MENU

因果推論

因果推論の理論、手法、および応用に関する包括的モノグラフ

画像クリックでインフォグラフィックサイトに遷移します。

序論：予測から介入へ — 「なぜ」を問う科学

「相関は因果を含意しない」：統計学における根源的な警句

本レポートの出発点として、データ分析における最も基礎的かつ重要な概念、「相関関係」と「因果関係」の厳密な区別を確立する 1。

  • 相関関係 (Correlation) は、2つの変数がどの程度一緒に変動するかを示す統計的な指標である 1。一方が増加すると他方も増加（または減少）するといったパターンを記述するに過ぎない。
  • 因果関係 (Causation) は、一方の変数がもう一方の変数に対して「直接的な影響を与える」という、より強力な関係性を指す 1。これは、単なる関連を超えたメカニズムの存在を示唆する。

ビジネスと科学におけるパラダイムシフト：「予測」から「介入」へ

従来のデータ分析や標準的な機械学習の多くは、「予測 (Prediction)」に焦点を当ててきた。これは「何が起こるか？」という問いに答えるものである。しかし、ビジネス戦略、公共政策、医療介入といった真の意思決定は、「もし私たちが何かを実行したら、何が起こるか？」という「介入 (Intervention)」の問いに答えねばならない 2。

例えば、「ある企業が宣伝キャンペーンを実施し（介入）、その結果として売上が増加した」という事象を考える 2。相関関係の観点では、これら二つの事象が同時に発生したという事実に着目する 2。しかし、因果推論の観点では、「宣伝キャンペーンが実際に売上増加にどれだけ貢献したのか」を探求する 2。

なぜ因果推論が不可欠か：誤った意思決定のリスク

相関関係を因果関係と誤認することは、リソースの重大な誤配分に繋がる 4。因果推論の目的は、データが示す表面的な関連性が、真に原因と結果の関係であるかを見極めることにある 4。

因果推論の概念を適切に活用することで、施策の効果を過大評価したり、誤った施策（効果のない、あるいは有害な施策）を展開したりするリスクを軽減することができる 4。したがって、因果推論は、単なる学術的探求ではなく、合理的な資源配分とリスク管理を行うための、本質的に経済的な規律であると言える。特定の政策や事業の効果を、それが行われなかった集団と比較測定するアプローチは、その中核的な活用法である 5。

本レポートは、この「介入」の問いに答えるための知的フレームワークと統計的ツールキット、すなわち「因果推論」の全体像を、博士レベルの研究者および計量経済学者の視点から包括的に解説する。第1部では因果推論の思考を支える二大理論フレームワークを、第2部では因果推論を困難にする「バイアス」の解剖学を、第3部ではそれらのバイアスを克服するための主要な統計的手法を、そして第4部では機械学習と融合した因果推論の最前線を探求する。

表1：相関関係と因果関係の比較

項目相関関係 (Correlation)因果関係 (Causation)
概念2つの変数が共に変動する傾向 1一方の変数が他方の変数に影響を与える関係 1
中心的な問い「$X$と$Y$は関連しているか？」「$X$を操作すると$Y$は変わるか？ (What if?)」 2
典型的な手法回帰分析、相関行列RCT、DID、RDD、IV、PSM [6, 7, 8]
陥りやすい誤り交絡（第三の変数の無視）（定義自体の誤りではなく）効果の誤推定 4
例「アイスクリームの売上」と「水難事故件数」の正の相関「アイスクリームの販売禁止（介入）」が「水難事故件数」を減らすか？

第1部：因果推論の二大フレームワーク

現代の因果推論は、主に2つの異なる思想的背景を持つフレームワークによって体系化されてきた。それはルービン（Rubin）の「潜在的結果フレームワーク」と、パール（Pearl）の「構造的因果モデル」である。

1.1. ルービン因果モデル（RCM）と「潜在的結果」の言語

潜在的結果フレームワーク（Potential Outcomes Framework）の導入

ルービン因果モデル（RCM）は、因果効果の統計的分析アプローチであり、ドナルド・ルービン（Donald Rubin）によって体系化された 9。このアプローチは「潜在的結果（Potential Outcomes）」の枠組みに基づいている 9。

この枠組みの源流は、イェжи・ネイマン（Jerzy Neyman）が1923年の修士論文で提案した、ランダム化比較試験（RCT）の文脈での議論に遡る 9。ルービンは、この概念をRCTだけでなく、観測データ（Observational studies）を用いた研究全般へと拡張した 12。

「因果推論の根本問題（The Fundamental Problem of Causal Inference）」

RCMの核心は、個々のユニット（例：個人$i$）に対して、取りうる全ての処置（例：処置あり$T=1$、処置なし$T=0$）に対応した「潜在的結果」を想定する点にある 9。

  • $Y_i(1)$：個人$i$が処置を受けた場合の潜在的結果（例：新薬を投与された場合の健康状態） 11
  • $Y_i(0)$：個人$i$が処置を受けなかった場合の潜在的結果（例：プラセボを投与された場合の健康状態） 11

この個人$i$における「個別の因果効果（ITE: Individual Treatment Effect）」は、 $ITE_i = Y_i(1) – Y_i(0)$ と定義される 10。

しかし、現実世界では、個人$i$は処置を受けるか受けないかのどちらか一方の状態しか観測できない。観測される結果$Y_i^{obs}$は、$T_i$を個人$i$の実際の処置（1か0）として、$Y_i^{obs} = T_i \cdot Y_i(1) + (1-T_i) \cdot Y_i(0)$ と表される。

「因果推論の根本問題」とは、ある個人$i$において、$Y_i(1)$ と $Y_i(0)$ の両方を同時に観測することは不可能であり、片方の潜在的結果が常に観測不可能（＝欠損データ）である、という問題である 9。 このRCMによる定式化は、因果推論を統計学的な「欠損データ問題」として扱う道を開いたという点で、極めて重要である 11。

推定対象（Estimands）：ATEとATT

個別の因果効果（ITE）は観測できないため、我々は集団レベルでの平均的な因果効果の推定を目指す。

  • ATE (Average Treatment Effect): 集団全体の平均処置効果。$E$ 14。
  • ATT (Average Treatment Effect on the Treated): 処置を受けた群（Treated）における平均処置効果。$E$ 14。

SUTVA：RCMを支える（しかし脆弱な）仮定

RCMに基づく分析が成立するためには、SUTVA (Stable Unit Treatment Value Assumption) と呼ばれる強力な仮定が必要である 9。SUTVAは主に2つの要素から成る 9。

  1. 干渉の不在（No Interference）: ある個人の潜在的結果は、他者の処置割り当てに影響されない 9。
  2. 処置の均一性（No Hidden Variations in Treatment）: 処置$T=1$は常に同一であり、処置のバリエーションは存在しない。

SUTVAは、社会や市場のような複雑なシステムにおいて、しばしば違反される。例えば、JoeとMaryが同居しているとする 9。Maryが受けた処置（例：新薬）がJoeの健康状態に影響を及ぼす場合（例：Maryの食欲が変化し、Joeの食事も変わる）、Joeの潜在的結果はJoe自身の処置$T_{Joe}$だけでなく、$T_{Mary}$にも依存してしまう。この場合、SUTVAは崩壊し、因果効果の推定はより複雑になる 9。

1.2. 構造的因果モデル（SCM）と「DAG」の言語

ジュディア・パール（Judea Pearl）によるグラフィカル・アプローチ

RCMとは異なる思想的背景から、ジュディア・パールらによって発展したのが「構造的因果モデル（Structural Causal Model, SCM）」である 15。SCMは、変数間の因果関係を数学的な「構造方程式」のシステム、あるいはより直感的には「グラフ」によって表現する 15。

DAG (Directed Acyclic Graph: 有向非巡回グラフ) の構成要素

SCMの視覚的表現ツールがDAGである。DAGは、分析者が持つ「因果関係に関する仮説」を明示的に図示する 17。

  • ノード（Node）: 変数を表す（例：広告費、売上） 17。
  • エッジ（Edge; 矢印）: 直接的な因果関係（「AがBの原因である」）を示す（$A \rightarrow B$） 17。
  • 非巡回（Acyclic）: 因果のループ（$A \rightarrow B \rightarrow C \rightarrow A$ のような循環）は存在しないと仮定する 17。

DAGの最大の貢献：仮説の明確化とバイアスの特定

DAGの真価は、計算そのものよりも、分析の「設計図」として機能する点にある 17。ドメイン知識（専門家の知見）に基づきDAGを作成することで、どの変数が因果効果の推定を歪める「交絡因子」であるか、どの変数を調整すべきか（あるいは、すべきでないか）を、数学的・視覚的に特定することが可能になる 17。

このプロセスは、因果推論における「仮定」を透明化する。DAGは、マーケターのようなドメイン専門家と、データサイエンティストや計量経済学者との間の「共通言語（Lingua Franca）」として機能し、より信頼性の高い分析設計を可能にする 4。

1.3. フレームワークの比較と統合

RCM vs. SCM：アプローチの違い

RCMとSCMはしばしば対立するものとして語られるが、実際には補完的な関係にある 20。

  • RCM (Rubin): 「特定の変数を変えたとき（介入を行ったとき）の効果の大きさ」を推定することに主眼を置く 20。統計的な推定（Estimation）の枠組みを提供する。
  • SCM (Pearl): 「どの変数がどの変数に影響しているか」という因果構造を記述し、その構造から因果効果が推定可能か（同定可能か）を論じることに主眼を置く 20。論理的な同定（Identification）の枠組みを提供する。

実践における統合

現代の応用計量経済学やデータサイエンスの実践において、これら2つのフレームワークは連携して用いられる。分析者は、まずPearlのDAG（SCM）を用いて因果構造を視覚化し、ドメイン知識に基づいて仮定を明示する 18。次に、DAGのルール（例：バックドア基準）を用いて、推定すべき因果効果を「同定」するために調整すべき共変量$Z$のセットを特定する 17。

そして、その特定された共変量$Z$を用いて、Rubinのフレームワーク（RCM）における「条件付き無視可能性」の仮定 21 が成り立つとみなし、傾向スコアマッチング 6 や回帰分析などの統計的手法を用いて、実際の「効果の大きさ」を推定する。

表2：因果推論の二大フレームワーク（RCM vs SCM）

項目RCM (Rubin)SCM (Pearl)
主要な貢献者D. Rubin 9, J. Neyman [12]J. Pearl 15
基本概念潜在的結果 (Potential Outcomes) [10]構造モデル / グラフ (SCM, DAG) 15
中心的な問い「効果の大きさはいくらか？」 20「因果構造は何か？」「同定可能か？」 20
「反実仮想」の表現$Y_i(0)$ （観測されなかった結果） 9$do(X=x)$ （介入演算子）
主なツール統計的調整手法 (Matching, SUTVA) [6, 10]グラフ理論 (Backdoor, Collider, $do$-calculus) 17
主な貢献「因果推論は欠損データ問題である」という定式化 11「仮定の視覚化と非実験的同定」 17

第2部：バイアスの解剖学：なぜ観測データからの因果推論は難しいのか

因果効果を推定する上で最も信頼性が高い方法は、ランダム化比較試験（RCT）である 3。RCTでは、処置（$T$）が（コイントスのように）ランダムに割り当てられるため、処置グループと対照グループは、観測可能な変数（年齢、性別など）だけでなく、観測不可能な変数（やる気、遺伝的素質など）も含めて、統計的に均質になる 22。

ランダム化は、処置$T$と潜在的結果$Y(0), Y(1)$の間のあらゆる関連性（交絡）を手続き的に断ち切る 21。この「交換可能性（Exchangeability）」または「（無条件の）無視可能性（Unconditional Ignorability）」と呼ばれる状態 21 により、2群の単純な結果の差が、そのまま因果効果（ATE）となる。

しかし、ビジネスや政策の現場では、倫理的・コスト的な理由でRCTが実施不可能な「観測研究」がほとんどである 6。観測研究では、人々は自らの意思や様々な要因によって処置を選択するため、データには深刻な「バイアス」が内在する。

2.1. 交絡バイアス（Confounding Bias）

定義: 交絡とは、処置（独立変数 $T$）と結果（従属変数 $Y$）の両方に影響を与える「共通原因（Common Cause）」 $Z$ が存在することによって生じるバイアスである 22。

例 22: 「アイスクリームの売上（$T$）」と「水難事故件数（$Y$）」の関係。両者には強い正の相関があるが、これは「気温（$Z$）」という交絡変数が存在するためである。気温$Z$は、アイスの売上を増やし（$Z \rightarrow T$）、かつ海に行く人を増やして水難事故を増やす（$Z \rightarrow Y$）。

DAGにおける表現：「バックドア・パス（Backdoor Path）」

交絡は、DAG上で $T \leftarrow Z \rightarrow Y$ という構造として表現される 17。この $T \leftarrow Z \rightarrow Y$ という経路は、$T$から$Y$への「裏口（バックドア）」であり、$T$と$Y$の間に「非因果的な（見せかけの）」相関を生み出す 17。

解決策: $T \rightarrow Y$ という真の因果効果を推定するためには、このバックドア・パスを「ブロック」する必要がある。具体的には、交絡因子$Z$を統計的に「調整（Adjust）」または「統制（Control）」する（例：$Z$の各水準で$T$と$Y$の関係を見る、回帰分析に$Z$を共変量として投入する） 17。

2.2. セレクションバイアス（Selection Bias）とコライダー

定義: セレクションバイアス（選択バイアス）は、研究対象となるサンプルが母集団を代表しておらず、その「選択（Selection）」プロセス自体が処置（$T$）や結果（$Y$）に関連している場合に生じるバイアスである 24。

DAGにおける表現：「コライダー・バイアス（Collider Bias）」

セレクションバイアスは、多くの場合「コライダー（Collider）」と呼ばれるDAG構造によって説明される 17。コライダーとは、$T \rightarrow Z \leftarrow Y$ のように、2つ（以上）の矢印が「衝突」するノード$Z$のことである 17。$Z$は$T$と$Y$の「共通の結果」である。

ここで、因果推論における極めて重要な、しかし直感に反するルールが存在する。

  1. 交絡因子（分岐型: $T \leftarrow Z \rightarrow Y$）: $Z$を調整しないとバイアスが生じる。$Z$を調整（条件付け）するとパスがブロックされ、バイアスが除去される 17。
  2. コライダー（合流型: $T \rightarrow Z \leftarrow Y$）: $Z$を調整しない限り、このパスは元々ブロックされており、バイアスは生じない。逆に$Z$（または$Z$の子孫）を調整（条件付け）すると、パスが「開いて」しまい、バイアスが創出される 17。

セレクションバイアスの具体例:

$T$（才能）と$Y$（幸運）が、共に$Z$（昇進）の原因であるとする（$T \rightarrow Z \leftarrow Y$）。才能と幸運は、一般集団においては独立（無相関）であると仮定する。

ここで、研究者が「昇進した人々」（$Z=1$）のみを対象にデータを集め、才能と幸運の関係を分析したとする。これは、コライダー$Z$で「調整（選択）」したことに他ならない。このサンプル内では、「才能はあるが幸運がなかった人」や「才能はないが幸運だった人」は昇進できず脱落している可能性が高い。その結果、この「昇進者」サンプル内においてのみ、「才能」と「幸運」の間に見せかけの「負の相関」が生まれる。これがコライダー・バイアスであり、セレクションバイアスの一形態である。

2.3. マーケティングにおけるバイアスの具体例

シナリオ: テレビCM（$T$）のブランド認知（$Y$）への効果測定 27。

ナイーブな分析: CM接触者（$T=1$）とCM非接触者（$T=0$）の認知率$Y$を単純比較する 27。

なぜ誤るか？ 27

  • 交絡: そもそも「テレビをよく見る」という属性（$Z$）が、CM接触（$Z \rightarrow T$）とブランド認知（$Z \rightarrow Y$、CMとは無関係に他番組で知る）の両方の原因である可能性がある。この$Z$は $T \leftarrow Z \rightarrow Y$ の構造を持つ交絡因子であり、これを調整しないとCM効果を過大評価する。
  • セレクションバイアス: デジタル広告において、「すでにブランドに興味を持っている人」（$Z$）にターゲティングして広告を配信（$Z \rightarrow T$）した場合を考える。この$Z$は当然、ブランド認知（$Y$）にも強く影響する（$Z \rightarrow Y$）。この場合も、$Z$は $T \leftarrow Z \rightarrow Y$ の交絡因子であり、$T=1$の群は最初から$Y$が高い傾向があるため、単純比較は「セレクションバイアス」により効果を過大評価する 27。

表3：観測研究における主要バイアスとその対処法

バイアス種別交絡バイアス (Confounding)セレクション/コライダー・バイアス (Selection/Collider)
定義共通原因 (Common Cause) 22共通結果 (Common Effect) の調整 [17, 24]
DAG構造$T \leftarrow Z \rightarrow Y$ (分岐型) 17$T \rightarrow Z \leftarrow Y$ (合流型) 17
パスの状態デフォルトで「開いている」（非因果的相関を生む）デフォルトで「閉じている」（$T, Y$は独立）
誤った対応$Z$を「調整しない」こと$Z$（またはその子孫）を「調整してしまう」こと
正しい対応$Z$を「調整する」（パスをブロックする） 22$Z$（およびその子孫）を「調整しない」
例喫煙・コーヒー・がん（コーヒー$Z$が交絡）才能($T$)・幸運($Y$)・昇進($Z$)（昇進$Z$がコライダー）

第3部：観測データから因果効果を推定する主要手法

RCTが実施不可能な観測データにおいて、第2部で見たバイアス（特に交絡）に如何に対処し、因果効果を推定するか。ここでは計量経済学における主要な4つの手法を解説する。

3.1. 「調整」によるアプローチ：傾向スコアマッチング（PSM）

前提となる仮定：「Ignorability（無視可能性）」

RCMの文脈において、バイアスに対処するための中心的な仮定が「無視可能性（Ignorability）」あるいは「交換可能性（Exchangeability）」である 10。

  • （無条件の）無視可能性: $(Y(1), Y(0)) \perp T$。処置割り当て$T$が潜在的結果と独立している状態。これはRCTでのみ成立する 21。
  • 条件付き無視可能性 (Conditional Ignorability, CIA): $(Y(1), Y(0)) \perp T | X$。観測可能な共変量（交絡因子群）$X$で条件付ければ（$X$の値が同じ人々の中では）、処置割り当て$T$が潜在的結果と独立になる（あたかもランダム化されている）状態 21。

CIAは、「我々は、処置$T$と結果$Y$の全ての共通原因（交絡因子）を観測・測定できている」という、非常に強力な（そして証明不可能な）仮定である。

傾向スコアマッチング（Propensity Score Matching, PSM）

PSMは、CIAの仮定の下で、交絡バイアスを調整する代表的な手法である 6。

  • 課題: 交絡因子$X$が多数ある場合（例：年齢、性別、地域、過去の購買履歴…）、処置群（$T=1$）と対照群（$T=0$）で全ての $X$ が一致するペアを見つけるのは困難である（「次元の呪い」）。
  • 解決策（傾向スコア）: Rosenbaum & Rubinは、$X$そのものではなく、「$X$を与えられたときに処置$T=1$を受ける確率」、すなわち傾向スコア（Propensity Score） $p(X) = P(T=1|X)$ でマッチングすれば十分であることを証明した。
  • PSMの手順 6:
  1. 共変量の選択: 交絡因子（$T$と$Y$の共通原因）$X$を選択する 6。
  2. 傾向スコアの推定: $T$を目的変数、$X$を説明変数とするロジスティック回帰などで、$p(X)$を推定する 6。
  3. マッチング: $T=1$群の各個人に対し、$p(X)$が最も近い$T=0$群の個人をペアとして見つけ出す 6。これにより、処置群と対照群の背景特性（$X$）が似通った（バランスした）集団を作成する。（層化や重み付けの手法もある 6）。
  4. バランス評価: マッチング後の2群間で、共変量$X$のバランスが取れているか（バイアスが減少したか）を確認する 6。
  5. 効果の推定: マッチングされたデータを用いて、$T=1$群と$T=0$群の$Y$の差を計算し、これを因果効果（ATT）の推定量とする 6。
  • 限界: PSMは「観測された」交絡因子にしか対処できない 6。もし「観測されていない」交絡因子（例：やる気、才能）が存在すれば、CIAの仮定が崩れ、PSMの推定もバイアスを受ける。

3.2. 準実験的アプローチ①：差分の差分法（DID）

概要: DID (Difference-in-Differences) は、ある介入（処置）$T$が実施された「介入群」と、実施されなかった「対照群」の、*介入前後の変化（差分）*を比較する手法である 7。

分析のロジック 7:

  1. [差分1] 対照群の介入前後の$Y$の変化（ $\Delta Y_{control} = Y_{control, post} – Y_{control, pre}$ ）を計算する。これを「介入とは無関係な、時間経過による自然な変化（時間トレンド）」とみなす 30。
  2. [差分2] 介入群の介入前後の$Y$の変化（ $\Delta Y_{treat} = Y_{treat, post} – Y_{treat, pre}$ ）を計算する。この変化には「時間トレンド」と「介入の真の効果」が混在している。
  3. [差分の差分] $DID = \Delta Y_{treat} – \Delta Y_{control}$ 。介入群の変化から時間トレンドを差し引いた、残りの部分を「介入$T$の真の因果効果」と推定する。

DIDの強力な点は、グループ間で固定的な（時間によって変化しない）未観測の交絡因子の影響を、差分（変化）を取ることで除去できる点にある。

最重要仮定：「平行トレンドの仮定（Parallel Trends Assumption）」

DIDの推定が妥当であるための絶対条件である 30。

仮定の内容: 「もし介入$T$が実施されなかったならば、介入群の$Y$の軌跡は、対照群の$Y$の軌跡と平行に推移したであろう」という仮定である 30。

これは「反実仮想」であるため直接証明は不可能だが、介入前の複数の時点で両群のトレンドが（歴史的に）平行であったかを確認することで、仮定の妥当性を（間接的に）補強する 30。

3.3. 準実験的アプローチ②：回帰不連続デザイン（RDD）

概要: RDD (Regression Discontinuity Design) は、介入$T$の割り当てが、ある連続的な指標（Running Variable, $R$）が特定の「閾値（Cutoff, $c$）」を超えるかどうかのみで決定される状況を利用する手法である 8。

例 31:

  • 介入$T$：メール配信
  • 指標$R$：昨年の購買額
  • 閾値$c$：5.5（万円）
  • ルール：$R > 5.5$ なら$T=1$（配信）、$R \le 5.5$ なら$T=0$（非配信）。

分析のロジック:

閾値$c$の「ごく近傍」において、閾値のすぐ上（$T=1$, $R=5.51$）とすぐ下（$T=0$, $R=5.49$）の人々は、観測可能な（そして観測不可能な）他の全ての点でほぼ同一であると見なせる 31。この閾値近傍において、処置$T$は「あたかもランダムに」割り当てられたと解釈できる。

結果$Y$（今年の購買額）を指標$R$に対してプロットした際、閾値$c$において観測される$Y$の「ジャンプ（不連続）」が、介入$T$の因果効果（Local Average Treatment Effect, LATE）であると推定される。RDDは、その仮定が局所的であり、かつ（他の共変量が同じ点でジャンプしていないか等）検証可能ないくつかの含意を持つため、準実験的手法の中で最も信頼性が高い（内的妥当性が高い）ものの一つとされる。

3.4. 「観測されない交絡」への最終手段：操作変数法（IV）

直面する問題：「内生性（Endogeneity）」

PSM, DID, RDDが使えない、あるいは、処置$T$と結果$Y$の間に「観測されない交絡因子 $U$」が存在し、$T$が $U$ と相関してしまう（$T \leftarrow U \rightarrow Y$）状況を考える。この $U$ は回帰モデルの誤差項 $e$ に含まれるため、処置$T$が誤差項と相関する（$Cov(T, e) \neq 0$）ことになり、これを「内生性」と呼ぶ 32。この状態では、単純な回帰分析（OLS）はバイアスを生む。

解決策：「操作変数（Instrumental Variable, $Z$）」の利用

IV法は、この内生性問題（観測されない交絡、測定誤差、同時性バイアス 32）を解決するための強力な手法である 34。

IV法は、処置$T$、結果$Y$の他に、以下の3つの厳格な条件を満たす「操作変数$Z$」を見つけてくることに依存する 35。

  1. 関連性（Relevance）: $Z$は、内生的な処置$T$と相関している（$Cov(Z, T) \neq 0$）。（$Z$は$T$の原因である $Z \rightarrow T$）35。
  2. 外生性（Exogeneity）: $Z$は、観測されない交絡因子$U$（および誤差項$e$）とは相関しない（$Cov(Z, e) = 0$）。
  3. 除外制約（Exclusion Restriction）: $Z$は、処置$T$を経由する以外に、結果$Y$に影響を与えない。（$Z \rightarrow Y$という直接パスは存在しない） 35。

3番目の「除外制約」はデータから検証不可能であり、理論的な仮定に依存する。妥当な操作変数を見つけることは、IV法における最大の難関である。

推定メカニズム：2段階最小二乗法（2SLS）

IV法は一般に2SLSで推定される 38。

  1. 第1段階: 処置$T$を操作変数$Z$（および他の外生変数）で予測する（$T = \beta_0 + \beta_1 Z + \dots + \epsilon$）。ここで$T$の予測値 $\hat{T}$ を得る。$\hat{T}$ は$Z$によって説明される$T$の「クリーンな（外生的な）」部分と解釈できる。
  2. 第2段階: 結果$Y$を、実際の$T$の代わりに、予測値 $\hat{T}$ を用いて回帰する（$Y = \gamma_0 + \gamma_1 \hat{T} + \dots + \nu$） 38。ここで得られる $\gamma_1$ が、バイアスのない（一致性のある）因果効果の推定量となる。

IVが推定する効果はATEではなく、操作変数$Z$によって処置$T$の状態が変化した集団（Compliers）に対する平均的な因果効果、すなわちLATE（Local Average Treatment Effect）と呼ばれるものである 37。

表4：主要な因果推論手法の比較ガイド（観測研究）

手法PSM (傾向スコア)DID (差分の差分法)RDD (回帰不連続)IV (操作変数法)
主要な問題設定「観測された交絡」が多数ある 6「介入前後のパネルデータ」がある [7]「明確なカットオフ」で介入が決まる [8]「観測されない交絡（内生性）」がある [32]
主要な仮定条件付き無視可能性 (CIA) 21平行トレンドの仮定 30カットオフ近傍での連続性操作変数の3条件（関連性、外生性、除外制約） 37
長所直感的、適用範囲が広い時間不変の未観測因子を除去局所的にRCTに近い、信頼性が高い観測不能な交絡を除去できる
短所未観測の交絡に弱い 6平行トレンド仮定が非現実的な場合がある局所的な効果（LATE）のみ、適用範囲が限定的妥当な操作変数$Z$を見つけるのが極めて困難 [32]

第4部：因果推論のフロンティア：機械学習（ML）との融合

伝統的な計量経済学的手法と、現代の機械学習（ML）の強力な予測能力をいかに融合させるか。この問いは、因果推論の最前線となっている。

4.1. Causal Machine Learning (CausalML)

伝統的ML vs. 因果推論ML

  • 伝統的ML（予測）: $P(Y|X)$ の予測精度を最大化することに焦点を当てる。これは相関関係に基づく予測（Correlation-based prediction）である 39。SHAPやLIMEといったXAI（説明可能AI）手法も、基本的にはこの相関に基づく説明を提供する 39。
  • CausalML（因果）: $P(Y|do(X))$ の推定、すなわち介入（$X$を操作すること）の効果（Causal effect）を推定することに焦点を当てる 39。CausalMLは、データ生成プロセスをSCM（構造的因果モデル）として定式化する機械学習手法の総称である 16。

MLの役割：異質性のある処置効果（HTE）の推定

MLの強力な非線形・高次元予測能力は、特に「異質性のある処置効果（Heterogeneous Treatment Effects, HTE）」の推定において価値を発揮する 11。HTEとは、ATE（平均）とは異なり、「どのような特性$X$を持つ人々に、処置$T$はより効果があるか？」を明らかにすることである。これは、マーケティングにおけるターゲティングや、医療における個別化処方など、高度な意思決定に直結する。

Double/Debiased Machine Learning (DML)

DML（二重機械学習）は、CausalMLの中でも特に重要な手法群である 3。

  • 課題: ランダムフォレストやニューラルネットワークのようなMLモデルをナイーブに因果効果推定に用いると、「正則化バイアス」や「過学習」により、推定が歪む（バイアスがかかる）問題がある 41。
  • DMLの解決策 40:
  1. 2段階推定: 処置効果を推定するモデルと、共変量の影響を予測するモデルを分離する 40。具体的には、(A) $Y$を$X$で予測するモデル、(B) $T$を$X$で予測するモデル、という2つの予測タスクをMLで行う。
  2. 直交性（Neyman Orthogonality）: 「ネイマン直交性」と呼ばれる計量経済学の理論的条件を満たすように推定量を構築する 41。これにより、第1段階のML予測が（ブラックボックスであり）多少不正確であっても、第2段階で推定する因果効果$\theta$がその影響を受けにくく（頑健に）なる。
  3. Cross-Fitting（交差適合）: データを分割し、一方の分割で予測モデルを学習し、もう一方の分割で因果効果を推定することで、過学習を防ぐ 41。

DMLは、MLの優れた「予測力」を利用して高次元の交絡因子を制御しつつ、同時に、計量経済学の理論に基づいた「統計的に妥当な（バイアスのない）」因果推定値を導出するという、「両方の世界の良いところ」を享受する手法である。

4.2. 生成AI（Generative AI）と因果推論

新たな課題：高次元・非構造化データ（例：テキスト）の「処置」

因果推論の新たなフロンティアは、「テキスト」や「画像」といった非構造化データを「処置」として扱うことである。「ポジティブな感情のテキスト（$T=1$）は、ネガティブなテキスト（$T=0$）より、カスタマーの反応（$Y$）を改善するか？」といった問いが、これに該当する 42。テキストのような高次元データは、処置の定義自体が困難である。

論文レビュー（

42

この分野の最先端の研究（42）は、大規模言語モデル（LLM）のような生成AIを活用する。

  1. 処置の生成と内部表現の抽出: LLMを用いて、特定のトピックや感情を持つテキスト（処置$T$）を生成する 42。重要なのは、生成されたテキストそのものではなく、LLMがそのテキストを生成する際に用いた「真の内部表現（Internal Representation）」（例：埋め込みベクトル）を抽出することである 42。
  2. 因果表現学習（Causal Representation Learning）: 抽出された「内部表現」を、因果推論モデル（例：TarNetベースのニューラルネット）への入力とする 42。このモデルは、内部表現から「交絡要因（Deconfounder）」と「処置特徴」を分離するように学習する 42。
  3. DMLによる効果推定: DML（二重機械学習）のフレームワークを用い、交絡因子の推定と結果モデルの推定を同時に行い、テキスト処置のATEを頑健に推定する 42。

生成AIの登場は、因果推論のパラダイムを、「観測された処置」の効果を推定することから、高次元の「反実仮想的な処置」を能動的に生成し、そのAIの内部表現を媒介として因果効果を推定するという、新たな段階へと押し上げている。

結論：データ駆動型意思決定の未来

「何が起こるか（予測）」から「何をすべきか（介入）」へ

本レポートで概観したように、因果推論は、データ分析の焦点を「相関（Correlation）」から「因果（Causation）」へと決定的にシフトさせる学問分野である 1。これは、ビジネスや政策立案において、単なる「予測」に基づいた受動的な対応から、「介入」の効果を科学的に理解した上での能動的な「意思決定」へと移行することを意味する 2。

科学としての因果推論：仮定の明示

因果推論は、ボタン一つで答えが出る「魔法のアルゴリズム」ではない。それは、「仮定（Assumptions）」を明示的にし、その仮定の下で論理的に結論を導くための「フレームワーク」である。

DAG 17 は、その仮定を視覚化し、データサイエンティストとドメイン専門家が建設的な議論を行うための共通言語を提供する 18。PSMのCIA（条件付き無視可能性） 21、DIDの平行トレンド 30、RDDの不連続性、IVの除外制約 36 など、各手法が依存する「証明不可能な仮定」を深く理解し、その妥当性を（可能な限り）検証することが、専門家としての分析に不可欠である。

未来への展望

CausalML 16 とDML 40 の発展は、高次元データ下での頑健な因果効果推定を可能にし、機械学習の「予測力」と計量経済学の「同定力」を融合させている。さらに、生成AI 42 は、「テキスト」や「画像」といった非構造化データ自体を「介入」として扱うという、新たなフロンティアを切り開いている。

データが氾濫する現代社会において、相関と因果を混同することなく、因果推論の原則をマスターすることは、誤った結論を避け、より賢明で効果的な未来を設計するための、最も重要な知的能力の一つであり続けるであろう。

引用文献

  1. 11月 5, 2025にアクセス、 https://www.macromill.com/service/words/correlation-causation/#:~:text=%E7%9B%B8%E9%96%A2%E3%81%A8%E5%9B%A0%E6%9E%9C%E3%81%AF%E3%80%81%E3%83%87%E3%83%BC%E3%82%BF,%E4%B8%8E%E3%81%88%E3%82%8B%E9%96%A2%E4%BF%82%E3%82%92%E6%8C%87%E3%81%97%E3%81%BE%E3%81%99%E3%80%82
  2. データの向こう側を見る眼 ～因果推論によるビジネス戦略～｜坂本 … https://note.com/ms_article/n/nbc0f40de91a4
  3. 第396話｜因果推論で解明するビジネスインパクト – セールスアナリティクス https://www.salesanalytics.co.jp/column/no00396/
  4. マーケティングにおける因果推論の基本と重要性 | 株式会社サイカ https://xica.net/xicaron/basics-of-causal-inference-in-marketing/
  5. 因果推論とは｜その意味、目的と具体的手法の解説 https://intelligence-is.co.jp/causal-inference/
  6. 傾向スコアマッチング法（プロペンシティスコア）をわかりやすく … https://best-biostatistics.com/summary/propensity-score.html
  7. 11月 5, 2025にアクセス、 https://corvus-window.com/all_did/#:~:text=%E5%B7%AE%E5%88%86%E3%81%AE%E5%B7%AE%E5%88%86%E6%B3%95%E3%81%A8,%E3%82%92%E8%AA%BF%E3%81%B9%E3%82%8B%E8%A7%A3%E6%9E%90%E6%89%8B%E6%B3%95%E3%81%A7%E3%81%99%EF%BC%8E
  8. 11月 5, 2025にアクセス、 https://www.saecanet.com/2025/08/r%E3%81%A7%E7%B5%B1%E8%A8%88%E7%9A%84%E5%9B%A0%E6%9E%9C%E6%8E%A8%E8%AB%96%E8%87%AA%E7%84%B6%E5%AE%9F%E9%A8%93-%E5%9B%9E%E5%B8%B0%E4%B8%8D%E9%80%A3%E7%B6%9A%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3/#:~:text=%E5%9B%9E%E5%B8%B0%E4%B8%8D%E9%80%A3%E7%B6%9A%E3%83%87%E3%82%B6%E3%82%A4%E3%83%B3%EF%BC%88Regression,%E3%82%92%E6%8E%A8%E5%AE%9A%E3%81%99%E3%82%8B%E6%89%8B%E6%B3%95%E3%81%A7%E3%81%99%E3%80%82
  9. Rubin causal model – Wikipedia https://en.wikipedia.org/wiki/Rubin_causal_model
  10. Counterfactuals and potential outcomes | Causal Inference Class Notes – Fiveable https://fiveable.me/causal-inference/unit-2/counterfactuals-potential-outcomes/study-guide/bGsTCjZZkPYTSx7U
  11. 2 The Potential Outcomes Framework – Business Data Science – Introduction https://book.martinez.fyi/potential_outcome.html
  12. 11月 5, 2025にアクセス、 https://en.wikipedia.org/wiki/Rubin_causal_model#:~:text=The%20potential%20outcomes%20framework%20was,both%20observational%20and%20experimental%20studies.
  13. A Brief History of the Potential Outcomes Approach to Causal Inference (Chapter 2) https://www.cambridge.org/core/books/causal-inference-for-statistics-social-and-biomedical-sciences/brief-history-of-the-potential-outcomes-approach-to-causal-inference/B8CEDDC08F0E0D6C577847F0CBE4E6A3
  14. ルービンの因果モデルについて / 因果推論 – しまうま総研 https://info-zebra.com/rubin-causal-model/
  15. 第6章：因果推論の原理 ～原因と結果を科学する – Zenn https://zenn.dev/jasagiri/books/589790f47ea853/viewer/51e3c2
  16. Causal Machine Learning – arXiv最新論文の紹介 – devneko jp https://devneko.jp/wordpress/?p=2049#:~:text=Causal%20Machine%20Learning%20(CausalML)%E3%81%AF,%E6%89%8B%E6%B3%95%E3%81%AE%E7%95%A5%E7%A7%B0%E3%81%A7%E3%81%82%E3%82%8B%E3%80%82
  17. 因果推論におけるDAGについて30分で理解する #データ分析 – Qiita https://qiita.com/ktdatascience/items/dd533dfeb72cfae3f614
  18. DAG（有向非巡回グラフ）でマーケティング施策の因果構造を理解 … https://xica.net/xicaron/use-dags-to-understand-causality-in-marketing/
  19. 【疫学専門家監修】DAGを徹底解説 | 基礎編：因果推論の必須ツールで、交絡因子を可視化する https://mmedici.co.jp/mmedici-library/XVa3o2SH
  20. 11月 5, 2025にアクセス、 https://qiita.com/kmjtr/items/0e71409115b503bbc71d#:~:text=Rubin%E3%81%A8Pearl%E3%81%AE%E5%B7%AE%E7%95%B0&text=%E7%B0%A1%E6%BD%94%E3%81%AB%E8%AA%AC%E6%98%8E%E3%81%99%E3%82%8B%E3%81%A8%E3%80%81Pearl,%E3%81%82%E3%82%8B%E3%81%A8%E6%80%9D%E3%81%A3%E3%81%A6%E3%81%84%E3%81%BE%E3%81%99%E3%80%82
  21. A survey of methodologies on causal inference methods in meta-analyses of randomized controlled trials – NIH https://pmc.ncbi.nlm.nih.gov/articles/PMC8188671/
  22. 交絡変数：特定と管理 – Editverse https://editverse.com/ja/%E4%BA%A4%E7%B5%A1%E5%A4%89%E6%95%B0%E3%81%AE%E7%89%B9%E5%AE%9A%E3%81%A8%E7%AE%A1%E7%90%86/
  23. 2 Causal Inference: Theory and Basic Concepts https://appliedcausalinference.github.io/aci_book/02-potential-outcomes-framework.html
  24. How to Address Selection Bias in Causal Inference: A Deep Dive into Instrumental Variables https://medium.com/@gorfein1/unraveling-selection-bias-a-guide-to-robust-causal-inference-e08298e2255e
  25. Analyzing Selection Bias for Credible Causal Inference: When in Doubt, DAG It Out – NIH https://pmc.ncbi.nlm.nih.gov/articles/PMC6597247/
  26. Chapter 16 Causal biases | Causal Inference https://www.stats.ox.ac.uk/~evans/APTS/bias.html
  27. 【難しいけどよくわかる】「因果推論」による正しい … https://markezine.jp/article/detail/42897
  28. 2.4 – Ignorability / Exchangeability – YouTube https://www.youtube.com/watch?v=eg-bFhNKbnY
  29. Introduction to Causal Inference | UC Davis Health https://health.ucdavis.edu/media-resources/ctsc/documents/pdfs/causal-inference-intro-2022.pdf
  30. 【徹底解説】差分の差分法｜Staat https://corvus-window.com/all_did/#:~:text=%E5%B7%AE%E5%88%86%E3%81%AE%E5%B7%AE%E5%88%86%E6%B3%95%E3%81%A8,%E3%82%92%E8%AA%BF%E3%81%B9%E3%82%8B%E8%A7%A3%E6%9E%90%E6%89%8B%E6%B3%95%E3%81%A7%E3%81%99%E3%80%82
  31. 効果検証入門を実装してみる – 第５章 回帰不連続デザイン(RDD) – TechBlog https://blog.deepblue-ts.co.jp/2021/04/06/causalinference_rdd/
  32. Instrumental Variables | Columbia University Mailman School of Public Health https://www.publichealth.columbia.edu/research/population-health-methods/instrumental-variables
  33. Instrumental variables estimation – Wikipedia https://en.wikipedia.org/wiki/Instrumental_variables_estimation
  34. 11月 5, 2025にアクセス、 https://thedecisionlab.com/reference-guide/statistics/instrumental-variables-estimation#:~:text=Instrumental%20Variables%20(IV)%20estimation%20is%20a%20tool%20economists%20and%20social,factors%20are%20messing%20with%20results.
  35. Instrumental Variables Regression. – Christopher Muller – Harvard University https://muller.scholars.harvard.edu/file_url/106
  36. 本当の原因とは何か：操作変数法（Instrumental variable mrthods）① – SAS Japan https://blogs.sas.com/content/sasjapan/2023/04/28/causalinference-ivmethods-1/
  37. Instrumental Variables Estimation – The Decision Lab https://thedecisionlab.com/reference-guide/statistics/instrumental-variables-estimation
  38. 12.2 The General IV Regression Model | Introduction to Econometrics with R https://www.econometrics-with-r.org/12.2-TGIVRM.html
  39. 構造因果モデル（SCM）と説明可能AI（XAI）の統合：ブラックボックスモデルの因果的説明手法 https://research.smeai.org/scm-xai-causal-explanation-methods/
  40. セプテーニ、DMLを用いた新たな因果推論のスキームを、広告主のマーケティングにおける意思決定を横断的に支援するソリューション「XYhai」に導入、提供開始 | syncAD（シンクアド） https://syncad.jp/news/79008/
  41. Double/Debiased Machine Learning (DML) の概要 – Zenn https://zenn.dev/nigimitama/articles/2024-09-02-dml
  42. [論文レビュー] Causal Representation Learning with Generative … https://www.themoonlight.io/ja/review/causal-representation-learning-with-generative-artificial-intelligence-application-to-texts-as-treatments
用語集