← 因果推論 一覧

🎓 レベル：標準　|　重要度：A（必須）

この章のねらい

ここまでの章は「正しく識別できれば、こう推定する」を扱ってきた。だが因果推論の仮定――とりわけ交換可能性（未観測交絡がない）――は、本質的にデータから検証できない。第7章はこの弱点に正面から向き合う。

• 仮定が崩れたら結論はどれだけ揺らぐかを測る（感度分析）。
• 調整のしかたを誤ると、無いはずのバイアスを作り込む落とし穴（合流点・選択・過剰調整・Mバイアス）を、原理から押さえる。
• すべてを実務のチェックリストに統合する。

共通する教訓はひとつ：「とにかく全部調整」は誤り。入れてよい変数も、緩めてよい仮定も、相関ではなく DAG と識別の理屈が決める。各トピックで真の効果を仕込んだ擬似データを作り、素朴な分析や過剰な調整が外し、正しい扱いだけが真値を当てることを Python で実証する。

トピック一覧

1. 未観測交絡への感度分析 観測された関連を未観測交絡だけで説明し去るには、交絡がどれほど強い必要があるか。E値（VanderWeele & Ding）を導出し、真の効果ゼロのデータで見かけのリスク比が出る例から E値を計算して「これだけ強い交絡が要る」と読む。

2. 衝突点バイアスと選択バイアス 合流点（コライダー）を条件付けると独立な2変数に相関が生じる。選択バイアス＝サンプル選抜が実質的な合流点条件付け。独立な $X,Y$ が選抜で負相関になるBerkson のパラドックスを数値と散布図で実証。

3. 過剰調整とMバイアス 媒介を調整して効果を消す過剰調整と、処置前変数でも合流点なら偏る Mバイアス。「全部調整」が誤りである数理的根拠を、間接効果が消える例と「Mを調整しない方が正しい」例で示す。

4. 因果推論のチェックリスト 問い → DAG → 識別の仮定の点検 → 調整集合 → 推定法 → 感度分析、という実務手順を意思決定フローに統合。ひとつの擬似例にチェックリストを通し、正しい調整だけが真値を当てることを確認。

「悪い統制」の早見表

調整集合はこの区別で決める。相関の強さや「処置前か後か」だけでは決まらない。

前後のつながり

• 前提：因果ダイアグラムとd分離・バックドア基準と識別・識別の仮定（識別と調整集合の言葉）、二重頑健推定AIPW（調整法は交換可能性に依存する）、媒介分析（媒介の正しい分解）
• 次章へ：第8章 応用と因果探索（データからの構造発見・推定パイプライン・因果と予測と意思決定）