準実験デザイン目次

🎓 レベル：基礎　|　重要度：A（必須）

この章のねらい

ランダム化実験（なぜRCTが黄金律か）が黄金律でも、現実には実験できないことが多い。かといって交絡をすべて観測して調整する（二重頑健推定AIPW）のも、未観測交絡があると破綻する。

そこで使うのが 準実験（自然実験）デザイン――制度・閾値・時間・地理が生み出す「あたかもランダムな変動」を実験の代わりにする一群の方法だ。共通する問いはひとつ：

処置を、結果の交絡から切り離して動かす変動はどこにあるか？

この章では各デザインが「どの識別の仮定のもとで因果を取り出すか」を明示し、毎回真の効果を仕込んだ擬似データで、素朴推定が外れ・正しいデザインが当てることを Python で実証する。

操作変数法と2SLS 未観測交絡で処置が内生でも、関連性・除外制約・独立性を満たす操作変数と2段階最小二乗法で効果（LATE）を取り出す。OLSの偏りを2SLSが回収する様子と弱い操作変数の害を実証。
差分の差分と並行トレンド処置群×事後の交互作用で因果を測るDID。識別の心臓は並行トレンド仮定。回帰での回収、仮定が破れたときの偏り、イベントスタディでのプレトレンド点検を実証。
回帰不連続デザイン割当変数の閾値で処置が決まる状況を使うRDD。閾値での連続性仮定のもと局所線形回帰でジャンプ＝LATEを回収。バンド幅依存性を数値と図で確認。
合成コントロール法処置ユニットが1つの政策評価で、ドナーの凸結合で反実仮想を作るSCM。scipyで重みを最適化して効果を回収し、プラセボ検定で偽陽性でないかを確認。
デザインの選び方 RCT・調整・IV・DID・RDD・SCMを「使える変動源」と「必要な識別仮定」で整理。データ状況から推奨デザインへ至る意思決定フローと、観測できるものに応じて勝つ手法が変わることを実証。

どれも観察データを扱う以上、検証できない仮定に賭けている。だからこそ結論は仮定とセットで述べ、その崩れに対する頑健性（第7章の感度分析）まで報告して初めて誠実な因果主張になる。