Mímisbrunnr知恵の泉

causal inference // 介入と反事実

因果推論

因果推論は、ひとことで言えば「もし介入したら結果はどう変わるか」を、観察データから正しく見積もる学問です。相関は因果ではありません——交絡を取り除き、反事実（もし別の選択をしていたら）を推し量る。そのために「何を仮定すれば効果を識別できるか」を明示し、擬似データで効果を復元しながら確かめます。

なぜ学ぶのか

  • 相関の罠を避けられる。交絡やシンプソンの逆説を見抜き、「効いて見えるだけ」を本物の効果と取り違えなくなります。
  • 意思決定に直結する。「予測」でなく「介入の効果」を問うので、施策・治療・政策の良し悪しを判断できます。
  • 識別と推定を分けて考えられる。どんな仮定なら効果が定まるか（識別）を明示し、その上で推定する作法が身につきます。

こんな場面で役立つ

  • 施策効果キャンペーンやUI変更が売上を「本当に」上げたかを推定。
  • 医療観察データから治療効果を交絡調整して見積もる。
  • 政策評価制度変更の効果を差分の差分・回帰不連続で測る。
  • A/B不能な場面ランダム化できないとき準実験デザインで因果に迫る。

ここでは、真の効果を仕込んだ擬似データを作り、素朴な比較がなぜ誤り、正しい識別・調整でどれだけ効果を復元できるかを数値で確かめる方針です。潜在結果・DAGの枠組みから、ランダム化実験・バックドア調整・機械学習×因果・準実験デザイン・ベイズ/構造的因果・感度分析までを、コピペで動く Python コードつきで全42ノートに体系化しました。各トピックのレベル（基礎／標準／発展）はバッジ表示。確率・推定の土台は統計検定サイト、機械学習による効果推定は機械学習サイト、グレンジャー因果など予測的因果は時系列分析サイトへ相互リンクしています。

カリキュラム（全8章）

目次・インデックス

Phase 1 ── 因果推論の枠組み

Phase 2 ── ランダム化実験

Phase 3 ── バックドア調整

Phase 4 ── 機械学習と因果

Phase 5 ── 準実験デザイン

Phase 6 ── ベイズと構造的因果

Phase 7 ── 感度分析と落とし穴

Phase 8 ── 応用と因果探索