度'])
b2, r2_2 = ols('死亡率', ['診療所密度', '高齢化率'])

print(f'① 件数どうしの相関      r = {r_raw:.3f}')
print(f'② 人口あたりにした相関  r = {r_rate:.3f}')
print(f'③ 死亡率 ~ 診療所密度             : 係数 {b1[1]:+.4f}  R² = {r2_1:.3f}')
print(f'   死亡率 ~ 診療所密度 + 高齢化率 : 係数 {b2[1]:+.4f}  高齢化率の係数 {b2[2]:+.3f}  R² = {r2_2:.3f}')
print(f'   高齢化率と診療所密度の相関 r = {d["高齢化率"].corr(d["診療所密度"]):.3f}')

📤 実行例（実測）

① 件数どうしの相関 r = 0.948 ② 人口あたりにした相関 r = 0.166 ③ 死亡率 ~ 診療所密度 : 係数 +0.0292 R² = 0.028 死亡率 ~ 診療所密度 + 高齢化率 : 係数 -0.0035 高齢化率の係数 +0.612 R² = 0.945 高齢化率と診療所密度の相関 r = 0.191

💬 読み方：件数どうしでは r = 0.948 と強い正の相関だが、 人口千人あたりの死亡率と人口 10 万人あたりの診療所密度に直すと r = 0.166 まで落ちる。 さらに高齢化率を回帰に入れると、 診療所密度の係数は +0.0292 から −0.0035 へほぼ 0 に縮み、 死亡率の説明はほとんど高齢化率（係数 +0.612、 R² が 0.028 → 0.945）が担う。 「診療所が死亡を増やす」ように見えた関係は、 人口規模と高齢化という共通原因でほぼ説明できる。 ただしこれは観測した交絡を統制しただけで、 まだ測っていない共通原因が残っていれば係数は変わりうる。

⚠️ よくある落とし穴

この用語を使うときに陥りがちな失敗パターン。 経験者ほどここに 1 度はハマっています。

❌ 相関を因果と混同
新聞・SNS で頻発する初歩的誤り。
❌ 逆向き因果
$X \to Y$ ではなく $Y \to X$ のことも。
❌ 交絡無視
共通原因を考慮しないと偽の因果。
❌ 選択バイアス
サンプル選び方が結果に依存していると因果推定が歪む。
❌ 交絡変数の見落とし
見えていない共通原因 (unmeasured confounder) があると、どんな統計モデルも因果効果を歪めます。感度分析 (E-value) で頑健性を確認してください。
❌ Collider への条件付け
DAG 上で衝突点 (collider) になっている変数で層別すると、本来無相関だった変数間に擬似相関 (selection bias) が生まれます。
❌ 時間順序の誤認
A と B の同時刻データだけでは因果方向は決まりません。パネルデータ・実験介入・縦断研究で時間先行性を確保する必要があります。
❌ 単一指標での因果主張
p 値や OR 単独で因果を語るのは危険。Bradford Hill 基準 (整合性・特異性・時間性等) を多角的に検討してください。

🗺 拡張概念マップ：因果 の周辺地図

中心の「因果関係」から、 因果効果を定義する枠組み（反事実 / Rubin、 DAG / do 演算）と、 観察データから因果効果を取り出す識別戦略（RCT・DID・操作変数・傾向スコア）が伸びている。 上下左右の 6 つは「定義の言葉」と「推定の道具」の 2 種類に分かれ、 どの道具も定義側の仮定（交絡がすべて観測されている、 平行トレンド、 除外制約など）に頼っている。

因果関係 RCT DAG / do 演算 傾向スコア 操作変数 (IV) DID 反事実 / Rubin

🔭 上級トピック: 因果効果の識別：Back-door / Front-door / Do-calculus

Judea Pearl の因果推論フレームでは、 観測データから因果効果 $P(Y|do(X))$ を識別する 3 大ツールが back-door 基準、 front-door 基準、 do-calculus です。 Back-door 基準は、 DAG 上で $X$ から $Y$ への因果経路を阻害せず、 かつ全ての裏口 (X の祖先経由の経路) を遮断する変数集合 $Z$ を見つけたら、 $P(Y|do(X)) = \sum_z P(Y|X,Z)P(Z)$ で識別できるというものです。 これは交絡を $Z$ で層別すれば因果効果が回復できる、 という直感に対応します。 Front-door 基準は、 $X$ と $Y$ の間に介在する変数 $M$ (媒介変数) があり、 $X→M→Y$ のチェーンが交絡されていないとき、 $X→Y$ の直接交絡を観測せずとも因果効果を識別する強力なツール。 Do-calculus は Pearl が定式化した 3 つの推論規則 (rule 1: independence, rule 2: action/observation exchange, rule 3: insertion/deletion of actions) を組み合わせて、 観測分布と介入分布を相互変換する一般理論で、 これら 3 規則の繰り返し適用で全ての識別可能なケースを網羅できることが Shpitser & Pearl により証明されています。 実務では完全な DAG を書くこと自体が困難なため、 sensitivity analysis (E-value, Rosenbaum bounds) で「未観測交絡がどれくらいあれば結論が覆るか」を定量化する補完的アプローチも重要です。 SSDSE-B-2026 のような 47 都道府県データでは、 都道府県を unit としつつ年次でパネル化することで、 固定効果モデル・差分の差分法を併用し、 観察データの限界の中で最善の因果推論を試みます。

🔗 隣接手法への橋渡し

因果関係 (X→Y) は単なる相関を超えて「介入したら結果が変わるか」を問う、 統計学から因果推論への橋渡し概念。

SSDSE-B-2026 で「都道府県の出生率と保育所定員数の相関」を見ても、 因果は不明 (逆因果や交絡の可能性)。 真の因果効果を測るには、 政策変更の前後比較 (DID) や、 保育所拡充の自然実験を活用する設計が必要。

🌳 意思決定ツリー: 因果 を選ぶか

「因果 を使うべきか」を判断するためのフローチャート。 上から順番に Yes/No で答えていけば、 自分の問題に最適な手法選定にたどり着きます。

  1. 1. RCT (ランダム化実験) は可能か？ Yes → 実施 (最強の因果証拠) / No → 2 へ。
  2. 2. パネルデータ (同一個体の時系列観測) があるか？ Yes → 固定効果モデル・DID を検討 / No → 3 へ。
  3. 3. 自然実験 (準ランダムな介入変動) はあるか？ Yes → 操作変数法・回帰不連続デザインを検討 / No → 4 へ。
  4. 4. 潜在的交絡変数を観測できるか？ Yes → back-door 基準で識別、 傾向スコア法等で推定 / No → 5 へ。
  5. 5. 媒介変数があり、 front-door 基準を満たすか？ Yes → front-door 識別 / No → 6 へ。
  6. 6. 感度分析で結論の頑健性を評価。 Tipping point (E-value) を計算し、 「未観測交絡がどれくらいあれば結論が覆るか」を定量化。

🎮 触って理解する

同じ「$X$ と $Y$ の散布図」でも、 背後の因果構造が違えば相関の意味はまるで変わります。 下のパネルで 3 つの構造を切り替え、 「$Z$ で条件付ける」と相関がどう動くかを自分の手で確かめてください。 大原則は 2 つ ── 交絡は条件付けで消え、 コライダーは条件付けで偽の相関が生まれる。 計算はすべて生成した点から実際にピアソン相関・偏相関を求めています。

見かけの相関 r(X,Y)0.00
Z で条件付けた相関（偏相関）0.00

🧠 直感：相関 ≠ 因果

散布図に右上がりの点の雲があっても、 それが「$X$ が $Y$ を引き起こす」ことを意味するとは限りません。 上のパネルの ② 交絡を選ぶと、 $X{\to}Y$ の矢印が一本も無いのに、 共通原因 $Z$ が両方を押し上げるだけで、 きれいな相関が現れます。 これがいわゆる疑似相関です。 逆に ① 直接因果では、 $Z$ を条件付けても相関がほぼ変わらず、 do(X) 介入でも残ります ── これが「本物の因果」の手触りです。

⚠️ よくある落とし穴：コライダーで「調整」してはいけない

「関係ありそうな変数はとりあえず全部入れて回帰する」は危険です。 パネルの ③ コライダーでは、 $X$ と $Y$ はもともと無相関（$r\approx0$）なのに、 合流点 $Z$（$X{\to}Z{\leftarrow}Y$）で条件付けた瞬間に偽の相関が湧き出します。 これがコライダーバイアス（合流点バイアス）です。 統制すべきは交絡因子であって、 コライダーや中間変数（mediator）を統制すると、 むしろ存在しない関係を作り出してしまいます。 「何を入れるか」は変数の数ではなく因果構造（DAG）で決めます。

🚀 発展：RCT・DAG・反事実

パネルの do(X) 介入ボタンは、 Pearl の $\text{do}$ 演算そのものです。 $X$ をランダムに割り当て、 $X$ に入ってくる矢印（交絡経路）を物理的に切断します。 交絡構造で do(X) を押すと見かけの相関が 0 に落ち ── これがランダム化比較試験（RCT）が交絡を消すメカニズムです。 観察データで RCT が使えないときは、 まず DAG（有向非巡回グラフ）を描いて「どの変数を条件付ければ交絡経路が塞がり、 かつコライダーを開かないか」（バックドア基準）を決め、 傾向スコア・操作変数法・DID などで因果効果を推定します。 究極的に因果が問うているのは反事実（counterfactual） ── 「もし介入していなかったら $Y$ はどうなっていたか」という、 観測できないもう一つの世界です。

🧠 解説深化 ① 直感 ── 「相関 ≠ 因果」を 3 条件と do 演算で言い切る

因果を一言でいえば「介入したら結果が変わる」関係です。 単に一緒に動く (相関) だけでは足りません。 判定の軸は 3 つ ── (1) 時間的先行: 原因は結果より先に起きる、 (2) 共変動: $X$ が動くと $Y$ も動く、 (3) 交絡の排除: 両者を同時に動かす第三の共通原因 (交絡) が無い。 この 3 条件を全て満たして初めて「$X$ が $Y$ の原因」と言えます。 (1)(2) だけなら 疑似相関 でも簡単に成立してしまいます。

Pearl の記法では、 観察で見える確率 $P(Y \mid X=x)$ と、 世界に手を突っ込んで $X$ を $x$ に強制したときの確率 $P(Y \mid \text{do}(X=x))$ を区別します。 交絡があると両者は一致しません。 「$X$ を観察したら $Y$ が高い」は、 「$X$ を上げたら $Y$ が上がる」を意味しないのです。 さらにその先に 反事実 (counterfactual) があります ── 「この県が実際には政策を導入したが、 もし導入していなかったら $Y$ はどうなっていたか」。 観測できないもう一つの世界との差こそが、 個体レベルの因果効果です。

📊 実データで見る「相関はあるが因果ではない」── SSDSE-B-2026 (2023 年, 47 都道府県)

「一般病院数 (I510120)」と「歯科診療所数 (I5103)」の県別ピアソン相関は r ≈ +0.90 と非常に強い正相関です。 だからといって「病院が増えると歯医者が増える」わけではありません。 両者を 総人口 (A1101) で統制した偏相関は r ≈ +0.16 まで落ちます (病院と人口は r ≈ 0.90、 歯科と人口は r ≈ 0.98)。 つまり見かけの強相関のほとんどは「人口という共通原因」が作った 交絡 です。 このように、 数を数えた変数どうしは人口規模で必ず相関します ── 相関係数の大きさは因果の証拠にならない、 という好例です。 ページ上部の 🎮 ウィジェットの「② 交絡」を選び「$Z$ で条件付ける」をオンにすると、 この現象を自分の手で再現できます。

⚠️ 解説深化 ② 落とし穴 ── 偽の因果を生む 7 つの罠

「相関を因果と混同」は入口に過ぎません。 現場で結論を覆すのは、 次の 7 パターンです。 特に太字の 3 つ (コライダー・媒介変数・シンプソン) は「変数を統制したこと自体が誤りを生む」ため、 統計に慣れた人ほど陥ります。

罠何が起きるか対処 / 関連ページ
交絡 (共通原因)$X \leftarrow Z \rightarrow Y$。 共通原因 $Z$ が両方を動かし、 因果が無くても相関が出る。交絡 を統制 (層別・回帰・傾向スコア)
逆因果向きが逆 ($Y \rightarrow X$)、 または双方向 (内生性)。 「医師が多い県は病人が多い」の類。逆因果 / 内生性 / 同時性
選択バイアス標本の選ばれ方が結果に依存。 「成功例だけ」を集めると効果が歪む (生存バイアス)。選択バイアス
コライダーで条件づけ$X \rightarrow Z \leftarrow Y$。 合流点 $Z$ で層別・統制すると、 無相関だった $X,Y$ に偽の相関が湧く。コライダーは統制しない (DAG で判定)
媒介変数の誤統制$X \rightarrow M \rightarrow Y$ の $M$ を統制すると、 $X$ の総合効果を過小評価する (過剰調整)。総合効果を見たいなら媒介 $M$ は入れない
生態学的誤謬集団 (県) レベルの相関を、 個人レベルの因果に読み替える誤り。 集計の相関 ≠ 個人の関係。分析単位と主張単位を一致させる
シンプソンのパラドックス全体の傾向と、 群別に見た傾向が逆転する。 どちらを見るべきかは因果構造で決まる。下記の解説を参照

生態学的誤謬 (ecological fallacy) ── 都道府県データ特有の罠

SSDSE-B-2026 は 47 都道府県という集計 (集団) データです。 ここで得た相関を、 そのまま「個人」の因果に翻訳すると誤ります。 例えば「持ち家比率が高い県ほど平均寿命が長い」という県レベルの相関があっても、 「持ち家を買えば寿命が延びる」という個人の因果は導けません。 県内での個人差、 所得・地域医療などの交絡が集計で潰れているからです。 集計データで見えるのは県の特徴どうしの関係であって、 個人の介入効果ではない ── これを常に意識してください。 逆に、 個人データの関係を集団に当てはめる誤り (原子論的誤謬) もあります。

シンプソンのパラドックス ── 「全体」と「群別」で符号が逆転する

ある治療 $X$ と回復 $Y$ を全体で見ると「治療した方が回復率が低い」ように見えるのに、 重症度で群を分けると、 軽症群でも重症群でも「治療した方が回復率が高い」という逆転が起きることがあります。 これがシンプソンのパラドックスです。 鍵は「どちらの数字が正しいか」ではなく「重症度が交絡か媒介か」という因果構造 ── 重症度が治療選択と回復の両方に影響する交絡なら群別 (調整後) が正しく、 治療が重症度を経由して回復に効く媒介なら全体 (調整前) が正しいのです。 数字だけでは決まらず、 DAG が判定を与えます。

架空の数値例 (説明用に作った数字であり実データではありません)

群治療あり 回復率治療なし 回復率
軽症93% (81/87)87% (234/270)
重症73% (192/263)69% (55/80)
合算78% (273/350)83% (289/350)

群別ではどちらも治療が優位 (+6, +4 ポイント) なのに、 合算では治療が劣位 (−5 ポイント) に見えます。 重症患者ほど治療を受けやすい (重症度 → 治療) ため、 治療群に重症が偏り、 単純合算が歪みます。 重症度は交絡なので、 ここでは群別 (調整後) が正しい結論です。

🚀 解説深化 ③ 発展 ── DAG・潜在結果・識別戦略・因果の階層

DAG とバックドア基準 ── 「何を統制するか」を機械的に決める

DAG (有向非巡回グラフ) は変数を箱、 因果を矢印で描いた図です。 描くと、 統制すべき変数集合が バックドア基準 から自動的に決まります。 基準は「$X$ の子孫を含まず、 $X$ から $Y$ への裏口経路 (backdoor path) を全て塞ぐ集合 $Z$」。 その $Z$ で条件づければ $P(Y \mid \text{do}(X)) = \sum_z P(Y \mid X, Z{=}z)\,P(Z{=}z)$ で因果効果が識別できます。 逆に、 コライダーを $Z$ に入れると塞がっていた裏口が開いてしまう ── だから「関係ありそうな変数を全部入れる」は誤りなのです。 統制すべきは交絡、 入れてはいけないのはコライダーと媒介変数、 という判定を DAG が与えます。

反事実と潜在結果 (Rubin) ── 因果効果を数式で定義する

各個体 $i$ に、 処置を受けた場合の結果 $Y_i(1)$ と受けなかった場合の結果 $Y_i(0)$ という 2 つの潜在結果を考えます。 個体因果効果は $Y_i(1)-Y_i(0)$ ですが、 現実には片方しか観測できません (因果推論の根本問題)。 そこで集団平均 $\text{ATE}=E[Y(1)-Y(0)]$ を推定対象にします。 無視可能性 $\{Y(0),Y(1)\}\perp T \mid X$ と重なり (overlap) の仮定の下で、 観測データから $\text{ATE}=E_X\big[E[Y\mid T{=}1,X]-E[Y\mid T{=}0,X]\big]$ として識別できます。 Pearl の do 演算と Rubin の潜在結果は、 同じことを別の言語で述べた等価な枠組みです。

識別戦略の地図 ── RCT / 自然実験 / IV / DID / RDD

介入をランダムに割り当てられるなら RCT (ランダム化比較試験) が王道で、 交絡を平均的に均します。 それが不可能な観察データでは、 制度や偶然が作った「あたかも実験」= 自然実験 を使います。 主要な識別戦略は次の通りです。

なお、 時系列における「予測に役立つか」を問う グレンジャー因果 は、 反事実的な意味での因果とは別物である点に注意してください (予測可能性 ≠ 介入効果)。 手法選択の詳細は本ページ上部「📊 識別戦略の比較表」も参照。 因果推論 (causal-inference) の体系全体を扱う独立ページは本用語集には未収録のため、 各識別戦略の個別ページを辿ってください。

Pearl の因果のはしご (Ladder of Causation) ── 関連・介入・反事実

Pearl は因果的な問いを 3 段のはしごに整理しました。 上の段は下の段の情報だけでは原理的に答えられないのが要点です。

段レベル典型的な問い記法 / 必要なもの
第 1 段関連 (Association)
見る		「$X$ を観測したら $Y$ はどうなっている?」$P(Y\mid X)$ ── 観察データだけで済む
第 2 段介入 (Intervention)
する		「$X$ を変えたら $Y$ はどう変わる?」$P(Y\mid \text{do}(X))$ ── DAG + 識別戦略が要
第 3 段反事実 (Counterfactual)
想像する		「もしあのとき違えていたら $Y$ はどうだった?」$Y_x \mid X{=}x', Y{=}y'$ ── 構造モデルが要

相関分析は第 1 段、 RCT や DID は第 2 段、 「この患者にこの薬を投与していなかったら助かったか」といった問いは第 3 段です。 観察データ (第 1 段) からいきなり介入や反事実に登るには、 因果構造の仮定というはしごの横木が必要になります ── これが因果推論という営みの本質です。

💡 30秒結論 📍 文脈 🎨 直感 📐 数式 🔬 記号 🧮 計算例 🐍 Python ⚠️ 落とし穴 🌐 関連手法 🔗 関連用語 📚 さらに学ぶ