🎨 概念図で押さえる

内生性（説明変数と誤差項の相関）は OLS 推定にバイアスをもたらす。 残差プロット、 多重共線性 (VIF)、 OLS 仮定の図で全体像を直感する。

→ 内生性の検出は「残差診断 → 多重共線性 → OLS 仮定検証」の順で進める。 検出されれば操作変数法 (IV) や Hausman 検定で対処。

✅ 理解度チェック

1. 内生性の主な原因 3 つを列挙できるか？ （ヒント：欠落変数 / 同時方程式 / 測定誤差）
2. OLS の前提 E[ε|X]=0 が崩れると、 推定値にどのような影響があるか？
3. 操作変数法 (IV) で使う変数の必要条件 2 つは？
4. Hausman 検定の帰無仮説は何か？
5. SSDSE-B の「教育費 (L322108) と消費支出 (L3221)」の分析で内生性が起きる典型シナリオを 1 つ挙げよ。

→ 全項目に答えられれば、 計量経済学の因果推論を実務に応用できる。

🧮 数式に値を入れて手で計算する: 内生性によるバイアス

合成データで OLS 推定値と真の係数のずれを計算する。

Step 1: 真のモデル

Step 2: バイアスの公式

🐍 Python で再現

1
2
3
4
5
6
7
8
9

beta_x_true = 2
beta_z = 3
cov_xz = 0.5
var_x = 1.0
bias = beta_z * cov_xz / var_x
estimated = beta_x_true + bias
print(f"バイアス: {bias}")
print(f"推定値: {estimated}")
print(f"真値: {beta_x_true}")

📤 実行結果

💬 手計算 (Step 2) バイアス 1.5 と Python 出力が完全一致。

🔗 隣接手法への橋渡し

内生性は単独の問題ではなく、 因果推論 ・操作変数 ・差分の差分 ・固定効果 ・自然実験を貫く中核的な障害である。 観察データから因果効果を推定するときは必ず内生性の有無を最初に検討する。

• 上流（前処理・データ整備）: 因果推論 (DiD) / 回帰分析 / 研究デザイン (AB テスト)
• 並列（代替・補完手法）: 欠落変数バイアス (交絡) / 同時性バイアス (IV) / 測定誤差
• 下流（評価・解釈・応用）: 操作変数法 (IV) / 差分の差分法 / 回帰不連続デザイン

内生性は「説明変数と誤差項が相関してしまう状況」で、 上流の研究設計で因果構造を描き、 並列の操作変数・差分の差分・固定効果と組み合わせ、 下流の係数推定が偏らないようにモデル選択を行う必要がある。

🔖 キーワード索引

「endogeneity」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「endogeneity」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「endogeneity の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 内生性を見抜く直感

「賃金 = α + β × 教育年数 + ε」を OLS で推定すると、 教育年数の係数 β が真の効果より大きく出る。 これは ε に「もともとの能力」が入っており、 能力が高い人は教育年数も長いという相関が生まれているため。 結果として β = 真の教育効果 + 能力からの混入バイアス となる。

これを SSDSE-B-2026 の実在列で例えれば、 「県の大学数 (E6102) X → 消費支出 (L3221) Y」を OLS 推定すると、 「県の人口規模・都市化度」といった未観測の第三因子が ε に潜み、 X の係数を歪める。 内生性を直感で捉える 3 つの問: (a) X を決めるとき Y も同時に決まらないか、 (b) X と Y を両方動かす第三因子はないか、 (c) X の観測値に誤差はないか。

具体例として、 SSDSE-B-2026 のデータを使い、 endogeneity を実際に動かすイメージを次節以降で示す。 数式 → 値代入 → 手計算 → Python 実装 の流れで、 抽象と具体を行き来しながら理解を深める。

📐 数式または定義

endogeneity の定義や代表的な数式を以下に示す。 数式の各記号の意味は次節で言葉に翻訳する。

endogeneity は文脈に応じて複数の定式化があるが、 教育目的では最も基本的な形を抑えることが重要。 具体的な値での計算例は後続セクションを参照。

$$\text{endogeneity}: f(\mathbf{X}, \boldsymbol{\theta}) \to y$$

記号の対応はこうです。 内生性は $\mathrm{Cov}(x, \varepsilon) \ne 0$、 つまり説明変数 $x$ と誤差項 $\varepsilon$ が相関している状態を指します。 $\varepsilon$ は「モデルに入れなかったすべての要因」の受け皿なので、 $x$ と $\varepsilon$ が相関するとは「$x$ と関係する何かを、説明変数に入れ忘れている」という意味です。 このとき OLS 推定量 $\hat{\beta}$ は $\beta + \mathrm{Cov}(x,\varepsilon)/\mathrm{Var}(x)$ に収束し、 サンプルをいくら増やしても真の値からずれたままになります（不偏でも一致でもない）。 操作変数 $z$ に求められるのは $\mathrm{Cov}(z, x) \ne 0$（関連性）かつ $\mathrm{Cov}(z, \varepsilon) = 0$（外生性）の 2 条件で、 後者はデータから検証できないため、 分野知識による正当化が必要です。

🔬 数式を言葉で読み解く

前節の数式に含まれる記号を、 日本語の意味に翻訳する。

• X, Y — 観測されたデータ系列 (SSDSE-B-2026 の各列など)
• n — 標本サイズ (47 都道府県データなら 47)
• θ, β, α — 推定すべき未知パラメータ
• ε, u — 観測されない誤差項・撹乱項
• E[·] — 期待値 (母集団平均)
• Var, Cov — 分散・共分散
• arg min / arg max — 「最小化 / 最大化するパラメータ」の意

endogeneity の数式は、 これらの記号を組み合わせて「データから未知量を推定する」あるいは「データの構造を要約する」プロセスを記述している。

🧮 実値で計算してみる

SSDSE-B-2026 で「教育費 (L322108) は幼稚園数 (E1101) と相関するか」を OLS で見るとき、 内生性 (省略変数バイアス) がどう生じるかを実値で計算する。 真のモデルは「教育費 ~ 幼稚園数 + 地価 (C5401)」だが、 地価を省略すると OLS バイアスが乗る。

Step 1: 真のモデルと観測する変数

Step 2: バイアスの公式

Step 3: 真値からの乖離

これが内生性 (= 説明変数と誤差項が相関) によるバイアス。 SSDSE-B-2026 のように「県の規模」が裏に隠れていると、 ほぼ全ての OLS で同様のバイアスが乗る。

🐍 Python 実装

SSDSE-B-2026 で「省略変数バイアスを実演」する Python コード。 真モデル (L322108 ~ E1101 + C5401) と OLS バイアス付き (L322108 ~ E1101 のみ) を比較する。

🎯 このコードでやること: SSDSE-B-2026 で 2 つの回帰を回し、 「真モデル」と「省略 OLS」の β1 を比較。 省略変数バイアスを定量化する。

📥 入力データ: SSDSE-B-2026 の E1101 (幼稚園数), C5401 (地価), L322108 (教育費)。 47 都道府県。

1
2
3
4
5
6
7
8
9
10
11
12
13

import pandas as pd
import statsmodels.api as sm
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023年度47都道府県
# 標準化
for c in ['E1101', 'C5401', 'L322108']:
    df[c] = (df[c] - df[c].mean()) / df[c].std()
# 真モデル (両方を入れる)
m_true = sm.OLS(df['L322108'], sm.add_constant(df[['E1101','C5401']])).fit()
# 省略 OLS (C5401 を入れない)
m_omit = sm.OLS(df['L322108'], sm.add_constant(df[['E1101']])).fit()
print(f"真モデル E1101 係数: {m_true.params['E1101']:.3f}")
print(f"省略 OLS E1101 係数: {m_omit.params['E1101']:.3f} (バイアス込み)")

📤 実行結果 (実CSVで実行):

💬 結果の読み方: 省略 OLS では幼稚園数の係数が 0.655 と大きな正に見えるが、 地価 C5401 を制御すると -0.013 とほぼゼロ。 つまり見かけの効果はほぼ全てが省略変数バイアスである。 E1101 (幼稚園数) と C5401 (地価) の相関は r = 0.89 (実測) と強く、 地価を省くと幼稚園数が「地価 (都市化) 経由の効果」を丸ごと拾ってしまう。 バイアス公式どおり 0.655 = -0.013 + 0.749 × 0.892 が実データで成立する (0.749 は真モデルの C5401 係数)。 IV (Instrumental Variable) や fixed-effect で対処するのが定石。

⚠ 落とし穴

endogeneity を実務で使う際に頻発する誤用・落とし穴を列挙する。 多くは「前提の確認不足」「結果の過信」「他手法との比較不足」が原因で、 事前にチェックリスト化することで回避できる。

• データ前提の見落とし: endogeneity の理論的前提が成立していないのに適用してしまう。 対策: 適用前に前提検定や図示で確認。
• 結果の過大解釈: 統計的有意性と実用的重要性を混同。 サンプルが大きければ p 値は容易に小さくなる。 効果量も併記。
• 外れ値の影響: 平均ベースの手法は外れ値で結果が大きく揺れる。 中央値や頑健統計量で頑健性を確認。
• 多重比較の問題: 複数の検定を繰り返すと偽陽性が累積。 Bonferroni 補正や FDR 制御を導入。
• 他手法との比較不足: 「endogeneity を使った結果」が正しく見えても、 別手法で違う結論が出る場合がある。 必ず 2 種類以上の手法で検証。

🌐 関連手法・派生

内生性 (endogeneity) は「説明変数と誤差項が相関する」という回帰分析の根本問題。 因果推論・計量経済学・統計的因果探索の中心テーマで、 OLS の不偏性を破壊し、 政策効果や処置効果の推定値を歪める。 操作変数法・DID・回帰不連続デザイン・DML など多くの手法は、 内生性を克服するために設計されている。

• 上位概念: 因果推論 (Causal Inference)、 Rubin の Potential Outcome Framework、 Pearl の構造的因果モデル (SCM)。 内生性は「観察データから因果効果を識別できない理由」の総称。
• 原因の三類型: (1) 欠落変数バイアス (omitted variable bias)、 (2) 同時性 (simultaneity / 逆因果)、 (3) 測定誤差 (errors-in-variables)。 各原因で対処法が異なる。
• 並列対処法: 操作変数法 (IV / 2SLS)、 固定効果モデル、 DID、 RDD、 傾向スコア、 DML (Double Machine Learning)、 合成統制法。
• 診断手法: Hausman 検定 (OLS vs IV の比較)、 Durbin-Wu-Hausman、 過剰識別検定 (Sargan / Hansen J 検定)、 弱操作変数検定 (F > 10)。
• 派生・拡張: GMM (一般化モーメント法)、 LIML、 control function アプローチ、 機械学習を活用した DML、 非線形 IV。
• 競合・代替: RCT (ランダム化比較試験) — 内生性を実験設計で根絶。 観察データでは IV / DID / RDD が現実的代替案。

内生性は「データを見ても見えない問題」であり、 ドメイン知識と理論的議論が不可欠。 「説明変数が決まる仕組み」を疑い、 適切な識別戦略を選ぶことが因果推論の本質である。

🔗 関連用語

endogeneity を学ぶ際に併読すると理解が深まる関連用語を「前提・並列・発展」の 3 区分で整理する。

• 前提概念: OLS の前提 (Cov(x,ε)=0) / 重回帰分析 (multiple-regression) / 残差分析 / 期待値・共分散の演算 / 因果ダイアグラム (DAG) — 内生性が起こる「外生性違反」を理解する基礎
• 並列概念: 操作変数法 (IV) / 二段階最小二乗法 (2SLS) / 差分の差分法 (DiD) / 回帰不連続デザイン (RDD) / 固定効果モデル — いずれも内生性を回避して因果効果を識別する別アプローチ
• 発展概念: GMM / Heckman 二段階推定 / 制御関数法 / 構造方程式モデリング (SEM)、 SSDSE-B-2026 の県別パネル分析で「教育費 (L322108) → 消費支出 (L3221)」の同時決定・欠落変数を IV / DiD で除去する応用（なお SSDSE-B に GDP・所得の列は存在しない）

各概念は本用語集の他ページにリンクしている。 関連用語を横断的に学ぶことで、 endogeneity の位置付けが明確になる。

📚 関連グループ教材

endogeneity を学ぶ際に併読すると理解が深まる関連グループ教材を以下にまとめる。

• 📚 用語集トップ — 全 514 用語のインデックス
• 🌐 関連手法・派生 — endogeneity と関連する具体的な手法群
• 🔗 隣接手法への橋渡し — endogeneity と組み合わせる前段・後段手法
• 🌳 手法選択フロー — endogeneity を含む手法の使い分け判断
• 🗺 全体概念マップ — 用語集全体の関係図

これらを順に参照することで、 内生性 (説明変数と誤差項の相関) を IV / 2SLS / DiD / RDD で識別する一連の因果推論パイプライン (SSDSE-B-2026 の県別教育費 L322108 → 消費支出 L3221 の関係を Hausman 検定 → 操作変数法で再推定する流れ) が体系的に理解できる。

🗺 概念マップ

内生性 (endogeneity, Cov(x,ε)≠0) を中心に、 前提 (OLS の外生性仮定・DAG)・並列 (交絡バイアス・選択バイアス)・発展 (IV/2SLS)・応用 (SSDSE-B-2026 県別パネル分析)・対比 (外生変数 Cov(x,ε)=0 のケース)・統合 (DiD/RDD/固定効果) を 6 方向に配置した。

🔗 隣接手法への橋渡し

「endogeneity」を中心に、 隣接する手法・概念との関係を以下に整理する。 単独の手法理解にとどまらず、 分析パイプライン全体での位置付けを把握することで、 適切な前段・後段・代替手法を選べる。

🌳 手法選択フロー

内生性 (endogeneity) への対処手法は、 (1) 内生性の原因（欠落変数 / 逆因果 / 測定誤差）、 (2) データの形（クロスセクション / パネル / 自然実験）、 (3) 識別仮定の妥当性 の 3 軸で決まる。 以下に典型シナリオと対応する因果推論手法の組合せを示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ (因果推論固有)

1. 識別仮定の明示: 操作変数なら「除外制約 (Z は ε と無相関)」「関連性 (Z と X の相関が十分強い)」を明示し、 第 1 段階の F 統計量 ≥ 10 を確認 (弱操作変数の回避)
2. Hausman 検定: OLS 推定量と 2SLS 推定量を比較し、 内生性が統計的に有意か検定する
3. 過剰識別検定 (Sargan / Hansen J): 操作変数が複数ある場合、 すべてが本当に外生か検定する
4. 並行トレンド仮定の検証 (DiD の場合): 処置前期間で処置群と対照群のトレンドが一致しているかを可視化・プラセボ検定で確認
5. 感度分析: 未観測交絡因子がどの程度強ければ結果が反転するかを評価 (Rosenbaum bounds、 E-value 等)
6. 結果の経済学的・分野的解釈: 推定された因果効果の符号と大きさが、 既存理論や先行研究と整合的かを必ず検討する

🧮 補強：内生性の 3 大原因を SSDSE-B-2026 で見抜く

「説明変数 X が誤差項 ε と相関する」内生性は、 抽象的に聞こえますが具体的な原因は 3 つに分類できます。 SSDSE-B-2026（47 都道府県データ）の文脈で、 それぞれをどう識別し、 どう対処するかを整理します。

🐍 Hausman 検定 — OLS と IV を比較して内生性を判別

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

import pandas as pd
from linearmodels.iv import IV2SLS

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023年度47都道府県
# A1301=15歳未満人口, A1101=総人口, A4101=出生数, A1303=65歳以上人口

# OLS
import statsmodels.api as sm
X_ols = sm.add_constant(df[['A1301']])
ols = sm.OLS(df['A1101'], X_ols).fit()

# IV：操作変数として 出生数 (A4101) を使う想定
iv_model = IV2SLS.from_formula(
    'A1101 ~ 1 + [A1301 ~ A4101] + A1303',
    data=df
).fit()

print('OLS β:', round(ols.params['A1301'], 4))
print('IV β :', round(iv_model.params['A1301'], 4))
# 両者が大きく異なれば内生性の疑い大
print(iv_model.wu_hausman())  # p 値 < 0.05 で内生性あり

📊 各対処法の適用条件

💡 判断フロー：(1) 理論的に内生性を疑うべき変数を特定 → (2) Hausman / Wu 検定で統計的に確認 → (3) 利用可能なデータ構造（パネル？ 自然実験？）に応じた手法選択 → (4) 結果を OLS と比較し感度分析、 が王道です。

📚 補強2：内生性対処の「因果推論パイプライン」— 5 ステップ

実務で内生性に対処するときは、 単一手法に頼らず 5 段階のパイプライン で取り組むのが定石です。 SSDSE-B-2026 を題材に、 各ステップで何をするかを整理します。

📋 5 ステップ概要

🔬 Step 1：DAG（有向非巡回グラフ）で前提を可視化

SSDSE-B-2026 で「教育費 (L322108) X が消費支出 (L3221) Y に与える効果」を検証する場合、 仮定する因果関係を DAG で描いておくと、 後続の手法選択が機械的に決まります（高齢化率は A1303/A1101 から、 地価水準は C5401 から作れる実在列ベースの変数）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 例：DAG を networkx で可視化
import networkx as nx
import matplotlib.pyplot as plt

G = nx.DiGraph()
edges = [
    ('教育費', '消費支出'),     # 主要因果 (L322108 → L3221)
    ('高齢化率', '教育費'),     # 交絡 (A1303/A1101)
    ('高齢化率', '消費支出'),     # 交絡
    ('地価水準', '教育費'),     # 交絡 (C5401)
    ('地価水準', '消費支出'),
]
G.add_edges_from(edges)
pos = nx.spring_layout(G, seed=1)
nx.draw(G, pos, with_labels=True, node_color='#FFCDD2', node_size=2400, font_size=11)
plt.title('DAG: 教育費と消費支出の因果')
plt.show()

🐍 Step 4：弱操作変数検定 — IV が信頼できるか

操作変数法（IV）は「強い操作変数」を前提とします。 弱い IV では推定がかえって悪化するため、 第 1 段階の F 統計量で IV の強さを確認します（経験則：F > 10）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd, statsmodels.api as sm

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

# 第 1 段階：内生変数 A1301 (15歳未満人口) を IV A4101 (出生数) で回帰
first_stage = sm.OLS(df['A1301'],
                     sm.add_constant(df[['A4101']])).fit()
F_stat = first_stage.fvalue
print(f'第 1 段階 F 統計量: {F_stat:.1f}')
print('F > 10 なら IV は強い（経験則）')
# 2023年度47都道府県の実測では F = 9915.6 (r = 0.998) と極めて強い

🌐 Step 5：感度分析 — Rosenbaum の境界 / E-value

観測されない交絡が結果を反転させるには「どれくらい強い必要があるか」を計算するのが感度分析です。 E-value（VanderWeele & Ding, 2017）は「観察された関連を説明するために必要な未観測交絡の強さ」を 1 つの数字で要約します。

1
2
3
4
5

# 簡易 E-value 計算（リスク比 RR の場合）
RR = 2.5  # 推定された処置効果
E_value = RR + (RR * (RR - 1)) ** 0.5
print(f'E-value: {E_value:.2f}')
# 解釈：未観測交絡が処置・結果と E-value 倍以上関連していないと結果は説明できない

💡 パイプライン全体のチェックリスト

1. DAG を描けるか？（描けないなら因果分析を諦める方が誠実）
2. 内生性源を 3 分類のどれか特定できたか？
3. 選んだ手法の前提条件はデータが満たすか？
4. 統計的検定で内生性 / IV の強さを確認したか？
5. 感度分析で結論の頑健性を確認したか？

💡 論文への教訓：因果推論の論文は「手法が正しい」だけでなく「前提が明示されている」が査読の通過点。 DAG と感度分析を併記するだけで査読者の信頼が上がります。

📚 補強3：内生性研究の歴史と関連手法マップ

内生性（endogeneity）は、 計量経済学が「観測データから因果関係を読み取る」ために闘ってきた最大の難題の一つです。 その歴史を概観すると、 現代の因果推論手法が「なぜそうあるか」が見えてきます。

🕰 計量経済学が築いた階段

🌐 関連手法の全体マップ

内生性に対処する手法は大きく 4 つの系統に分かれます。 それぞれの強み・弱みを整理しておくと、 実データに直面したときの選択肢がクリアになります。

🐍 統合実装：4 手法を SSDSE-B-2026 で並べる

 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

import pandas as pd
import statsmodels.api as sm
from linearmodels.iv import IV2SLS

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # A1101=総人口, A1301=15歳未満人口, A4101=出生数, A1303=65歳以上人口

# 1. ナイーブ OLS
X1 = sm.add_constant(df[['A1301']])
ols = sm.OLS(df['A1101'], X1).fit()
print(f'OLS: β = {ols.params["A1301"]:.4f}')

# 2. 制御変数追加（観測される交絡を補正）
X2 = sm.add_constant(df[['A1301', 'A1303']])
ols2 = sm.OLS(df['A1101'], X2).fit()
print(f'OLS + 制御: β = {ols2.params["A1301"]:.4f}')

# 3. 操作変数法（出生数 A4101 を IV と仮定）
iv = IV2SLS.from_formula(
    'A1101 ~ 1 + [A1301 ~ A4101] + A1303',
    data=df
).fit()
print(f'IV (2SLS): β = {iv.params["A1301"]:.4f}')

# 3 手法で β がどう変わるか比較
# 大きく変わるなら内生性の疑い濃厚

📐 「弱い操作変数」問題

2000 年代以降、 IV の最大の問題は「弱い操作変数」であることが明らかになりました。 関連性が弱い IV を使うと、 OLS バイアスを直す前にもっと大きな 2SLS バイアス が生じます。 Stock-Yogo (2005) の表で、 必要な第 1 段階 F 統計量を確認するのが標準的です。

💡 論文掲載時の必須項目：(1) 第 1 段階の F 統計量、 (2) 過識別検定（Sargan / Hansen J）、 (3) Hausman 検定、 (4) 感度分析（E-value 等）。 これらを併記してはじめて、 査読を通る因果推論論文になります。

🧪 補強4：内生性のシミュレーション実演 — バイアスを目で見る

「内生性 = OLS にバイアス」を抽象的に言うだけでなく、 SSDSE-B-2026 + ノイズ混入で実際に観察してみましょう。 真のパラメータが既知の状況を作り、 OLS と IV の推定がどれくらいズレるかを比較します。

🐍 擬似実験コード

 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

import pandas as pd, numpy as np
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # A1301=15歳未満人口, A4101=出生数

# SSDSE データから X, IV を取り、 内生性を人工的に混入
np.random.seed(0)
n = len(df)
true_beta = 2.0
# 説明変数 X が誤差 ε と相関する形を作る
eps = np.random.normal(0, 1, n)
X_endo = df['A1301'].values / 1e5 + 0.7 * eps  # 内生
y = true_beta * X_endo + eps  # ε との相関がバイアス源

# 操作変数（外生）：出生数 A4101
Z = df['A4101'].values / 1e5

# OLS
ols_beta = np.linalg.lstsq(X_endo.reshape(-1, 1), y, rcond=None)[0][0]
# 2SLS
X_hat = np.polyval(np.polyfit(Z, X_endo, 1), Z)
iv_beta = np.linalg.lstsq(X_hat.reshape(-1, 1), y, rcond=None)[0][0]

print(f'真の β:     {true_beta:.4f}')
print(f'OLS β:     {ols_beta:.4f}  (バイアス {ols_beta - true_beta:+.4f})')
print(f'IV (2SLS): {iv_beta:.4f}  (バイアス {iv_beta - true_beta:+.4f})')
# OLS は ε との相関でバイアス、 IV は外生な Z で補正

このように、 真のパラメータが既知のシミュレーションで OLS のバイアスの大きさを目で確認できます。 実データでは真の β が分からないため、 IV や DiD などの手法で「内生性を補正したら OLS とどれくらい違うか」を確認するのが定石です。

💡 教訓：内生性に気づかないまま OLS を使うと、 真の β から系統的に外れた結果を信じてしまいます。 シミュレーションで「バイアスはこんなに大きい」を体感しておくと、 実データでも警戒できます。

🎮 触って理解する

内生性とは「説明変数 X が誤差項 ε と相関してしまう」問題です。その源泉は大きく 3 つ——交絡変数・逆因果（同時性）・測定誤差。下のパネルで源泉を切り替え、強さを動かすと、OLS の推定係数が真値 β = 2.000 からどうバイアスするかが散布図と数値でリアルタイムに変わります。さらに操作変数（IV / 2SLS）を適用すると、外生な情報だけで真値へ戻る様子を対比できます。「内生性があると OLS は因果を測れない」を手で体感してください。

💡 図の上を左右にタップ／ドラッグしても「内生性の強さ」を動かせます（タッチ対応）

🧭 直感・落とし穴・発展

🧭 追補：内生性を「符号」で読む — 除外変数バイアスの向き・希薄化・統制のパラドックス

内生性は「あるか／ないか」だけでなく、どちら向きにどれだけずれるか（符号と大きさ）まで読めると実務で効きます。ここでは既出の各節（3 大原因の分類表・落とし穴拡張版・シミュレーション）と重複しない角度として、(1) 除外変数バイアスの符号の決まり方、(2) 測定誤差による希薄化の縮小率、(3) 統制変数を足すとかえって悪化するケース、の 3 点だけを圧縮して補足します。

① 除外変数バイアスは「2 つの符号の掛け算」で向きが決まる

重要な変数 U をモデルから落とすと、OLS 係数は真値 β からずれます。その向きは、ⓐ U が Y に与える効果 δ の符号と、ⓑ 落とした U と説明変数 X の相関 Corr(X, U) の符号、この2 つの符号の積で決まります。下表がそのまま「頭の中の早見表」になります。

実務メモ：符号すら誤るのはこのため。たとえば「勉強時間 → 成績」で地頭 U を落とすと（δ>0・Corr>0 なので）効果を過大評価し、政策提言が過剰投資に傾きます。真値の符号が知りたいだけでも、まず落とした変数の向きを DAG で書き出すのが先決です。

② 測定誤差は係数を「必ず 0 方向へ」縮める（希薄化の縮小率）

古典的測定誤差（観測 X ＝ 真値 X* ＋ 無相関の雑音 u）では、OLS 係数は次の縮小率 λ だけ縮みます。

plim β̂ = β · λ,   λ = Var(X*) / ( Var(X*) + Var(u) ),   0 < λ < 1

λ は信頼性比。雑音が大きいほど λ は 0 に近づき、係数は符号を変えずに 0 方向へ縮小（希薄化）します＝過小評価。架空の数値例：真値 β=2.0、Var(X*)=4、Var(u)=1 なら λ＝4/5＝0.8 で plim β̂＝1.6。雑音が真値と同じ大きさ（Var(u)=4）になると λ＝0.5 で β̂＝1.0 まで縮みます。ここで要注意なのは、誤差が Y 側だけにあるなら OLS は不偏だという点——「誤差の入る場所（X か Y か）」で結論が変わるので、測定誤差＝希薄化と短絡しないこと。多変量では、綺麗に測れた変数の係数まで巻き添えで歪む点も見落とされがちです。

③ 統制変数を足すほど良い、とは限らない（統制のパラドックス）

「バイアスが心配だから説明変数を増やそう」は常に正しくはありません。次の 3 種は、統制するとむしろ内生性（X と ε の相関）を新たに生む「悪い統制（bad control）」です。

• コライダー（合流点）を統制する：X と U がともに矢印を向ける第三変数 C を条件付けると、閉じていた裏口が開き、X と U が疑似相関する（コライダー・バイアス）。統制で消えるどころか新規に発生する。
• 中間変数（メディエーター）を統制する：X→M→Y の M を右辺に入れると、X の総効果の一部が M に吸われ係数が過小になる（過剰統制）。
• 処置後変数を統制する：処置の結果として決まる変数を入れると因果効果が汚染される。

選択バイアスも本質は同じ：標本に入るか否か（選択指標）が X と結果の両方に依存するとき、「観測できた人だけ」に絞ること自体がコライダーの条件付けになり、X と ε を相関させます。だから選択バイアスは内生性の一種として扱え、対処も同系統になります（選択バイアス／Heckman 2 段階／逆確率重み付け IPW）。

🔗 追補：主因 × 処方箋の早見表と関連ページ

原因の見立てが付いたら、処方箋は原因ごとに変わります。下表は「原因 → 第一選択の対処 → 用語集ページ」の対応です（リンクは実在ページのみ。専用ページが無い手法はテキスト表記）。

制御関数法（control function）は、非線形モデルへ 2SLS の発想を一般化した手法です。第 1 段階で内生変数を外生変数・操作変数に回帰し、その残差を第 2 段階に説明変数として追加することで内生性を吸収します（本用語集に専用ページはありません）。線形なら 2SLS と一致し、プロビット等の非線形モデルでは制御関数法が使い分けの中心になります。

関連ページ一覧：操作変数法／ハウスマン検定／交絡／逆因果／同時性／測定誤差／選択バイアス／固定効果／パネルデータ／自然実験／DID／RDD。

🧭 深掘り：パネルで「係数が動く」——群間(between)と群内(within)の分解で内生性を体感する

ここまでの追補は横断（1 時点 47 県）で「統制を足すと係数が動く」ことを見せました。この節は角度を変え、同じ県を複数年追いかけるパネルで プールド OLS と固定効果（FE）で係数がどれだけ動くかを実測で示します。固定効果は固定効果・パネルデータの核心で、交絡（交絡）対策の第一選択の一つです。

① 直感：誤差項に「県ごとの体質」が隠れている

内生性とは要するに「説明変数 X が誤差項 ε と相関している」状態でした。県データでは、その ε の中身の大部分は時間を通じてほぼ変わらない県固有の体質——物価水準・都市化度・産業構成・人口規模など——です。これらは観測しにくく、しかも X（例：教育費）とも Y（例：消費支出）とも相関するので、横断 OLS の傾きは「本当に X が Y を動かした分」に「体質の相乗り分」が混ざった合成物になります。

ここで効くのが変動の 2 分解です。パネルの全変動は「県どうしの差（群間 between）」と「同じ県の年による揺れ（群内 within）」に割れます。プールド OLS は両方を混ぜて使いますが、固定効果（within 推定）は各変数を県平均で引き算（デミーン）して群間差を丸ごと捨て、同じ県の中の時間変動だけで傾きを測ります。時間不変の体質は引き算で消えるので、そのぶんの内生性が落ちる——これが FE で係数が動く理由です。

② 実測：プールド OLS 3.52 → 固定効果 2.02（教育費 → 消費支出）

SSDSE-B-2026 の47 都道府県 × 12 年（2012〜2023、計 564 標本）で、教育費 (L322108) が消費支出 (L3221) をどれだけ動かすかを同じ式で推定し、群間を捨てる前後を比べます。

③ 落とし穴：固定効果は「万能の内生性除去装置」ではない

係数が動いたからといって FE 後が真値とは限りません。既出の①符号の反転・②希薄化・③悪い統制（コライダー）に加え、パネル特有の落とし穴を 3 つ挙げます。

• 時間可変の交絡は消えない：FE が消すのは時間不変の体質だけ。年ごとに動く交絡（景気局面で教育費も消費も同時に動く等）は残る。二元固定効果で「全国一律の年効果」は落とせるが、県ごとに違うトレンドまでは吸えない。
• 逆因果・同時性は温存：同じ県の中でも Y→X が同時に走っていれば（逆因果・同時性）、デミーンでは解けない。ここは操作変数法や自然実験／DIDの出番。
• FE は測定誤差の希薄化を悪化させやすい：within 変換は「使える変動」を削るため、真の信号の分散が減り、雑音の相対比が上がる。結果、①で見た希薄化バイアス（測定誤差）が横断より強く効き、係数が過小方向へ余計に縮むことがある。FE で小さく出た＝交絡を除いた、と早合点しない。

④ 発展：between/within の使い分けと「どちらを信じるか」

プールド OLS・固定効果（within）・変量効果（between も使う）は、同じデータのどの変動を信じるかの選択です。「時間不変の交絡が疑わしいなら FE、そうでなく効率を取りたいなら変量効果」——このFE と変量効果の一致性を検定するのがハウスマン検定で、両者の係数差（今回なら 3.52 と 2.02 の乖離）が偶然の範囲かを問います。乖離が大きく有意なら「変量効果は内生性で汚れている＝FE を採れ」という含意です。時間可変の交絡や逆因果が残るなら、FE を土台に操作変数法・DID・RDDを重ねるのが定石です。要点は「係数が動いた＝どれかが正しい」ではなく、動いた方向と幅から誤差項に何が隠れているかを逆算すること。パネルは、その隠れた体質を見える化する道具です。

※ 数値は SSDSE-B-2026（cp932・2 行目の単位行を除外、47 県 × 2012〜2023 年）の実測。プールド OLS／within（県平均デミーン）／二元 FE（県＋年デミーン）の傾きを最小二乗で算出。因果効果の確定ではなく、推定法で係数が動くことの実演です。