Mímisbrunnr知恵の泉

← 因果推論 一覧

🎓 レベル：標準　|　重要度：A（必須）

📎 前提：バックドア基準と識別　|　識別の仮定

要点（BLUF）

1. 全体像：意思決定フロー

flowchart TB
    Q["1. 因果の問いを定義（処置・結果・対象集団・推定対象 ATE/ATT）"] --> D["2. DAG を描く（交絡・媒介・合流点を区別）"]
    D --> A["3. 識別の仮定を点検（交換可能性・正値性・SUTVA）"]
    A --> R{"処置をランダム化できる？"}
    R -->|"はい"| RCT["RCT（黄金律）"]
    R -->|"いいえ"| OBS{"交絡を十分に観測できる？"}
    OBS -->|"はい"| BD["4. バックドア基準で調整集合を選ぶ → 5. 回帰・傾向スコア・AIPW"]
    OBS -->|"いいえ"| QE["5. 準実験デザイン（IV・DID・RDD・SCM）"]
    RCT --> S["6. 感度分析・頑健性（E値・プラセボ・バンド幅）"]
    BD --> S
    QE --> S
    S --> REP["7. 結論を仮定とセットで報告"]

このフローの背骨は**「識別 → 推定」の順序**だ。先にどんな仮定なら因果と言えるか（識別）を固め、その後で初めてどう数値を出すか（推定）に進む。順序を逆にすると、立派な推定値が出ても何を測ったのか言えなくなる。

2. 各ステップの中身

  1. 問いの定義：処置 XX・結果 YY・対象集団・推定対象（全体の平均効果 ATE か、処置群での効果 ATT か）を一文で書く。「効果はあるか」ではなく「誰に対する、何から何への効果か」まで具体化する。
  2. DAG を描く（因果ダイアグラムとd分離）：交絡・媒介・合流点・処置後変数を区別する。変数の役割は相関では決まらない――背景知識で構造を描く。
  3. 識別の仮定の点検（識別の仮定）：
    • 交換可能性：観測した CC で層別すれば処置はランダムと見なせるか（＝未観測交絡がないか）。検証不能なので⑥の感度分析で補う。
    • 正値性（重なり）：どの共変量値でも処置群・対照群の両方が存在するか（0<e(C)<10<e(C)<1）。傾向スコアの分布で点検する。
    • SUTVA：他人の処置が自分の結果に影響しない（干渉なし）・処置に隠れた多バージョンがない。
  4. 調整集合の選択（バックドア基準と識別）：DAG 上で X→YX\to Y 以外のバックドアパスをすべて塞ぐ最小集合を選ぶ。媒介・合流点・その子孫は入れない。
  5. 推定法の選択：ランダム化できればRCT。交絡を十分観測できれば回帰・傾向スコア・AIPW。未観測交絡が残るなら準実験デザイン（IV・DID・RDD・SCM）。
  6. 感度分析（未観測交絡への感度分析）：未観測交絡なら E値、準実験ならプラセボ検定やバンド幅依存性など、残った仮定が崩れたときの揺らぎを定量化する。
  7. 報告：点推定と区間に加え、置いた仮定・調整集合・感度分析をセットで述べる。仮定を書かない因果主張は不完全。

3. 実証：チェックリストを擬似例に通す

交絡 CC・媒介 MM・合流点 KK を仕込んだデータを作る。CC は処置前の交絡（入れるべき）、MM は媒介（入れてはいけない）、KK は処置後の合流点（入れてはいけない）。真の総効果は 2.72.7。チェックリスト④（正値性点検）と⑤（調整集合の比較）を回す。

import numpy as np
import statsmodels.api as sm
from sklearn.linear_model import LogisticRegression

# === チェックリストを1つの擬似例に適用して通す ===
rng = np.random.default_rng(2026)
n = 40_000

C = rng.normal(0, 1, size=n)                       # 観測された交絡
X = rng.binomial(1, 1 / (1 + np.exp(-C)))          # 処置（C→X）
M = 1.2 * X + rng.normal(0, 1, size=n)             # 媒介（X→M）
tau_direct = 1.5
Y = 1.0 * M + tau_direct * X + 2.0 * C + rng.normal(0, 1, size=n)
K = X + Y + rng.normal(0, 1, size=n)               # 合流点（X→K←Y）
ATE_total_true = 1.0 * 1.2 + tau_direct            # 総効果 = 2.7

# --- 正値性の点検: 傾向スコアが0/1に張り付いていないか ---
e_hat = LogisticRegression().fit(C.reshape(-1, 1), X).predict_proba(C.reshape(-1, 1))[:, 1]
print(f"傾向スコアの範囲 = [{e_hat.min():.3f}, {e_hat.max():.3f}]（0/1 から離れていれば正値性OK）")

def x_coef(cols):
    design = sm.add_constant(np.column_stack(cols))
    return sm.OLS(Y, design).fit().params[1]

print(f"\n真の総効果 = {ATE_total_true:.2f}\n")
print(f"調整なし          Y~X      : {x_coef([X]):.3f}（交絡 C を無視 → 偏る）")
print(f"正しい調整(Cのみ)  Y~X+C    : {x_coef([X, C]):.3f}（バックドア基準 → 総効果を回収）")
print(f"媒介Mも調整        Y~X+C+M  : {x_coef([X, C, M]):.3f}（過剰調整 → 直接効果に縮む）")
print(f"合流点Kも調整      Y~X+C+K  : {x_coef([X, C, K]):.3f}（合流点バイアス → 偏る）")

出力は次の通り。

傾向スコアの範囲 = [0.018, 0.982]（0/1 から離れていれば正値性OK）

真の総効果 = 2.70

調整なし          Y~X      : 4.344（交絡 C を無視 → 偏る）
正しい調整(Cのみ)  Y~X+C    : 2.710（バックドア基準 → 総効果を回収）
媒介Mも調整        Y~X+C+M  : 1.500（過剰調整 → 直接効果に縮む）
合流点Kも調整      Y~X+C+K  : 0.247（合流点バイアス → 偏る）

出力の意味――まず正値性の点検。傾向スコアの範囲は [0.018,0.982][0.018, 0.982] で 0/10/1 に張り付いておらず、重なりは良好（チェックリスト③合格）。次に調整集合の比較：

同じデータ・同じ推定法（OLS）でも、調整集合の選び方ひとつで結論が 0.250.25 から 4.34.3 まで動く。正しい答え 2.72.7 を当てたのは「DAG が指す CC だけを入れた」ときだけ。チェックリストの④（バックドア基準）がいかに決定的かが分かる。

4. 報告：結論は仮定とセットで

推定値を出したら、感度分析（未観測交絡への感度分析）まで添えて初めて誠実な因果主張になる。最低限の報告セットは：

⚠️ よくある誤解・落とし穴

関連ノート