🔖 キーワード索引

本ページで扱うキーワード群。 各チップから該当セクションへジャンプできる（10 件以上）。

🎨 直感で掴む

古典的な例は 需要と供給。 ある商品の月別データを集めて「価格 → 需要量」の回帰をやっても、 そこに現れる「価格の係数」は需要曲線の傾きではありません。 なぜか？

市場では、 価格と需要量は同じ瞬間に同時に決まっています。 需要が増えれば価格が上がり、 価格が上がれば需要が減る。 だからデータの (価格, 需要) 点は「需要曲線」でも「供給曲線」でもなく、両者の交点の動きです。 単純に回帰すれば、 需要曲線と供給曲線の混ざりものを推定してしまいます。

SSDSE-B 都道府県データでも、 たとえば「賃金水準 ↔ 県外への転出率」「教育費 ↔ 学力」など、 互いに引っ張り合う変数組はたくさんあります。 「相関を見たから因果」と短絡してはいけない、 という警告灯がこの概念です。

同時性が疑われる場合、 まずは 「どちら向きにも因果が走り得ないか」 を理論的に吟味し、 OLS を補正する道具（IV・2SLS）に進むのが定石です。 「とりあえず回帰」では足りないのが、 因果推論の難しさです。

🎮 触って理解する

需要曲線と供給曲線が互いに相手を決め合う市場を、 スライダーとドラッグで動かしてみましょう。 観測できるのは「需要曲線」でも「供給曲線」でもなく、 両者が交わった均衡点だけ。 その均衡点の雲に OLS（単純回帰）を当てても、 真の需要の傾き $a_1$ も供給の傾き $b_1$ も復元できず、 両者が混ざったバイアスのある傾きが出てしまう様子を体感できます。

🔧 試してみよう：ショックパッドを右下いっぱい（需要だけ大きく動く）に置くと、 均衡点は供給曲線をなぞり、 OLS の破線は青い供給曲線にほぼ重なります（$b_1$ を復元）。 逆に左上いっぱい（供給だけ動く）にすると赤い需要曲線をなぞり $a_1$ を復元。 真ん中に置くと、 破線はどちらの曲線とも一致しない中途半端な傾き＝同時性バイアスです。

🧠 直感：どちらが原因か分離できない

価格 $P$ と数量 $Q$ は同じ瞬間に相互に決まります。 需要ショック（流行・天候）が来れば需要曲線が動いて新しい均衡が生まれ、 供給ショック（原材料費）が来れば供給曲線が動いて別の均衡が生まれる。 手元のデータ点は、 動いていない方の曲線に沿って並ぶのがミソです。 つまり「観測点が何をなぞるか」は、 どちらのショックが大きいかで決まってしまい、 データを眺めるだけでは「$P$ が $Q$ を決めたのか、 $Q$ が $P$ を決めたのか」を分離できません。

🕳 よくある落とし穴：均衡点の OLS は構造を混同する

上のシミュレーションで OLS の傾きは、 厳密に $$\text{plim}\,\hat\beta_{OLS} = (1-w)\,a_1 + w\,b_1, \qquad w=\frac{\sigma_d^2}{\sigma_d^2+\sigma_s^2}$$ となります（$w$ は需要ショックが全変動に占める割合）。 サンプルをいくら増やしても、 この加重平均は消えません。 「散布図が右下がりだから価格弾力性は $-1.5$」と読むのは、 需要と供給を混ぜた別物を見ているだけ。 相関の符号や大きさから構造パラメータを直読みするのが、 同時性の最大の罠です。

🚀 発展：識別と操作変数

解決の鍵は識別 (identification)——「どの曲線を推定しているか」を外生的な揺らぎで固定することです。 需要曲線を識別したいなら、 供給側だけを動かす変数（原材料費など）＝操作変数を使えば、 観測点を供給ショック方向に散らして需要曲線をなぞらせられます。 これを推定に落とし込んだのが 2 段階最小二乗法 (2SLS) や連立方程式モデル (SEM) です。

📚 関連: 操作変数法 (IV) / 内生性 / 外生性 / 逆因果 / 回帰分析 / 相関（※連立方程式モデル・識別は本文の下記セクションを参照）

📐 数式または定義

需要・供給の最小モデル：

均衡条件から $P$ と $Q$ を解くと、 どちらも $u_1, u_2$ の関数。 つまり $\mathrm{Cov}(P, u_1) \ne 0$ で OLS は偏る。

操作変数 $Z$（供給側だけに作用、 例: 原材料費）を使うと、 2 段階最小二乗法 (2SLS) で：

$Z$ が $u_1$ と無相関で $P$ と十分相関していれば、 $\hat{\alpha}_1^{\text{2SLS}}$ は需要曲線の傾きを一致推定します。

2 段階の流れ：

🔬 数式を言葉で読み解く

同時性の正体は「説明変数が誤差項と相関する」こと。 操作変数 $Z$ はその相関を「外生的に揺らせる部分」だけ取り出す装置です。

SSDSE-B 文脈で言えば、 たとえば「気候」は宿泊者数・観光業に効くが、 高齢化率に直接効くわけではないので、 観光振興 → 経済 → 移住の連鎖を見るときの IV 候補になり得ます。

🔬 数理的補論：同時性の漸近理論と効率性

本章では、 中級〜上級の学習者向けに、 同時性問題の漸近的性質と効率性比較を数式で展開する。 統計検定や計量経済学の大学院試験で頻出のトピックを 7 つに整理した。 直感的理解だけでなく、 漸近正規性・漸近分散・効率性序列を 数式で操作できる ことを目標とする。

A. OLS の不一致性の証明

単純な線形モデル $y_i = \beta x_i + u_i$ で $\mathrm{Cov}(x_i, u_i) = \sigma_{xu} \ne 0$ とする。 OLS 推定量は $\hat\beta_{OLS} = \frac{\sum x_i y_i}{\sum x_i^2}$ となるが、 これを真の $\beta$ に代入すると
$$\hat\beta_{OLS} = \beta + \frac{\sum x_i u_i / n}{\sum x_i^2 / n} \xrightarrow{p} \beta + \frac{\sigma_{xu}}{\sigma_x^2} \ne \beta.$$
よって $\hat\beta_{OLS}$ は $\beta$ に確率収束 しない。 これが同時性下での OLS の不一致性であり、 標本サイズ $n \to \infty$ でも消えない構造的問題である。

B. IV 推定量の一致性

操作変数 $z_i$ が $\mathrm{Cov}(z_i, u_i) = 0$ かつ $\mathrm{Cov}(z_i, x_i) \ne 0$ を満たすとき、 IV 推定量は
$$\hat\beta_{IV} = \frac{\sum z_i y_i}{\sum z_i x_i} = \beta + \frac{\sum z_i u_i / n}{\sum z_i x_i / n} \xrightarrow{p} \beta + \frac{0}{\mathrm{Cov}(z, x)} = \beta.$$
すなわち $\hat\beta_{IV}$ は $\beta$ に確率収束する。 これが操作変数の魔法であり、 同時性下でも一致推定を可能にする数学的基礎である。

C. IV の漸近分散

中心極限定理から、
$$\sqrt{n}(\hat\beta_{IV} - \beta) \xrightarrow{d} \mathcal{N}\!\left(0,\; \frac{\sigma_u^2}{\mathrm{Cov}(z, x)^2 / \mathrm{Var}(z)}\right).$$
分母の $\mathrm{Cov}(z, x)^2 / \mathrm{Var}(z) = \mathrm{Var}(x)\cdot \rho_{zx}^2$（$\rho_{zx}$ は $z$ と $x$ の相関）と書ける。 弱操作変数 ($\rho_{zx}\approx 0$) では分散が爆発し、 推定が不安定になる。 これが弱操作変数バイアスの数学的正体である。

D. OLS と IV の効率性比較

説明変数が外生（$\sigma_{xu}=0$）ならば OLS は BLUE（最良線形不偏推定量）であり、 IV より 厳密に効率的。
$$\mathrm{Var}(\hat\beta_{OLS}) = \frac{\sigma_u^2}{n\mathrm{Var}(x)} \le \frac{\sigma_u^2}{n\mathrm{Var}(x)\rho_{zx}^2} = \mathrm{Var}(\hat\beta_{IV}).$$
等号は $\rho_{zx}^2 = 1$ のとき。 つまり「同時性がなければ OLS、 あれば IV」が効率と一致性のトレードオフから導かれる原則となる。

E. Hausman 検定統計量の導出

$\hat\beta_{OLS}$ と $\hat\beta_{IV}$ の差 $d = \hat\beta_{IV} - \hat\beta_{OLS}$ の漸近分布を考える。 帰無仮説 $H_0:\sigma_{xu}=0$ の下で、
$$\mathrm{Var}(d) = \mathrm{Var}(\hat\beta_{IV}) - \mathrm{Var}(\hat\beta_{OLS})$$
となる（重要：分散の差は 引き算 になることが Hausman の補題）。 これより
$$H = d^{\top} [\mathrm{Var}(d)]^{-1} d \;\xrightarrow{d}\; \chi^2_{k}$$
$k$ は内生変数の数。 $H$ が大きいほど OLS と IV の差が大きく、 外生性仮説を棄却すべき証拠となる。

F. 2SLS の数式的等価性

2SLS は 2 段階の OLS で構成される: 第 1 段階で $x_i = \pi z_i + v_i$ を OLS 推定して $\hat x_i = \hat\pi z_i$ を得、 第 2 段階で $y_i = \beta \hat x_i + e_i$ を OLS 推定する。 これは射影演算子 $P_Z = Z(Z^{\top}Z)^{-1}Z^{\top}$ を使えば
$$\hat\beta_{2SLS} = (X^{\top} P_Z X)^{-1} X^{\top} P_Z y$$
と表記でき、 多重操作変数のケースで GMM の標準形に一致する。 just-identified ケースでは $\hat\beta_{2SLS} = \hat\beta_{IV}$ となり、 over-identified ケースでは 2SLS が最小分散の GMM 推定量となる。

G. 弱操作変数バイアスの数値例

$\rho_{zx} = 0.05$（弱）、 $\rho_{xu} = 0.3$（中程度の同時性）、 $\beta_{true} = 1.0$ のとき、 $n = 1000$ で
$$\mathrm{Bias}(\hat\beta_{IV}) \approx \frac{1}{n\rho_{zx}^2} \cdot \rho_{xu} \cdot \frac{\sigma_u}{\sigma_x} \approx \frac{0.3}{1000\cdot 0.0025} = 0.12$$
と 12% のバイアスが残る。 一方 $\rho_{zx} = 0.5$（強）なら $0.0012$ で実質ゼロ。 操作変数の 強さ が IV の信頼性を決定する。 第 1 段階 F 統計量 ≥ 10 を Stock-Yogo がベンチマークとして推奨する根拠もここにある。

📐 数式から得る洞察: 同時性問題は「データの問題」ではなく「識別の問題」である。 標本サイズを増やしても、 操作変数の妥当性と強さが伴わない限り解決しない。 計量経済学の真髄は 仮定をデータに語らせる芸術 にあり、 数式はその芸術を客観的に評価する道具である。

📖 ミニ用語集：同時性周辺の 20 概念

同時性の議論に頻出する関連概念を 20 件に絞って簡潔に定義する。 各項目 1-2 文。 教科書を引かずに辞書代わりに使えるよう設計した。

1. 内生変数 (endogenous variable): モデル内で値が決定される変数。 同時性により誤差項と相関する。
2. 外生変数 (exogenous variable): モデル外で決まる変数。 誤差項と独立。
3. 操作変数 (instrumental variable, IV): 内生変数に効くが、 被説明変数には直接効かない変数。 識別の鍵。
4. 2SLS (Two-Stage Least Squares): IV の代表的推定法。 第 1 段階で内生変数を予測、 第 2 段階で OLS。
5. FIML (Full Information Maximum Likelihood): 連立方程式系全体を最尤推定。 効率的だが特定化に敏感。
6. 3SLS (Three-Stage Least Squares): 2SLS に方程式間の誤差相関を考慮した手法。 効率は FIML と OLS の中間。
7. GMM (Generalized Method of Moments): モーメント条件を多数使う一般化推定法。 over-identified ケースで威力。
8. Hausman 検定: OLS と IV の差を検定し、 内生性の有無を判定。
9. Sargan/Hansen J 検定: 過剰識別された IV 全体の外生性を検定。
10. 弱操作変数 (weak instrument): 内生変数との相関が弱い IV。 第 1 段階 F < 10 が目安。
11. 排除制約 (exclusion restriction): IV が被説明変数に直接効かないという仮定。 検証不可能。
12. 識別 (identification): モデル係数を一意に決定できる性質。 識別条件は必須。
13. 次数条件 (order condition): 識別の必要条件。 除外外生変数 ≥ 内生変数。
14. 階数条件 (rank condition): 識別の十分条件。 行列の階数が満たすべき関係。
15. 既約形 (reduced form): 構造方程式系から内生変数を外生変数だけで表した形。
16. 構造方程式 (structural equation): 経済理論に基づく因果関係の式。 同時に成立。
17. 逆因果 (reverse causality): $Y \to X$ が主要因の状態。 同時性の極端な形。
18. 差分の差分法 (DID): 処置群と対照群の前後差を比較。 自然実験の標準手法。
19. 回帰不連続デザイン (RDD): 閾値前後の不連続性を利用した因果識別。
20. 合成統制法 (Synthetic Control): 対照群を加重平均で構成。 マクロ政策評価で利用。

🧩 拡張トピック：同時性と現代データサイエンスの接点

同時性 (simultaneity) は古典計量経済学の概念だが、 現代のデータサイエンスでも姿を変えて現れる。 ここでは「機械学習・ベイズ統計・時系列・因果探索・AB テスト・推薦システム」の 6 分野で、 同時性がどのように顔を出し、 どう対処されているかを概観する。 古典的な需要供給モデルだけを学んで止まると、 現代の実務で同時性を見落とすことになる。

1. 機械学習における同時性

機械学習は予測精度を最適化する設計だが、 説明変数と目的変数の同時決定があれば 係数や特徴量重要度の解釈 はバイアスを持つ。 たとえば XGBoost で「広告費 → 売上」の特徴量重要度を測ると、 同時性下では真の因果寄与より過大評価される。 Double Machine Learning (DML) は機械学習の予測力と IV の識別力を組み合わせる方法論で、 Chernozhukov らが 2018 年に確立。 SSDSE-B-2026 のような中規模公的データでも、 Python の econml ライブラリで実装可能である。

2. ベイズ統計における同時性

ベイズ統計でも、 同時性を持つ構造方程式を正しく定式化しなければ事後分布は識別されない（事前分布が事後分布をそのまま支配する状態）。 Stan や PyMC で連立方程式モデルを書くときは、 識別条件（除外制約・符号制約）を事前分布として明示的に組み込む必要がある。 「ベイズだから万事 OK」は誤解であり、 ベイズでも同時性は仮定の問題として残る。

3. 時系列分析における同時性

VAR (Vector Autoregression) モデルは複数の時系列を同時に扱うため、 構造的 VAR (SVAR) では同時性が中心問題となる。 Cholesky 分解による 順序付け や、 符号制約 (sign restriction) で識別を行う。 マクロ経済学の景気循環分析では、 金融政策ショック・需要ショック・供給ショックを SVAR で分離するのが標準的アプローチである。

4. 因果探索 (causal discovery) における同時性

PC アルゴリズム・FCI・LiNGAM などの因果探索手法は、 観測データから因果構造を推定するが、 同時性（循環因果・双方向因果）があると DAG の枠組みでは表現できない。 拡張として CCD (Cyclic Causal Discovery) や時間ラグを持つ動学因果探索 (TS-LiNGAM) が研究されている。

5. AB テストにおける同時性（干渉効果）

通常の AB テストでは「処置の独立性」が仮定されるが、 SNS のように ユーザー間で影響が伝播 する場合、 処置群の行動が対照群に影響し、 結果として同時的な相互作用が生じる。 これを SUTVA (Stable Unit Treatment Value Assumption) 違反と呼び、 クラスター無作為化やネットワーク介入実験で対処する。

6. 推薦システムにおける同時性

推薦システムでは「ユーザー → アイテム」と「アイテム → ユーザー」の同時的な選好形成（フィードバックループ）が起きる。 推薦が選好を作り、 選好が推薦を強化する。 これを「フィルターバブル」「エコーチェンバー」として批判する研究もある。 Off-Policy Evaluation や Counterfactual Learning がこの同時性に対処する手法群である。

🌐 共通する教訓: 同時性問題はドメインに応じて名前を変える（フィードバックループ、 循環因果、 SUTVA 違反、 etc.）が、 数学的本質は同じ「説明変数と誤差項の相関」である。 1 つの分野で同時性を理解すれば、 他分野への転用は意外と容易である。 統計・計量・ML を横断する 普遍的スキル としての価値が高い。

🍳 実装レシピ：Python で同時性を扱う 6 手順

最後に、 実務で同時性を扱う Python ワークフローをレシピ形式で示す。 SSDSE-B-2026 のような中規模公的データを想定し、 linearmodels ライブラリ中心の構成とした。 各手順の意図と実装注意点を併記する。 これをコピペすれば、 卒論・修論・実務レポートのいずれにも適用可能である。

手順 1: データ読み込みと前処理

SSDSE-B-2026 を pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis') で読み込み、 必要な列だけ抽出する。 ヘッダー 2 行構造に注意し、 skiprows=[1] や header=[0,1] でマルチインデックス化する。 欠損値は df.dropna() で除去するが、 欠損が体系的なら サンプル選択バイアス に注意する。 同時性とは別の内生性問題として扱う必要がある。

手順 2: 因果図の作成と検討

networkx や手描きで因果図 (DAG) を作成し、 双方向の矢印が含まれていないかを確認する。 双方向矢印があれば同時性ありと判定し、 IV 戦略を検討する。 因果図はチームメンバー全員で共有し、 「なぜこの変数が説明変数で、 なぜこの変数が被説明変数なのか」をドメイン専門家とすり合わせる。 この対話自体が同時性問題への最大の防御になる。

手順 3: OLS で baseline 推定

statsmodels.api.OLS(y, X).fit() でまず通常の OLS を実行し、 係数・標準誤差・p 値を記録する。 これが「同時性を考慮しない場合の答え」となり、 IV の結果と比較するベンチマークになる。 OLS の結果だけで論文化するのは絶対に避けるが、 比較対象として必ず併記する。

手順 4: 2SLS で IV 推定

from linearmodels.iv import IV2SLS をインポートし、 IV2SLS(dependent=y, exog=X_exog, endog=X_endog, instruments=Z).fit() で 2SLS 推定する。 第 1 段階の F 統計量 (.first_stage) と Sargan/Hansen J 検定 (.j_stat) も合わせて確認する。 弱操作変数・過剰識別の問題を同時に検証することで、 IV の信頼性を担保する。

手順 5: Hausman 検定で内生性判定

linearmodels.iv.results.wu_hausman() または手動で OLS と IV の差を $\chi^2$ 検定する。 p < 0.05 なら IV を採用し、 そうでなければ OLS で効率を取る。 ただし「棄却されなかったから OLS で OK」と早合点せず、 ドメイン知識からも同時性の有無を検討する。 検定は補助線であって決定論ではない。

手順 6: 結果報告と感度分析

OLS・2SLS・GMM の結果を同じ表に並べ、 係数・標準誤差・p 値・$R^2$・第 1 段階 F・Sargan J を全て表示する。 操作変数を 1 つずつ外したときの感度分析、 サンプル分割での再現性、 異なる仕様の頑健性も併記する。 査読者・上司・クライアントが「結論の頑健性」を独立に判断できるよう、 透明性を最大化する。 これが計量経済学の倫理的責任である。

🔧 ライブラリ Tips: linearmodels は statsmodels よりも IV・パネル分析に特化しており、 Hansen J 検定や first-stage diagnostics が標準装備されている。 機械学習との接続には econml (DML)・causalml (Causal Forest) を併用すると現代的なワークフローが組める。 いずれも pip で導入可能で、 SSDSE-B-2026 のサイズなら数秒で計算が終わる。

📝 補遺：同時性問題の周辺話題

本ページ全体を通して触れきれなかった、 しかし重要な周辺話題を 5 つ補遺としてまとめる。 いずれも上級者・院生・研究者にとって押さえておくべき論点であり、 同時性の応用範囲を広げるための足掛かりとなる。 各項目とも 2-3 文で要点だけ示し、 詳細は専門書 (Wooldridge, Cameron & Trivedi, Angrist & Pischke 等) を参照されたい。

補遺 1: ノンパラメトリック IV

線形 IV では関係式 $y = \beta x + u$ を仮定するが、 ノンパラメトリック IV では $y = g(x) + u$ と任意関数 $g$ を許す。 Newey & Powell (2003) のシーブ推定や、 Darolles, Florens & Renault (2003) の関数解析的アプローチがある。 非線形の同時性に対処する強力な道具で、 計量経済学のフロンティアのひとつである。

補遺 2: 機械学習を用いた IV (Deep IV)

Hartford et al. (2017) の Deep IV は、 第 1 段階・第 2 段階の両方でニューラルネットワークを用い、 高次元・非線形の同時性問題に対処する。 Microsoft Research の econml ライブラリに実装があり、 SSDSE-B-2026 程度のデータでも数分で学習可能。 ただし操作変数の妥当性は依然としてドメイン知識依存である。

補遺 3: 限界処置効果 (LATE) の解釈

IV 推定は実は 全体の平均処置効果 ではなく、 compliers (操作変数の変化に反応した部分母集団) の局所平均処置効果 (LATE) を推定している。 Imbens & Angrist (1994) の発見で、 IV の結果を「全人口に一般化できるか」の議論は常に必要である。 LATE と ATE の乖離は政策含意の鍵となる。

補遺 4: 操作変数が連続値の場合

古典的な IV はバイナリ操作変数（処置 vs 統制）を想定するが、 連続値の操作変数（例: 距離・時間・価格）でも 2SLS は機能する。 連続値の場合、 first-stage の関係式を多項式や spline で柔軟に推定することで、 線形仮定の制約を緩められる。 ただし弱操作変数バイアスのリスクは増加する。

補遺 5: 同時性と「介入主義」哲学

Woodward (2003) の介入主義 (interventionist) 因果論は、 同時性を「介入によって一方向の因果に分離可能か」という哲学的問題として再定式化した。 「観察データだけでは同時性は解けないが、 介入（実験・自然実験）を伴えば原理的に解ける」という立場である。 計量経済学と哲学の橋渡しとして注目されている。

📚 更なる学習資源: Wooldridge 『Econometric Analysis of Cross Section and Panel Data』 (MIT Press)、 Angrist & Pischke 『Mostly Harmless Econometrics』 (Princeton)、 Imbens & Rubin 『Causal Inference for Statistics, Social, and Biomedical Sciences』 (Cambridge) は、 同時性問題を体系的に学ぶための定番教科書である。 日本語では西山・新谷『計量経済学』 (有斐閣) が最新。

🌟 同時性をめぐる 3 つの黄金原則

本ページの最終メッセージとして、 実務家・研究者・学生が同時性問題に向き合うときに常に念頭に置くべき 3 つの黄金原則を提示する。 数式や手法を超えた、 因果推論における 思考姿勢 としての原則である。

原則 1: 「同時性を疑う癖」を持つ

回帰分析の前に必ず「$Y$ が $X$ を決める可能性はないか」と自問する習慣を作る。 多くの実務家は OLS の結果に飛びつき、 同時性を見落とす。 ドメイン知識・経済理論・公衆衛生学・行動科学のレンズで因果方向を吟味することが、 第一歩である。 SQL や Excel で「散布図 + 単回帰」を見せられたら、 必ずまず同時性を疑う訓練を積もう。

原則 2: 「仮定の透明化」を恥じない

IV の妥当性、 排除制約、 線形性、 同時性の存在 — これらは全てデータから検証できない 仮定 である。 仮定を隠さず、 論文・レポート・社内報告書で明示的に書き出す姿勢が、 透明性ある分析の証である。 「この分析は ○○ の仮定の上に成り立っており、 ○○ が崩れれば結論は変わる」と書くことは弱さではなく強さである。

原則 3: 「複数の識別戦略を併用」する

同時性の解決には IV だけでなく、 自然実験・DID・RDD・パネル固定効果・合成統制法・DML など多様な戦略がある。 1 つの戦略だけに依存せず、 複数の方法で同じ結論が出るかを 三角測量 (triangulation) する。 これにより推定結果の頑健性が大幅に向上する。 現代の因果推論研究はほぼ全てこの三角測量を実践している。

💎 最終結び: 同時性は計量経済学・因果推論の 難所 であると同時に、 醍醐味 でもある。 単純な相関を超えて、 真の因果効果に迫る知的格闘の場である。 この概念を腹落ちさせれば、 データサイエンティストとしての判断力は確実に 1 ランク上がる。 本ページがその一助となれば幸いである。

🪞 終章：同時性を学ぶ意義

統計や機械学習を学ぶ多くの学生が「予測精度の向上」をゴールとしがちだが、 同時性をきちんと扱えることは、 単なる予測モデラーから一歩進んで「意思決定に資する因果の語り手」へと飛躍するための鍵である。 政策評価・医療経済・教育投資・マーケティング・公衆衛生 — どの分野でも、 同時性を意識した推定とそうでない推定では 提案する施策の方向性が真逆になる ことが珍しくない。 本ページが、 読者が「OLS で十分」から脱却し、 識別戦略を主体的に設計できる実務家・研究者へと成長する一里塚になることを願う。 同時性は、 因果推論の入口であり、 そして最も実利的なスキルでもある。 ぜひ繰り返し読み返し、 自分の分析に応用してほしい。 また同時性は、 数理経済学・統計学・機械学習を横断する稀有なテーマであり、 専門分野を超えてキャリア全体の汎用スキルになる。 卒業研究や修士論文のテーマ選定でも、 同時性問題を中核に据えると、 査読者・指導教員から高く評価されることが多い。 「相関を語る人」から「因果を識別できる人」へ — その変化こそ、 データサイエンスを学ぶ最大の見返りである。 本ページの内容を友人や同僚と議論し、 自分の言葉で説明できるようになれば、 同時性概念は完全に身に付いたと言える。 そして、 そのレベルに達したあなたは、 もはや単なるデータ分析者ではなく、 因果推論を駆使する科学的意思決定の担い手である。 同時性問題を 学ぶこと から 使いこなすこと へ — その境界線を超える日が、 必ず訪れる。 諦めずに学び続けてほしい。 そして、 自分の発見を社会に還元する勇気を持ってほしい。 統計と因果の力で世界を少しでも良い方向に動かす、 そんな一人になれることを心から願っている。

🖼️ 図で確かめる同時性の構造（R594 補強）

本節は、 同時性問題の典型的な姿を 3 枚の図 で押さえ直す追加教材である。 散布・分布・群比較の 3 視点から、 単一方程式 OLS が真の構造パラメータを取り違える理由を視覚的に納得できる。

📚 関連: 操作変数法 (IV) / 内生性 / 外生性 / Granger 因果性 / パネル因果推論 / 回帰分析

🧮 実値で計算してみる（SSDSE-B 2023, n=47）

SSDSE-B 2023 で、 同時性が疑われる例として「人口流入 ↔ 出生率」を考えます。 「若い人が流入する県は出生率が上がる」と同時に「出生率が高い県は子育て世代を引き寄せる」両方向の因果が想定できます。

転入超過率と出生率の相関は r = +0.36。 しかしこれは「転入が多いから出生が増える」のか「出生が多いから移住先として選ばれる」のか、 単純な回帰では切り分けられません。 操作変数（地理的距離・気候など外生要因）の導入が検討すべき方向です。

OLS と IV 推定の比較

「OLS と IV で係数が大きく違う」=「同時性・内生性がありそう」のシグナル（Hausman 検定の定性的解釈）。 実務では理論で IV を慎重に選ぶ必要があります。

連立需要・供給方程式の手計算（Step 形式）

需要関数と供給関数が同時決定される均衡を、 具体的な数値ベクトルで計算する。 価格水準 p を変動させたときの需要量 Q_D と供給量 Q_S を以下のとおり設定する。

Step 1: データベクトルの設定

価格ベクトル: p = [10, 12, 14, 16, 18]

需要ベクトル: Q_D = [80, 76, 72, 68, 64]

供給ベクトル: Q_S = [50, 56, 62, 68, 74]

Step 2: 均衡条件を行列形式に

Q_D = Q_S → 100 − 2p = 20 + 3p → 連立方程式

行列形式: A·x = b　ただし A = [[2, 1], [−3, 1]]、 b = [100, 20]、 x = [p*, Q*]

Step 3: 逆行列による解法

det(A) = 2×1 − 1×(−3) = 2 + 3 = 5

A⁻¹ = (1/5)·[[1, −1], [3, 2]]

x = A⁻¹·b = (1/5)·[100−20, 300+40] = (1/5)·[80, 340] = [16, 68]

→ p* = 16、 Q* = 68

このコードでやること: 上記の Step 1〜3 を numpy で再現し、 手計算と Python 出力が一致することを確認する。

入力データ: 価格ベクトル [10, 12, 14, 16, 18]、係数行列 A = [[2, 1], [−3, 1]]、定数ベクトル b = [100, 20]。

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

import numpy as np

# Step 1: データベクトルの設定
p_vec = np.array([10, 12, 14, 16, 18])
Q_D = 100 - 2 * p_vec  # [80, 76, 72, 68, 64]
Q_S = 20 + 3 * p_vec   # [50, 56, 62, 68, 74]
print(f"Q_D = {Q_D.tolist()}")
print(f"Q_S = {Q_S.tolist()}")

# Step 2: 行列形式 A·[p*, Q*] = b
A = np.array([[2, 1], [-3, 1]])
b = np.array([100, 20])

# Step 3: np.linalg.solve で均衡解を求める
x = np.linalg.solve(A, b)
p_star, Q_star = x
print(f"p* = {p_star}, Q* = {Q_star}")

# 手計算との一致確認
print("手計算と同じ結果:", np.allclose(x, [16, 68]))

実行すると次の出力が得られる:

💬 手計算 Step 3 (p*=16, Q*=68) と Python の np.linalg.solve 出力 (p*=16.0, Q*=68.0) は np.allclose で一致する。 Q_D=[80,76,72,68,64] と Q_S=[50,56,62,68,74] の交点が p=16 で一致することも確認できる。

🧮 需要・供給連立モデルと縮約形（補論）

同時性問題の教科書的な例として「需要と供給の同時決定」を考える。 観測されるのは均衡価格 $P$ と均衡数量 $Q$ だけだが、 背後では 2 本の方程式が同時に成立している:

数式を言葉で読み解く: $Y$（所得）は需要シフター、 $W$（賃金）は供給シフター。 これらを 除外制約 として使うと、 各式を識別できる。 もし $W$ が需要式に入らない（理論的に正当化）なら $W$ は需要曲線を動かさず、 供給曲線だけを動かす — その結果として観測される $P,Q$ の散布は需要曲線の上を動く。 これが操作変数（IV）の本質である。

縮約形 (reduced form) への変換

均衡条件で $Q_d = Q_s$ を解くと、 内生変数 $(P, Q)$ を外生変数 $(Y, W)$ だけで表せる:

縮約形パラメータ $\pi$ は OLS で一致推定できる（説明変数 $Y,W$ は両方とも外生）。 構造パラメータ $\alpha,\beta$ は $\pi$ から逆算する（間接最小二乗 ILS、 2SLS と数値一致）。

🐍 SSDSE-B-2026 で住宅地価 - 着工建築物数の連立モデルを 2SLS 推定

🎯 このコードでやること: SSDSE-B-2026（2023 年）の都道府県別「住宅地価 (C5401)」と「着工建築物数 (C3301)」の同時決定を、 総人口 (A1101) を操作変数とする 2SLS で推定する。 住宅地価と着工数は「価格が着工を促し、 着工（供給）が価格を動かす」相互決定の関係にある。

📥 入力データ（SSDSE-B-2026 抜粋）:

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

import pandas as pd
from linearmodels.iv import IV2SLS

# 先頭列(SSDSE-B-2026)は年度、2 行目は日本語ラベルなので skiprows で除外
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]                 # 2023 年の 47 都道府県
df = df.dropna(subset=['C5401', 'C3301', 'A1101'])
df['const'] = 1

# 住宅地価(C5401) と 着工建築物数(C3301) は市場で同時決定される
# → 着工数を内生変数、総人口(A1101) を操作変数（需要シフター）に
iv = IV2SLS(dependent=df['C5401'],       # 住宅地の標準価格
            exog=df[['const']],
            endog=df[['C3301']],         # 着工建築物数（内生）
            instruments=df[['A1101']]    # 総人口
            ).fit()
print(iv.summary)
print(iv.wu_hausman())                   # 内生性（同時性）の検定

📤 実行例:

💬 結果の読み方: 素朴な OLS の傾き 5.46 に対し 2SLS は 6.31。 Wu-Hausman F=64.6 (p<0.001) で「着工数は内生（同時性あり）」と検出されたため、 2SLS の推定値を採用すべき。 First-stage F=599 ≫ 10 なので弱操作変数の心配はない。 ただし「総人口が住宅地価に着工数を通じてのみ影響する」という除外制約は現実には疑わしく（人口は住宅需要を直接押し上げる）、 ここでは 2SLS の 手順 を実データで確かめる例と捉えるべきである。

⚠️ 連立モデル固有の落とし穴

• 識別条件の階数条件: 構造方程式 $g$ 本のうち式 $j$ を識別するには、 除外された外生変数の数 ≥ 含まれる内生変数の数。 等号なら just-identified、 不等号で over-identified。
• FIML vs 2SLS: 全情報最尤法 (FIML) は全方程式を同時推定するため効率的だが、 1 つの方程式の誤特定が全推定に波及する。 2SLS は方程式ごとに頑健。
• 循環因果の方向: 「価格→数量」と「数量→価格」のどちらが強いかは、 経済理論（需要弾力性 vs 供給弾力性）の事前知識で判断する。

🧠 理解度チェック（同時性）

本ページの理解を「自分の言葉で言えるか」を測る短文問題です。 解答は折り畳みになっています。 まずは紙か頭の中で答えてから開いてください。 同時性 (simultaneity) は計量経済学・因果推論の中で最も誤解されやすい概念のひとつであり、 ここで定義の精密さを確認しておくことは、 内生性・操作変数・連立方程式モデル・需要供給の同時決定のいずれを学ぶ上でも必ず役立ちます。

Q1. 同時性バイアスとは何か（短答）

説明変数 $X$ と被説明変数 $Y$ が 同時に互いを決めている とき、 OLS で $Y = \beta_0 + \beta_1 X + u$ を推定すると $\beta_1$ の推定量はどのような問題を抱えるか。 偏りの方向（過大評価か過小評価か）が分かるとき、 それは何に依存するか。 1〜2 文で答えよ。

Q2. 操作変数 (IV) が同時性バイアスを解く理由

需要関数 $Q^d = \alpha_0 + \alpha_1 P + u$ を推定するとき、 操作変数 $Z$ に求められる 2 つの条件を述べ、 それぞれが破られると何が起こるかを説明せよ。

Q3. 連立方程式モデルの identification（識別）

2 本の構造方程式（需要式・供給式）からなる連立モデルにおいて、 just-identified・over-identified・under-identified の違いを、 「除外された外生変数の数」と「方程式に含まれる内生変数の数」の関係で説明せよ。

Q4. SSDSE-B での同時性の典型例

SSDSE-B-2026 で「都道府県別の 平均所得 と 大学卒業者比率」を相関分析する場合、 同時性の問題が生じうるか、 もし生じるとしたらどのような構造方程式系として記述できるか。

Q5. 2SLS（二段階最小二乗法）の手順

2SLS が同時性バイアスを補正できる理屈を、 「第 1 段階」「第 2 段階」の役割で説明せよ。 第 1 段階の被説明変数は何か、 第 2 段階で OLS をかけるのはどの式か。

Q6. Hausman 検定の役割

Hausman 検定は何を比較する検定か、 帰無仮説と対立仮説、 そして「棄却したら IV を使う」「棄却しなかったら OLS を使う」と言える根拠を述べよ。

Q7. 同時性 vs 逆因果性 vs 内生性

同時性 (simultaneity)・逆因果性 (reverse causality)・内生性 (endogeneity) は厳密にはどう異なるか。 包含関係を示せ。

Q8. パネルデータで同時性を緩和する戦略

同じ個体を複数時点で観察するパネルデータでは、 同時性をどのように緩和できるか。 固定効果モデル・差分法・ラグ付き説明変数・Arellano-Bond GMM の 4 つの戦略を簡潔に対比せよ。

Q9. 「同時方程式バイアス」の数式表現

需要関数 $Q = \alpha_0 + \alpha_1 P + u$ と供給関数 $Q = \beta_0 + \beta_1 P + v$ を仮定し、 $u, v$ が独立で平均 0、 分散 $\sigma_u^2,\sigma_v^2$ とする。 OLS で需要式の傾き $\hat\alpha_1$ を推定したとき、 漸近的にどのような値に収束するかを式で示せ。

Q10. 実務での意思決定フロー

回帰分析を始める前に、 同時性の懸念をスクリーニングするための 5 ステップを、 自分なりに順序立てて述べよ。

💡 採点目安: 10 問中 7 問以上を自力で説明できれば、 同時性の基礎理解は十分。 5 問以下なら 内生性、 操作変数、 逆因果性 を再読することを推奨する。

📜 同時性概念の歴史と発展

同時性 (simultaneity) という統計概念は、 20 世紀前半の計量経済学黎明期に「需要供給の同時決定をどう識別するか」という極めて実務的な問いから生まれた。 ここでは、 概念の起源から現代の機械学習因果推論への接続まで、 7 つの転換点を簡潔に追う。 同時性の歴史を辿ることは、 「なぜ単純な相関や OLS では不十分なのか」を腹落ちさせる最良の方法である。

1. Working (1927)：需要供給識別問題の発見

E.J. Working は論文「What Do Statistical 'Demand Curves' Show?」で、 価格と数量の散布図から推定される「曲線」が需要曲線とも供給曲線とも一致しない可能性を指摘した。 観測されるのは均衡点の集合であり、 需要シフトと供給シフトのどちらが支配的かで、 推定曲線の傾きが大きく変わる。 これが同時性問題の 事実上の原点 である。

2. Tinbergen (1939) と Cowles 委員会 (1944-1955)

オランダのヤン・ティンベルヘンは初めてマクロ計量経済モデル（米国経済の連立方程式モデル）を構築し、 同時性を実務問題として顕在化させた。 1940 年代後半に米国のコウルズ委員会が「構造方程式モデル」「既約形 (reduced form)」「識別条件 (order/rank condition)」を体系化し、 ハーバード・ハーフェルモやコープマンスがその数学基礎を確立。 計量経済学の正典的枠組みとなった。

3. Theil (1953) と 2SLS の発明

ヘンリ・タイルは「二段階最小二乗法 (2SLS)」を提案。 FIML よりも計算が容易で、 一方程式ごとの推定が可能なため、 当時の計算機資源で実装できる現実解として急速に普及した。 同時期、 R.L. Basmann も同様の手法を独立に発見し、 今日でも 2SLS は計量経済学の入門教科書で最初に教えられる IV 推定法となっている。

4. Hausman (1978)：内生性検定の登場

ジェリー・ハウスマンは「OLS と IV のどちらを使うべきか」を客観的に判定する Hausman 検定を提案。 これにより研究者は「とりあえず IV を使う」のではなく、 「データで内生性の有無を確かめてから手法を選ぶ」科学的なフローを採れるようになった。 現代のあらゆる構造方程式論文で標準引用される。

5. Angrist & Krueger (1991)：自然実験としての IV

「教育年数が賃金に与える因果効果」を、 「四半期生まれ」（義務教育制度との交互作用で就学年数に影響）を操作変数として推定した革新的論文。 これを契機に「自然実験 (natural experiment)」を用いた IV 推定が爆発的に増加し、 2021 年のノーベル経済学賞 (Card, Angrist, Imbens) に直結した。 同時性問題が、 純粋な構造モデルから現実の政策評価ツールへと進化した瞬間である。

6. Pearl (2000) と因果ダイアグラム

ジューデア・パールが DAG (Directed Acyclic Graph) による因果推論の枠組みを提示。 同時性は「DAG の中に双方向矢印（または循環）が現れる状態」と再解釈され、 計量経済学の構造方程式モデルと統計学の因果図が統合された。 do-演算子による介入の数学化は、 同時性を「ある変数を固定したときに何が起きるか」のシミュレーションとして扱えるようにした。

7. 機械学習時代の同時性 (2018-)

Chernozhukov らの Double Machine Learning (DML) や、 Athey らの Causal Forest は、 高次元の共変量を機械学習で残差化したうえで IV 推定を行うハイブリッド手法。 同時性問題は「機械学習で予測精度を高めつつ、 構造的なバイアスを取り除く」現代的課題として再フォーカスされている。 SSDSE-B のような中規模公的データでも、 都道府県固定効果 × DML の組み合わせで実装可能になりつつある。

⚓ 歴史的教訓: 同時性問題は「データを増やせば解ける」性質のものではない。 標本サイズを無限に増やしても、 構造的な双方向因果がある限り OLS は不一致のままである。 識別には常に 追加的仮定（操作変数の妥当性、 排除制約、 線形性、 等）が必要であり、 これを「No causation without identification（識別なくして因果なし）」と Heckman は表現した。

✅ 実務チェックリスト：同時性の疑いを定量化する 12 項目

回帰分析を始める前、 推定後の頑健性チェック、 論文・レポートでの報告、 の 3 フェーズに分けた実務チェックリスト。 各項目は具体的な実装手順とあわせて記述する。

フェーズ A: 分析設計（推定前）

1. 因果図を描く: $X \to Y$、 $Y \to X$、 共通原因 $Z$ を矢印で表現し、 双方向矢印が含まれていないかを確認する。 含まれていれば同時性の懸念ありと記録。
2. 時間ラグの有無を確認: 説明変数 $X$ と被説明変数 $Y$ が同時点で観測されているか、 タイムラグがあるかを明示する。 同時点なら自動的に同時性のリスクが高い。
3. 逆因果ストーリーを書き出す: 「$Y$ が増えたら $X$ も増える」という因果関係を、 専門知識・経済理論・公衆衛生学などのドメインから説明する。 ストーリーが書ければ同時性あり。
4. 操作変数候補を 3 つ以上挙げる: 「$X$ には効くが $Y$ には直接効かない」変数を 3 つ以上リストアップ。 例: 天候、 制度変更、 地理的距離、 出生四半期。

フェーズ B: 推定と診断

5. OLS で baseline 推定: まず OLS で $\hat\beta_{OLS}$ を計算し、 標準誤差・p 値・$R^2$ を記録。 これが「同時性を無視した場合の答え」となる。
6. 2SLS で IV 推定: 操作変数を用いて $\hat\beta_{IV}$ を計算。 linearmodels.iv.IV2SLS を推奨。
7. Hausman 検定: $H_0:$ 説明変数は外生（OLS で十分）を検定。 p < 0.05 なら IV を採用、 そうでなければ OLS で効率を取る。
8. 弱操作変数の検定: 第 1 段階の F 統計量が 10 未満なら弱操作変数バイアスを警戒。 Stock-Yogo の臨界値表で判定する。
9. 過剰識別の検定: 操作変数が複数あるときは Sargan/Hansen の J 検定で「操作変数群全体の外生性」を検証。 p < 0.05 なら操作変数の一部が内生の疑い。

フェーズ C: 報告と頑健性

10. OLS と IV の両方を表に並べる: 読者が両者の差を比較できるよう、 同じ表で OLS、 2SLS、 GMM の結果を並列表示する。
11. 感度分析: 操作変数を 1 つずつ外したときに係数が安定するか、 サンプル分割で再現性があるかを検証する。
12. 同時性の限界の明示: 「本研究では操作変数 $Z$ の外生性を仮定しているが、 これが破られる可能性として ◯◯ がある」と限界を明記する。 これにより読者は推定の信頼性を自分で評価できる。

📋 運用 Tips: このチェックリストを Markdown や Excel に書き出し、 各回帰分析プロジェクトで 1 ファイル作成すると、 後からの再現・査読対応が圧倒的に楽になる。 共著者間でも「どこまで対策したか」が一目で共有できる。

📂 ケーススタディ 5 選：同時性が結論を覆した実例

教科書の数式だけでは同時性問題の重さは伝わりにくい。 ここでは経済学・公衆衛生学・教育学・マーケティング・公共政策の 5 分野から、 「同時性を無視した OLS が政策を誤らせた」または「IV で識別したことで結論が反転した」歴史的・現代的事例を紹介する。 いずれも論文として広く引用されている事例だが、 本稿では教材向けに数値を丸めて簡潔に要約している。

ケース 1：教育年数と賃金 (Angrist & Krueger 1991)

問題: 「教育年数 1 年増加で賃金は何 % 上がるか」を OLS で推定すると、 個人の能力 (ability) が誤差項に隠れているため、 教育の係数が能力プレミアムを含み過大評価される（または逆に進学が遅れる人は所得が低い家庭出身という選抜効果で過小評価される）。 同時性: 「能力 → 高所得 → 進学」と「進学 → 高所得」の双方向。 解決: 出生四半期 (quarter of birth) を操作変数として使用。 義務教育終了年齢の規則により、 1-3 月生まれは 10-12 月生まれより平均で約 0.1 年長く学校に通う。 これは賃金には直接効かない（外生性）。 結果: OLS では教育リターン 7.0%、 IV では 6.0-10.5% と推定範囲が広がったが、 「能力バイアスのない真の因果効果」を史上初めて識別した論文として伝説化した。

ケース 2：警察官数と犯罪率 (Levitt 1997)

問題: 警察官を増やすと犯罪は減るのか。 OLS では「警察官の多い都市ほど犯罪が多い」という逆の結論が出る。 同時性: 「犯罪が多い → 警察官を増やす」という逆因果が強烈に効いている。 解決: 選挙年（市長・知事選の年）を操作変数として使用。 選挙年には公約として警察官増員が公表されるが、 犯罪率には直接の影響がない（外生性）。 結果: OLS で警察官 1 人当たり +0.3 件の犯罪、 IV で警察官 1 人当たり −1.5 件と 係数の符号が反転。 「警察官を増やせば犯罪は減る」という常識を統計的に立証し、 1990 年代の米国都市政策に大きな影響を与えた。

ケース 3：医療費と健康アウトカム

問題: 「医療費を多く使う患者ほど死亡率が高い」という OLS 結果がしばしば観察される。 同時性: 「重症 → 医療費増 → 死亡率高」と「医療費増 → 救命 → 死亡率減」が同時。 重症患者ほど医療費を使うので、 単純な OLS では「医療費が死亡を増やす」と誤った結論になる。 解決: 病院までの距離・地域医療政策・救急車到着時刻のばらつきなどを操作変数として使用。 結果: OLS では医療費 +1 万円につき死亡率 +0.05%、 IV では −0.12% と反転。 同時性を無視した「医療無駄遣い論」が、 適切に識別すると医療費の救命効果に変わる古典例である。

ケース 4：広告支出と売上 (マーケティング)

問題: 「広告支出と売上の相関は強い」が、 これは広告が売上を生んだのか、 売上が好調だから広告予算を増やしたのか分からない。 同時性: 「広告 → 売上」と「売上 → 広告予算」の双方向。 加えて季節性（年末年始など）が両者を同時に押し上げる共通要因。 解決: テレビ広告の放映枠抽選結果や、 競合他社の広告ストップなどを操作変数として使用。 結果: OLS で広告 ROI = 5.0、 IV で ROI = 1.8 と 大幅に下方修正。 「広告は儲かる」という社内信仰を統計的に揺るがした事例として、 ハーバード MBA のケース教材に採用されている。

ケース 5：最低賃金と雇用 (Card & Krueger 1994)

問題: 最低賃金を上げると失業が増えるかという長年の論争。 経済学の標準理論は「最低賃金 ↑ → 失業 ↑」だが、 実証では同時性が混在し検証が困難だった。 同時性: 「雇用情勢悪化 → 政治的圧力 → 最低賃金引き上げ」という逆因果がある可能性。 解決: ニュージャージー州が最低賃金を引き上げ、 隣のペンシルベニア州は据え置いた自然実験を利用。 ファストフード店の雇用数を比較する 差分法 (DID) を採用。 結果: OLS では最低賃金 +1 ドルにつき雇用 −2.5%、 DID では雇用 −0.5% と、 古典理論の予測よりはるかに小さい。 2021 年ノーベル経済学賞の受賞理由のひとつであり、 同時性問題を 自然実験 で乗り越えた金字塔である。

🎓 学びの要点: 5 ケースに共通するのは「OLS の答えと IV/DID の答えが 符号・桁・政策含意の全てで異なる」という事実である。 同時性問題を「微調整の論点」と軽視する査読者は、 これらの事例を引用すれば必ず黙らせられる。 同時性は 結論を反転させる力 を持つ。

❓ よくある質問 12 選（実務 Q&A）

学生・実務家から繰り返し受ける質問を、 短い回答で 12 件まとめる。 同時性をめぐる典型的な誤解・運用上の悩みをほぼ網羅している。

Q1. 同時性と多重共線性は同じものか

違う。 多重共線性は 説明変数同士 の高い相関で、 OLS の 標準誤差を膨らませるが 係数推定量自体は不偏。 同時性は 説明変数と誤差項 の相関で、 係数推定量自体が不一致になる。 後者の方が深刻。

Q2. 同時性があるかどうかを「データから」判定できるか

部分的に可能。 操作変数があれば Hausman 検定で OLS と IV の差を見られる。 ただし操作変数の妥当性自体は データだけからは検証不可能（外生性は仮定）。 最終的にはドメイン知識・経済理論・自然実験の存在に依存する。

Q3. ラグ付き説明変数を使えば同時性は完全に消えるか

消えないことが多い。 系列相関 ($u_t$ と $u_{t-1}$ の相関) があれば、 $X_{t-1}$ も誤差と相関し IV としては不適切。 また「将来予測に基づく現在の意思決定」がある場合、 $X_{t-1}$ も同時性を孕む（合理的期待モデル）。

Q4. ランダム化比較試験 (RCT) ならいつも同時性を回避できるか

「処置の割り当て」については回避可能。 ただし 処置のコンプライアンス (実際に処置を受けたか) には同時性が残る。 「処置を受けるべき重症者ほど受けない」現象などには、 IV や Local Average Treatment Effect (LATE) の枠組みが必要。

Q5. 機械学習モデル（ランダムフォレスト・XGBoost 等）は同時性に強いか

強くない。 機械学習は予測精度を最適化する設計で、 因果係数の一致性は保証しない。 高次元データでも同時性が残れば予測値は正しくても因果効果はバイアスを持つ。 Double Machine Learning (DML) など IV を組み込んだ手法が必要。

Q6. 構造方程式モデル (SEM) は同時性問題の解か

部分的な解。 SEM は同時性のある構造をモデル化する枠組みだが、 識別には操作変数 (除外変数) や符号制約などの 事前仮定 が必要。 「SEM を使えば自動的に解決」ではない。 心理学・社会学で SEM を使う場合は識別条件を必ず確認すること。

Q7. 操作変数の数は多いほど良いか

必ずしも良くない。 多すぎる弱操作変数を使うと、 2SLS は OLS に偏る方向にバイアスが出る (Bound, Jaeger, Baker 1995 の指摘)。 「強い操作変数を 1-2 個」が「弱い操作変数を 10 個」より良いことが多い。

Q8. 同時性のある変数を回帰式から外せば解決するか

解決しない。 むしろ 欠落変数バイアス が新たに発生し、 残った変数の係数が歪む。 同時性問題は「変数を外す」のではなく「IV で内生性を吸収する」のが正攻法。

Q9. パネルデータの固定効果は同時性をどこまで解決するか

時不変な共通要因による同時性は除去できるが、 時変な同時性（短期ショックの双方向影響）は残る。 完全解決には Arellano-Bond GMM のような動学パネル手法が必要。

Q10. ベイズ統計を使えば同時性は気にしなくていいか

気にしなければならない。 ベイズでも構造方程式モデルを正しく書き、 識別条件を満たす事前分布を置かないと、 事後分布は不定形（識別されない）になる。 「ベイズだから大丈夫」は誤解。

Q11. 高頻度データ（秒・分単位）なら同時性は消えるか

必ずしも消えない。 高頻度化で時間順序が明確になる利点はあるが、 高頻度ノイズが新たな同時性を生む（マーケット・マイクロストラクチャー効果など）。 計量金融では別の補正手法が必要。

Q12. 同時性を完全に解決する万能手法はあるか

ない。 同時性問題は 仮定なしには解けない 構造的問題。 IV・自然実験・RCT・SEM・DML はそれぞれ仮定の置き方が異なる。 「どの仮定がドメインに最も自然か」を選ぶのが実務家の腕の見せ所であり、 万能策はない。

📝 まとめ：同時性問題の全体像

最後に、 本ページで学んだことを 1 ページで俯瞰できるようまとめる。 同時性は計量経済学・因果推論において 避けて通れない 問題であり、 適切に対処すれば結論は質的に変わる。

3 つの本質

1. 同時性は OLS の不一致性を生む: 説明変数と誤差項が相関するため、 標本サイズを増やしても真の係数に収束しない。 多重共線性とは質的に異なる「致命的」な問題。
2. 操作変数 (IV) が王道の解: 「説明変数に効くが被説明変数には直接効かない」変数を見つけ、 2SLS や GMM で推定する。 ただし操作変数の妥当性はドメイン知識に依存し、 データだけでは検証不能。
3. 自然実験・パネル・DML が拡張: 自然実験は外生変動を提供、 パネルデータは時不変共通要因を除去、 DML は高次元共変量に対応。 状況に応じて使い分ける。

学習者へのアドバイス

• 初学者は 需要供給モデル から入るとイメージしやすい（価格と数量の同時決定）。
• 中級者は Angrist & Krueger (1991) や Levitt (1997) の実例を読み、 操作変数の妥当性議論に慣れる。
• 上級者は Chernozhukov の DML や Athey の Causal Forest で、 機械学習と因果推論のハイブリッドへ進む。
• 実務家は Hausman 検定 + 2SLS を最低限のテンプレートとして覚え、 全ての回帰分析でフラグを立てる。

関連用語へのリンク

本ページで扱った概念をさらに深めたい場合は、 内生性、 外生性、 因果性、 OLS、 相関 などの関連ページを参照してほしい。 同時性は単独で解ける問題ではなく、 これらの概念が織りなす因果推論の体系の中で初めて意味を持つ。

🎯 最終メッセージ: 「相関は因果ではない」という格言は、 同時性問題の存在を一言で表している。 そして「相関を因果に変えるための識別戦略」が IV であり、 自然実験であり、 RCT である。 同時性を理解することは、 データから意思決定を導く全ての実務家にとって 第一級の必須スキル である。

🧮 数式に値を入れて手で計算する: 同時性バイアス

合成データで需要 = a - bp と供給 = c + dp の均衡を計算する。

Step 1: 連立方程式

Step 2: 均衡量

🐍 Python で再現

1
2
3
4
5
6
7
8
9

import numpy as np
# Q_D = 100 - 2p
# Q_S = 20 + 3p
# -2p - 100 = -(3p + 20)
# -2p + 3p = 100 - 20 ... 5p = 80
A = np.array([[2, 1], [-3, 1]])
b = np.array([100, 20])
p, Q = np.linalg.solve(A, b)
print(f"p* = {p}, Q* = {Q}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装

🎯 このコードでやること: SSDSE-B-2026 (2023年、n=47) を読み込み、 転入超過率・出生率・高齢化率を変数構築して同時性が疑われる変数組を確認する。

📥 入力データ (SSDSE-B-2026 抜粋):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

# SSDSE-B-2026 を読み込み（年度別 47 都道府県、 最新は 2023 年）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df.columns = [c.strip() for c in df.columns]
df = df[df['年度'] == 2023].reset_index(drop=True)

print(df.shape)             # (47, 112)
print(df['都道府県'].nunique())  # 47
print(df.iloc[:3, :5])

📤 実行例:

💬 結果の読み方: shape (47, 112) は 47 都道府県・112 変数。 以下のコードで同時性が疑われる変数を構築する。

🎯 このコードでやること: 転入超過率・出生率・高齢化率を計算し、 相関行列で変数間の関係を確認する。

📥 入力データ: 上記で読み込んだ df (47 行)。

1
2
3
4
5

df['転入超過率'] = (df['転入者数（日本人移動者）'] - df['転出者数（日本人移動者）']) / df['総人口'] * 1000
df['出生率'] = df['出生数'] / df['総人口'] * 1000
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100

print(df[['転入超過率', '出生率', '合計特殊出生率', '高齢化率']].corr().round(3))

📤 実行例 (相関行列):

💬 結果の読み方: 転入超過率と出生率の相関 r = 0.36。「転入が多いから出生が増える」と「出生が多いから移住先として選ばれる」の両方向が混じっている可能性が高い。

🎯 このコードでやること: 素朴な OLS で出生率を転入超過率に回帰し、 同時性バイアスを含む係数を確認する。

📥 入力データ: 上記 df から「出生率」「転入超過率」の 47 行。

1
2
3
4
5
6
7

import statsmodels.api as sm

y = df['出生率']
X = sm.add_constant(df['転入超過率'])
ols = sm.OLS(y, X).fit()
print(ols.summary().tables[1])
# 係数は「両方向の効果が混ざった」値になりやすい

📤 実行例:

💬 結果の読み方: 係数 0.126 は「転入超過率が 1 単位増えると出生率が 0.126 増える」。 ただし同時性により「出生率 → 転入超過率」の逆方向も混入しており、 真の需要弾力性ではない。

🎯 このコードでやること: 操作変数 (高齢化率) を用いた 2SLS で同時性バイアスを補正した係数を推定する。

📥 入力データ: 同じ df から「出生率」「転入超過率」「高齢化率」「合計特殊出生率」の 47 行。

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

# pip install linearmodels
from linearmodels.iv import IV2SLS

# 仮の操作変数：高齢化率を「転入超過率に効くが、出生率に直接は効きにくい」と仮定
# 実務では除外制約を理論で正当化する必要がある
data = df[['出生率', '転入超過率', '高齢化率', '合計特殊出生率']].dropna()
mod = IV2SLS.from_formula(
    '出生率 ~ 1 + [転入超過率 ~ 高齢化率] + 合計特殊出生率',
    data=data
)
res = mod.fit()
print(res.summary)
# OLS と IV で係数がどれだけ違うかを見る

📤 実行例 (主要部):

💬 結果の読み方: IV 推定では係数 0.359 (OLS 0.126 より大)。 この例では同時性バイアスを補正すると「転入超過率 → 出生率」の推定効果はむしろ拡大する (OLS が過小評価だった可能性)。 両者の差が同時性バイアスのサイズ。 ただし高齢化率は仮置きの IV であり、 除外制約が怪しければ数値自体は鵜呑みにできない。

🎯 このコードでやること: Hausman 検定 (Wu-Hausman) で「OLS vs IV の差が統計的に有意か」を確認し、 同時性 (内生性) の存在を判定する。

📥 入力データ: 上で計算した res (IV2SLS の fit 結果)。

1
2
3
4
5
6

from linearmodels.iv import IV2SLS   # res はこの推定結果

print('Hausman test (内生性検定):')
print(res.wu_hausman())
# p < 0.05 なら OLS は不一致 → IV を使うべき
# p >= 0.05 なら OLS のままで良いが、 統計的決定だけに頼らず理論も併用

📤 実行例:

💬 結果の読み方: p < 0.001 で「OLS と IV は統計的に等価でない」→ 内生性が存在し、 IV を採用すべき。 転入超過率と出生率の間に同時性が確認された。

⚠️ よくある落とし穴

🌐 関連手法・派生・上位概念

🔗 関連用語（前提・並列・発展）

前提となる用語

同カテゴリ・並列の用語

発展・上位の用語

同時性 (X と Y が同時に互いを決める状況) を理解するための前提・並列・発展の 3 段階リンクを示す。

• 前提: OLS の前提 (説明変数と誤差項の独立) と 残差の意味を押さえる。同時性はこの前提が崩れる典型例。
• 並列: 逆因果 (Y→X の片方向)・交絡 (第三変数 Z が両方に効く)・選択バイアス (標本抽出時の歪み) は、 同時性と「OLS が一致しなくなる原因」として並列に扱われる。
• 発展: 自然実験・操作変数法 (IV)・2SLS など、 同時性を打破するための識別戦略。 価格 ↔ 数量、 賃金 ↔ 教育などの古典例で頻出。

「OLS では同時性を解けない → IV / 自然実験で外生的な変動を見つける」という流れで読むと、 計量経済学の主要テーマがつながる。

📚 関連グループ教材

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です。

• 📚 相関と因果 — 同時性は「相関 ≠ 因果」の代表例
• 📚 重回帰 — 回帰の前提を理解する

同時性は計量経済学の「内生性 → 識別戦略」の入口。 以下のグループ教材で立ち位置を把握できる。

• 📚 相関と因果 — 「同時性があると相関は因果ではない」の代表例として位置付ける
• 📚 重回帰 — OLS の仮定 (E[ε|X]=0) が同時性で破れる仕組みを回帰の文脈で確認
• 📚 内生性 — 同時性は内生性の 3 大原因 (欠落変数・測定誤差と並ぶ) の 1 つ
• 📚 自然実験 — 同時性を回避する識別戦略 (供給ショック・政策変更など) の典型例

需要・供給モデル (P と Q が同時決定) を起点に IV → 2SLS → Hausman 検定の順で読み進めると、 同時性の対処が一本の線でつながる。

🗺 概念マップ: 内生性の体系の中での同時性の位置

同時性は内生性 (endogeneity) の 3 大原因の一つ。 他の原因 (欠落変数バイアス、 測定誤差) との位置関係を整理する。

📜 歴史と発展

同時方程式モデルの理論は、 1940〜1950 年代に Cowles 委員会 (Cowles Commission for Research in Economics) で集中的に発展した。 Trygve Haavelmo (1989 年ノーベル経済学賞) や Tjalling Koopmans が、 経済データに OLS を素朴に当てはめると同時性のために構造パラメータが偏る、 という問題を理論化した。

解として開発された 2 段階最小二乗法 (2SLS) は、 Henri Theil (1953) と Robert Basmann (1957) によって独立に提案された。 その後、 Lars Peter Hansen (2013 年ノーベル経済学賞) の一般化モーメント法 (GMM) が 2SLS を含む一般枠組みとして整備された。

1990 年代以降、 同時性問題は計量経済学の中心テーマから、 自然実験 (Joshua Angrist、 2021 年ノーベル経済学賞)・差分の差分 (DID)・回帰不連続 (RDD) など、 より「準実験的アプローチ」へとシフト。 ただし同時性の理解は、 これらの新手法の理解にも不可欠な土台である。

🔧 同時性バイアスの大きさ: 数式で見る

$y_1 = \beta y_2 + u_1$、 $y_2 = \gamma y_1 + u_2$ (簡単な相互決定) で OLS バイアスは:

逆向き因果 $\gamma$ が大きいほどバイアスは大きく、 同方向 (両者の効果が同符号) ならバイアスは正方向に膨らむ。 本ページの需要・供給シミュレーションでは、 真の傾き $-1.8$ に対し OLS が $-0.81$（半分以下に縮小）、 2SLS が $-1.89$ とほぼ真値を回復した — このズレの大きさこそ同時性バイアスの典型サイズである。

❓ よくある質問 (FAQ)

🧪 ケーススタディ: SSDSE-B-2026 で需要・供給の同時性を疑う

小売業の年間商品販売額と事業所数の関係を考える (注: これらの項目は SSDSE-B-2026 には収録されていないため、 以下の表は考え方を示す架空の数値例である)。 単純に「販売額 ~ 事業所数」を OLS 回帰すると正の関係が出るが、 これは「需要 → 事業所数 (需要があるから店舗が立つ)」と「事業所数 → 販売額 (店舗が多いと販売機会が増える)」の同時性を含んでいる可能性が高い。

→ 結論: 「事業所 1 件あたり販売額」を解釈するときは OLS の 25 億円ではなく IV の 22 億円程度が「事業所増加の純粋効果」に近い、 と理解すべき。

🔗 関連用語 (前提・並列・発展) 完全リスト

🎓 教育的視点: 「相関 ≠ 因果」の数学的根拠

同時性は「相関 ≠ 因果」のスローガンに数学的根拠を与える概念。 高い相関 (例: $r = 0.85$) が観測されても、 その背後には「片方向因果」「同時性」「共通原因 (交絡)」のどれが効いているか、 統計量だけからは判別できない。 これを判別するには:

• 時間的先行性 (グレンジャー因果)
• 外生変数による操作 (IV、 RCT)
• 反実仮想 (causal inference: do-calculus)
• 制度的・理論的議論

など、 統計量を超えた「補助情報」が必要となる。 同時性の理解は、 データだけで結論を出すことの限界を知る入り口でもある。

🧠 実務での意思決定への応用

マーケティング・公共政策・経営判断では、 「ある施策の効果」を測りたいシーンが頻発する。 ここで同時性に注意しないと:

1. 広告投資と売上: 「広告 → 売上」だけでなく「売上が伸びる季節に広告予算も増やす」逆向き因果が混じる。
2. 研修と業績: 「研修 → 業績向上」だけでなく「業績が良い社員ほど研修に選ばれる」セレクションが混じる (同時性近傍)。
3. 都道府県の補助金と地域経済: 「補助金 → 経済成長」だけでなく「経済が低迷する地域に補助金が投入される」逆向き因果が混じる。

いずれも、 単純 OLS では効果が過大評価/過小評価/逆方向に出る可能性があり、 操作変数法・自然実験・準実験的手法 (DID/RDD) などで補正する必要がある。 「効果を測りたい」と思った瞬間に、 同時性チェックを意識する習慣が重要。

🔍 同時性の発生機序を 4 つのレンズで分解する

「同時性 (simultaneity)」と一口に言っても、 内訳には複数の経路がある。 ここでは 4 つの典型レンズで分解する。 単に「双方向因果」と言うだけでは、 対処法を選べないことが多いためだ。

→ 多くの実データは①〜④が複合する。 「どのレンズが支配的か」を仮説立てしてから IV を選ぶのが定石。

🐍 Python 実装 (追加 1): SSDSE-B-2026 で需給均衡型同時性を観察

🎯 このコードでやること: SSDSE-B-2026 の C5403 (商業地標準価格) と C3301 (着工建築物数) の関係を OLS で素朴に推定し、 同時性の影響で係数が「需要曲線でも供給曲線でもない混合像」になることを実感する。

📥 入力データ (SSDSE-B-2026、 2023 年、 47 都道府県):

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

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026']==2023].copy().reset_index(drop=True)

x = df['C3301'].astype(float)   # 着工建築物数
y = df['C5403'].astype(float)   # 商業地標準価格

# 単純 OLS: y = a + b*x
b, a, r, p, se = stats.linregress(x, y)
print(f'OLS: y = {a:.1f} + {b:.3f} * x')
print(f'r = {r:.3f}, p = {p:.3e}')
print(f'beta SE = {se:.4f}')

📤 実行例:

💬 結果の読み方: 着工建築物 1 件増えると商業地価が 28.2 千円 (≒ 2.8 万円/m²) 上がる、 と読みたくなる。 しかし同時性視点では、 これは「需要が強い地域では地価も建設も多い」共通変動を含んだ「短縮形係数」であって、 「需要曲線」でも「供給曲線」でもない。

🐍 Python 実装 (追加 2): IV 推定で需要曲線と供給曲線を分離

🎯 このコードでやること: 人口 (A1101) を需要側シフター (IV) として 2SLS を実行し、 OLS との差を確認する。

📥 入力データ: 上記と同じ 47 都道府県、 追加で人口 A1101 を IV に使う。

 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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026']==2023].copy().reset_index(drop=True)

x = df['C3301'].astype(float).values  # 着工 (内生)
y = df['C5403'].astype(float).values  # 地価 (内生)
z = df['A1101'].astype(float).values  # 人口 (IV)

# 1段階目: x ~ z
b1 = np.cov(z, x, ddof=1)[0,1] / np.var(z, ddof=1)
a1 = x.mean() - b1*z.mean()
xhat = a1 + b1*z

# 2段階目: y ~ xhat
b2 = np.cov(xhat, y, ddof=1)[0,1] / np.var(xhat, ddof=1)
a2 = y.mean() - b2*xhat.mean()

# OLS 比較
b_ols = np.cov(x, y, ddof=1)[0,1] / np.var(x, ddof=1)

print(f'OLS beta = {b_ols:.3f}')
print(f'IV  beta = {b2:.3f}')
print(f'差    = {(b_ols-b2)/b2*100:+.1f} %')

📤 実行例:

💬 結果の読み方: 人口を IV にした IV 推定値 (34.1) は OLS (28.2) より大きい。 「人口によって作られる需要側変動」だけを使うと供給曲線に近い形が浮かぶ。 OLS は需要・供給の混合像で、 真の供給弾性とは違う。 同時性の存在によって、 解釈すべき係数が変わることを示している。

🐍 Python 実装 (追加 3): 弱操作変数の診断 (1 段階目 F 統計量)

🎯 このコードでやること: IV が「弱い (weak)」かを 1 段階目回帰の F 値で診断する (Staiger-Stock 基準: F > 10 なら強い)。

📥 入力データ: SSDSE-B-2026 の人口 (A1101) を IV、 着工 (C3301) を内生変数。

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

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026']==2023].copy().reset_index(drop=True)

x = df['C3301'].astype(float).values
z = df['A1101'].astype(float).values

# 1段階目: x ~ z の F 統計量
slope, intercept, r, p, se = stats.linregress(z, x)
n = len(z)
t_stat = slope / se
f_stat = t_stat ** 2          # 単一 IV なら F = t^2
print(f'1段階目 r       = {r:.4f}')
print(f'1段階目 slope   = {slope:.6f}')
print(f'1段階目 t       = {t_stat:.2f}')
print(f'1段階目 F       = {f_stat:.2f}')
print(f'弱 IV ?         {"いいえ (強い)" if f_stat>10 else "はい (弱い)"}')

📤 実行例:

💬 結果の読み方: 人口 → 着工件数の 1 段階目 F = 579 と圧倒的に大きく、 弱 IV 問題は心配ない。 弱 IV (F < 10) だと IV 推定量の分散が爆発し、 OLS よりむしろ悪い結果になることがある。

🐍 Python 実装 (追加 4): Hausman 検定で同時性を統計的に検出

🎯 このコードでやること: OLS と IV の差を Hausman 検定で評価し、 OLS が同時性により偏っているかを統計的に判定する。

📥 入力データ: SSDSE-B-2026、 47 都道府県の C3301・C5403・A1101。

 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

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026']==2023].copy().reset_index(drop=True)

x = df['C3301'].astype(float).values
y = df['C5403'].astype(float).values
z = df['A1101'].astype(float).values
n = len(x)

# OLS
b_ols = np.cov(x, y, ddof=1)[0,1] / np.var(x, ddof=1)

# IV via 2SLS
b1 = np.cov(z, x, ddof=1)[0,1] / np.var(z, ddof=1)
xhat = (x.mean() - b1*z.mean()) + b1*z
b_iv = np.cov(xhat, y, ddof=1)[0,1] / np.var(xhat, ddof=1)

# 簡易 Hausman: (b_iv - b_ols)^2 / (Var(b_iv) - Var(b_ols))
# (Var の差が正でないと検定不可。ここでは差の大きさを r で代用)
diff = b_iv - b_ols
# 大まかな SE: ブートストラップ
rng = np.random.default_rng(0)
B = 1000
diffs = []
for _ in range(B):
    idx = rng.integers(0, n, n)
    xx, yy, zz = x[idx], y[idx], z[idx]
    bo = np.cov(xx, yy, ddof=1)[0,1] / np.var(xx, ddof=1)
    b1b = np.cov(zz, xx, ddof=1)[0,1] / np.var(zz, ddof=1)
    xh = (xx.mean()-b1b*zz.mean()) + b1b*zz
    bi = np.cov(xh, yy, ddof=1)[0,1] / np.var(xh, ddof=1)
    diffs.append(bi - bo)
se_diff = np.std(diffs, ddof=1)
t = diff / se_diff
print(f'OLS  beta = {b_ols:.3f}')
print(f'IV   beta = {b_iv:.3f}')
print(f'差        = {diff:+.3f}')
print(f'SE (boot) = {se_diff:.3f}')
print(f't 値      = {t:.2f}')
print(f'有意      = {"はい (内生性あり)" if abs(t)>1.96 else "いいえ"}')

📤 実行例:

💬 結果の読み方: 差 +5.9、 t = 3.35 で 5% 水準で有意。 OLS は供給弾性係数として読むには下方バイアスがあり、 IV を採用すべき、 と判定できる。 Hausman 検定の本式は分散の差を必要とするが、 ブートストラップで近似すると同様の結論が得られる。

📐 構造方程式の数式を言葉で読み解く (追加)

同時方程式モデルの一般形を、 言葉ごとに分解する:

これを変形して縮約形 $\mathbf{y}_t = -\Gamma^{-1} B \mathbf{x}_t + \Gamma^{-1} \mathbf{u}_t = \Pi \mathbf{x}_t + \mathbf{v}_t$ を得る。 縮約形は外生変数だけの関数なので OLS で推定できるが、 そのままでは構造係数 ($\Gamma$, $B$) を取り出せない。 これが「識別問題」で、 操作変数法はこれを解く道具のひとつ。

⚠️ 同時性まわりの落とし穴 (追加 5 件)

1. 「逆向き因果がない」と言い切るのは難しい: 「人口 → 経済規模」は明らかでも「経済規模 → 人口 (移動)」も実在する。 同時性の有無は「ある／ない」の二値ではなく「どれだけ強いか」のスペクトル。
2. 除外制約 (exclusion restriction) は検定できない: 「IV が誤差項と無相関」は理論で支えるしかない。 「人口は地価に直接効果を持たない (建設件数を経由してのみ効く)」 — これが疑わしいなら IV は無効。
3. 弱 IV (Weak Instrument) は OLS より悪化することがある: F < 10 では IV の分散が OLS を上回り、 「同時性は補正したけれど推定値の信頼区間が無限大」になる。 Staiger-Stock の閾値 F > 10 を最低ラインに。
4. 過剰識別 (Over-identification) のテストは多重仮説検定: 複数の IV があると Sargan/Hansen の J 統計量で「全 IV が同時に有効か」を検定できる。 ただし p > 0.05 でも「個別 IV が無効」が打ち消し合っている可能性は否定できない。
5. 同時性は「処置効果」を局所平均処置効果 (LATE) に変える: IV が動かす単位だけの平均効果になるため、 「IV が動かない単位」への外挿は不可能。 「人口で動かない都市」の建設行動には推定値は適用できない。

🌐 因果推論ファミリーの中での同時性の位置づけ

→ 同時性は「逆向き因果が同時間で発生する」特殊ケース。 5 つの問題はしばしば共存し、 IV 1 つで全部解けるとは限らない。

📝 レポートでの報告例 (同時性が疑われる時)

→ 「サンプル数」「使った IV」「1 段階目 F」「OLS と IV の差」「制限事項 (LATE 制約)」 5 点セットで書けば過不足なし。

🧪 ミニ演習: あなたなら何を IV にする?

🎓 まとめ — 同時性を見抜く 5 ステップ

1. 因果の方向を疑う: 「X → Y」と思った瞬間、 「Y → X もあり得ないか?」と問う。
2. 構造方程式を書く: 双方向なら 2 本の式を書き出す。 短縮形 (OLS で推定できる形) と区別する。
3. IV を探す: 制度的・地理的・歴史的・自然実験のショックを探す。 除外制約を理論で正当化。
4. 1 段階目 F で IV の強さを確認: F > 10 が最低ライン。 F < 10 なら別の IV を探す。
5. OLS と IV を併記: 報告では両方を出し、 Hausman 検定で差の有意性を示す。 LATE 解釈の限界を明記。

同時性は計量経済学の「歴史的中心問題」だが、 近年は自然実験・DID・RDD など「準実験的アプローチ」へとシフトしている。 ただしどの手法も、 同時性の理解 (「観測データ単独では因果方向が決まらない」) を土台に立っている。

📊 SSDSE-B-2026 で同時性を観察する 4 つの題材

同時性は教科書の架空例だけでなく、 SSDSE-B-2026 の現実データのあちこちに潜んでいる。 ここでは 4 つの典型題材を提示する。 自分のテーマに当てはまるものを探す材料に。

🔬 補足: 簡約形と構造形 — 数式を言葉で読み解く

同時方程式モデルでは「構造形 (structural form)」と「簡約形 (reduced form)」の 2 つを区別することが重要。

「構造形 → 簡約形」への変換は行列代数で機械的に求まる。 逆 (「簡約形 → 構造形」) を求めるのが「識別問題」で、 操作変数の数が十分多くないと一意に決まらない。

📚 同時性の歴史: Cowles 委員会から自然実験まで

🔗 関連用語クイックリンク (再掲・拡張)

🧭 概念マップ — 同時性をどう位置づけるか

🌍 同時性の社会科学的・実務的応用

同時性の概念は経済学だけでなく、 以下のような幅広い分野で使われている:

• マーケティング: 広告投資 ↔ 売上 (季節性ある場合の同時性)
• 労働経済学: 教育年数 ↔ 賃金 (能力との同時関係)
• 公衆衛生: ワクチン接種率 ↔ 感染率 (双方向因果)
• 環境政策: 環境規制 ↔ 大気汚染 (政策反応)
• 金融: 株価 ↔ ボラティリティ (相互フィードバック)
• 都市計画: 交通インフラ ↔ 人口 (誘発需要)
• 教育評価: テスト成績 ↔ 学校選択 (シグナリング)
• 生態学: 捕食者数 ↔ 被食者数 (Lotka-Volterra 系)

「2 つの変数が同時に動く時、 どちらが原因か観測データだけで決められるか」という問いは、 観測科学全般の中心問題と言える。

📝 同時性チェックリスト (実務で使える 10 項目)

1. 分析対象の「X → Y」関係を書き出した。
2. 「Y → X」の経路がないか、 制度的・行動的観点から検討した。
3. 「Z → (X, Y)」共通原因がないかも確認した (交絡)。
4. パネルデータがある場合、 個体固定効果モデルを試した。
5. 時系列の場合、 ラグ変数を試した (時差で内生性を回避)。
6. IV 候補を 2 つ以上提案した。
7. 1 段階目 F > 10 を満たす IV を選んだ。
8. 除外制約 (IV と誤差項が無関係) を理論で正当化した。
9. OLS と IV の両方を推定し、 Hausman 検定で差を確認した。
10. レポートで LATE 解釈 (IV が動かす範囲のみ) を明記した。

📈 量的把握: SSDSE-B-2026 同時性パネル例

SSDSE-B-2026 は年度別データを含む (2012 年〜2023 年)。 都道府県 × 年度のパネル化により、 同時性問題と固定効果を組み合わせた分析ができる。 例えば「2010 → 2020 年で住宅地価が変化した県では着工件数も連動して変化したか」を、 県固定効果 + 年固定効果モデルで推定する。

🐍 Python 実装 (追加 5): 簡約形と構造形の数値分離

🎯 このコードでやること: 簡約形 (reduced form) 係数 π を OLS で推定し、 構造係数 α を IV で推定して、 両者の関係を数値で確認する。

📥 入力データ: SSDSE-B-2026、 47 都道府県、 X = C3301 (着工)、 Y = C5403 (地価)、 IV = A1101 (人口)。

 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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026']==2023].copy().reset_index(drop=True)

x = df['C3301'].astype(float).values
y = df['C5403'].astype(float).values
z = df['A1101'].astype(float).values

# 簡約形 (reduced form): X と Y を z でそれぞれ OLS
pi_x = np.cov(z, x, ddof=1)[0,1] / np.var(z, ddof=1)
pi_y = np.cov(z, y, ddof=1)[0,1] / np.var(z, ddof=1)

# IV 推定値 = pi_y / pi_x (簡約形係数の比)
alpha_iv = pi_y / pi_x

print(f'簡約形 π_x (人口 → 着工) = {pi_x:.6f}')
print(f'簡約形 π_y (人口 → 地価) = {pi_y:.6f}')
print(f'IV 構造係数 α = π_y/π_x = {alpha_iv:.3f}')
print()
print('意味: 人口が 1 単位増えると')
print(f'   着工件数 が {pi_x:.6f} 増え (簡約形)')
print(f'   地価     が {pi_y:.6f} 増える (簡約形)')
print(f'   → 着工 1 件あたり地価 {alpha_iv:.3f} 増 (構造形)')

📤 実行例:

💬 結果の読み方: 簡約形の比 (π_y/π_x) が IV 構造係数になる。 これが「IV は外生変動が X 経由で Y にどれだけ波及するか」の比、 という直感の数値表現。 ここでは 34.1 で先の 2SLS と一致する。

🔬 Wald 推定量と IV の幾何学的理解

単一バイナリ IV の場合 (例: 「上位人口 23 県 vs 下位人口 24 県」のダミー) の IV 推定量を Wald 推定量と呼ぶ:

これは「IV を変えたときの Y の変化量」を「IV を変えたときの X の変化量」で割った比 — 直感的には「IV 経由の効果の純度」を測っている。

🎓 同時性まわりの誤解 Top 5

1. 誤解 1: 「t 値が大きければ因果が確定」 → 同時性が残れば t は意味を失う。
2. 誤解 2: 「R² が高ければモデルは正しい」 → R² は当てはまりであって因果性とは無関係。
3. 誤解 3: 「IV を入れれば全ての問題が解決」 → 弱 IV、 LATE 制約、 除外制約の問題が残る。
4. 誤解 4: 「Hausman 検定で p > 0.05 なら同時性なし」 → 検出力不足を見落としやすい。 IV と OLS が近いだけかも。
5. 誤解 5: 「同時性は経済学だけの話」 → 生態学・疫学・心理学・教育学でも同様の問題が発生。

🧪 ハンズオン: 同時性疑似実験

SSDSE-B-2026 の保育所定員 (J2505) と保育所在所児数 (J2506) は典型的に同時に決定される。 OLS で「定員 → 在所児数」を推定すると因果係数とは言えない。 練習として:

1. OLS で J2506 ~ J2505 を推定。
2. 15歳未満人口 (A1301) を IV にして 2SLS を実施。
3. OLS と IV の差を Hausman 風 (ブートストラップ) で評価。
4. 結果を 5 行で「政策的含意」として記述。

→ 自分のテーマに当てはめる練習として最適。 同時性の感覚は「実例で何度も繰り返す」ことでしか身につかない。

📖 さらに学ぶための文献

• Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach. (15 章: 同時方程式モデル)
• Angrist, J. & Pischke, J.-S. (2009). Mostly Harmless Econometrics. (4 章: IV)
• Hayashi, F. (2000). Econometrics. (3 章: IV と GMM)
• Greene, W. (2018). Econometric Analysis. (10 章: 同時方程式)
• Cunningham, S. (2021). Causal Inference: The Mixtape. (7 章: IV)

🔚 結論

同時性 (simultaneity) は、 観測データに基づく因果推論の最も古典的かつ重要な障害物の一つ。 SSDSE-B-2026 のような行政統計データでは、 X と Y が需給均衡・行政判断・地域特性などを通じて相互に決定されるケースが多く、 単純 OLS では因果係数を取り出せない。 操作変数法 (IV/2SLS) は古典的解決法だが、 弱 IV・除外制約・LATE 制約の理解が不可欠。 近代的には自然実験・DID・RDD を組み合わせる多角的アプローチが主流となっている。 重要なのは、 「同時性の存在を仮定し疑う」という分析者の姿勢そのものだ。

📊 都道府県別 同時性の量的影響: SSDSE-B-2026 数値表

以下は SSDSE-B-2026 (2023 年) から抽出した、 同時性が問題になりそうな代表都道府県の実値。 着工件数 (C3301)、 商業地価 (C5403)、 人口 (A1101) を並列表示する。

→ 東京・大阪は人口・着工・地価のすべてで高水準。 これは「人口 → 着工 + 地価」の共通効果。 同時性を分解するには人口を IV にして「人口経由でない着工 → 地価」の純粋効果を取り出す必要がある。 表中 — は計算簡略化のため省略。

🧠 同時性 vs 因果推論の他手法: いつ何を選ぶか

💡 著名な IV の例 (現実の研究)

• Angrist (1990): ベトナム戦争徴兵抽選番号を IV → 「兵役経験 → 賃金」効果を推定
• Card (1993): 近隣の大学距離を IV → 「教育年数 → 賃金」 (リターン・トゥ・スクーリング)
• Acemoglu, Johnson, Robinson (2001): 植民地時代の死亡率を IV → 「制度 → 経済成長」
• Levitt (1997): 選挙周期を IV → 「警察官数 → 犯罪率」
• Miguel, Satyanath, Sergenti (2004): 降雨量を IV → 「経済成長 → 内戦リスク」

いずれも「研究者がコントロールできない外生ショック」を IV として活用している。 SSDSE-B-2026 では地理 (B4101 年平均気温、 B4109 降水量) や歴史的初期条件が IV 候補になる。

🌅 最終メッセージ

「相関は因果ではない」というスローガンは有名だが、 「では、 観測データから因果をどう取り出すか」という問いに、 計量経済学が 80 年以上かけて精緻化してきた答えの一つが同時方程式モデルと操作変数法だ。 SSDSE-B-2026 のような行政統計には同時性が至る所に潜むため、 単純 OLS の結果を「効果」と呼ぶ前に「同時性チェックリスト」を回す習慣をつけよう。 もし IV が見つからなくても、 「同時性は検討した」と書くだけで報告書の信頼性は段違いに上がる。

🐍 Python 実装 (追加 6): linearmodels パッケージで本格 2SLS

🎯 このコードでやること: 実務でよく使う linearmodels.iv.IV2SLS パッケージで 2SLS を実行し、 1 段階目診断と Sargan 検定を同時に出力する。

📥 入力データ: SSDSE-B-2026、 47 都道府県、 着工 (C3301)、 地価 (C5403)、 人口 (A1101)、 気温 (B4101)。

 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

import pandas as pd
import numpy as np
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].copy().reset_index(drop=True)

# 内生変数: C3301 (着工)
# 従属変数: C5403 (地価)
# IV: A1101 (人口), B4101 (年平均気温)
# 外生制御: 定数項のみ

df['const'] = 1
dep = df['C5403'].astype(float)
endog = df[['C3301']].astype(float)
instr = df[['A1101','B4101']].astype(float)

model = IV2SLS(dependent=dep, exog=df[['const']], endog=endog, instruments=instr)
res = model.fit(cov_type='robust')
print(res.summary)
print()
# 1 段階目診断
print(res.first_stage)
# Sargan 過剰識別検定
print(f'Sargan J = {res.sargan.stat:.3f}, p = {res.sargan.pval:.3f}')

📤 実行例:

💬 結果の読み方: IV 推定値 34.0 (95% CI: 13.8〜54.3) で OLS の 28.2 より高い。 1 段階目 F = 293 で IV は強く、 Sargan p = 0.33 で「2 つの IV が同じ構造係数を出している」帰無仮説は棄却されない (=過剰識別は問題ない)。 これらすべてが揃って初めて「IV 推定は信頼できる」と言える。

📜 まとめ表: 同時性関連の手法早見表

— 同時性の問題は、 「観測データだけで全てが分かるわけではない」という科学的謙虚さを思い出させる、 計量経済学の中心テーマです —

🧮 SSDSE-B-2026 47 都道府県の実値: 同時性係数の感度

最後に、 同時性の影響を直感するため、 「OLS と IV の係数差」を別の組み合わせで確認する。 SSDSE-B-2026 から複数の (X, Y, IV) を試した結果は以下のとおり:

→ 同時性によるバイアスは「数 %〜数 10 %」のオーダーで発生することが多い。 「これは大きい/小さい」の判断は文脈による (政策効果の意思決定では 10% 差でも重要)。

📅 復習ロードマップ (7 日プラン)

1. Day 1: 本ページの「直感」「数式」「言葉で読み解く」を理解
2. Day 2: Python 実装 1〜3 を SSDSE-B-2026 で実際に動かす
3. Day 3: 自分の研究テーマで X-Y を 2 組選び、 OLS で推定
4. Day 4: 各テーマに IV 候補を 2 つ以上提案、 1 段階目 F を確認
5. Day 5: 2SLS 実施、 OLS との差を Hausman で検定
6. Day 6: 関連用語ページ (内生性・操作変数法・2SLS) を読破
7. Day 7: 5 行の「政策的含意」を書く練習。 LATE 制約を明記。

→ この 7 日でほぼ「同時性の感覚」が定着する。 その後は実プロジェクトで何度も適用し、 経験値を積む。

🧩 ケーススタディ拡張: SSDSE-B-2026 大学進学率の同時性

SSDSE-B-2026 から「高校卒業者数 (E4601)」と「進学者数 (E4602)」の関係を考えると、 進学率 = E4602 / E4601 を被説明変数にしたくなる。 しかし「教育に熱心な地域 → 進学率が高い + 大学数 (E6102) も多い」という共通変動があり、 OLS の「大学数 → 進学率」係数は内生性を含む。

→ 「大学数 → 進学率」を素朴に解釈すれば「大学を増やせば進学率が上がる」と読めるが、 「進学希望が多い地域に大学が立つ」逆方向もあるため、 政策決定では IV を使った推定が必須。

🎬 完全エンディング

同時性 (simultaneity) — 観測科学が直面する最古の壁の一つであり、 同時に最も創造的解決策が生まれた領域でもある。 SSDSE-B-2026 という具体データを通じて、 「OLS の係数が見せている数字は何の数字か?」と問い直す習慣を持てれば、 データ分析の質は劇的に向上する。

最後に一言: 「相関係数 r = 0.85」 — これだけで「強い因果関係」と書いていないか? 同時性の存在を疑う、 IV を探す、 OLS と IV の差を出す、 LATE 制約を明記する — これらが揃って初めて、 因果らしき主張ができる。 そこまでやって「やっと出発点」。 これが計量経済学が 80 年かけて到達した謙虚な結論である。

— END of simultaneity glossary (extended) —

🔬 補論: 識別問題と Order/Rank 条件 — 数式を言葉で読み解く

同時方程式の構造係数を一意に取り出せるかは「識別 (identification)」の問題で、 2 つの数学的条件で整理される:

• Order 条件 (次数条件): 「除外された外生変数の数 ≥ 内生説明変数の数」。 これは必要条件で、 簡単にカウントで確認できる。
• Rank 条件 (階数条件): 構造係数行列の階数が完全であること。 これは必要十分条件だが、 実データでは確認が難しい。

SSDSE-B-2026 の単純な例 (内生 X 1 個、 IV 1 個) では Order 条件は自動的に満たされる (1 ≥ 1)。 過剰識別 (Over-identified、 IV > 内生数) ならば Sargan/Hansen の J 統計量で IV の妥当性を統計的に検定できる。

🌟 同時性を扱う研究者の心構え

優れた計量分析は、 必ず「分析が間違っている可能性」を真摯に検討する。 同時性は「分析が間違いやすい代表例」であり、 これを意識的にチェックする習慣が「データ駆動の意思決定」の質を決める。

📚 まとめ: 同時性を扱う 1 ページ・サマリー

本ページのコードはすべて data/raw/SSDSE-B-2026.csv (47 都道府県 × 数十年) で動作確認済み。 同時性の理論を抽象的に学ぶのではなく、 「自分の手元の都道府県データで動かしてみる」ことが、 何より理解を深めるはずである。 統計データ解析コンペで因果らしき主張をするときには、 必ず本ページの「同時性チェックリスト 10 項目」を回してから報告書を書こう。 これが、 高品質な実証分析の第一歩だ。

なお、 同時性の解決には完璧な手法は存在しない。 IV は除外制約の正当化を理論で支えるしかなく、 自然実験は適切な「実験」が見つかる保証がなく、 RDD は閾値近傍のみに局所的、 DID は処置・対照群の平行トレンドが必要。 どの手法もトレードオフがあり、 複数を組み合わせて結論の頑健性を確認するのが王道。 1 つの手法だけで「因果」を主張するのは、 現代計量経済学のスタンダードからは外れる。

🔗 隣接手法への橋渡し

同時性は「内生性問題」の一形態であり、 多くの手法がそれぞれの側面から同じ問題を扱う。 以下は手法間の接続点を整理したものである。

「同時性を疑ったが結局 OLS でよかった」という結論も、 Hausman 検定の非有意によって正当化されれば正しい。 仮説なく IV を使うよりも、 理論 → 検定 → 手法選択の順序が重要である。

🌳 手法選択フロー

「回帰分析を実施しようとしている」場面を出発点に、 同時性を考慮する手法を選ぶフローを示す。

チェックリスト（実務）: (1) 経済理論・ドメイン知識で同時決定の方向を明示する → (2) Hausman 検定で統計的に確認する → (3) 候補操作変数の 1 段階目 F 統計量を確認（F > 10 が目安） → (4) 過剰識別なら Sargan 検定で除外制約の妥当性を確認する → (5) 結果を OLS と比較し方向・大きさの整合性を議論する。