Mímisbrunnr知恵の泉

← 因果推論 一覧

🎓 レベル：標準　|　重要度：A（必須）　|　★ テキスト全体（全8章）の総まとめ

📎 前提：潜在結果モデル　|　構造的因果モデルとdo演算子　|　因果推論のチェックリスト

要点（BLUF）

1. 相関 → 予測 → 因果の塔

Mímisbrunnr の 5 分野は 1 本の塔に積み上がる。下段が上段を支える。

flowchart TB
  L1["相関を測る（統計）: cor(X,Y) は対称・向きを持たない"] --> L2["予測する（機械学習）: P(Y∣X) 観測された X から Y を当てる"]
  L2 --> L3["介入の効果（因果推論）: P(Y∣do(X)) X を設定したら Y はどうなるか"]

決定的な違いは 条件づけ（see）と介入（do）の差。P(Y∣X=x)P(Y\mid X{=}x) は「X=xX{=}x である人を見たときの YY」、P(Y∣do(X=x))P(Y\mid do(X{=}x)) は「全員の XX を xx にしてみたときの YY」。交絡があると両者はずれる。

2. なぜ予測と介入で結論が逆になりうるか

具体例で見る。重症度 SS が交絡：重症の患者ほど (a) 積極治療 TT を受け、(b) もともと回復が悪い。だから観測データでは「積極治療を受けた人＝重症者＝回復が悪い」が見え、予測は「積極治療は回復に有害」と言う。だが治療そのものの効果は有益（真値 +8+8）。この反転を再現する。

flowchart LR
  S["交絡S: 重症度"] -->|"重症ほど治療を受ける"| T["処置T: 積極治療"]
  S -->|"重症ほど回復が悪い"| Y["結果Y: 回復スコア"]
  T -->|"真の効果 +8（有益）"| Y

真の介入効果 P(Y∣do(T))P(Y\mid do(T)) は、交絡 SS をバックドア調整して得る（バックドア基準と識別）：

ATE=ES ⁣[ E[Y∣T=1,S]−E[Y∣T=0,S] ]\mathrm{ATE} = E_S\!\big[\,E[Y\mid T{=}1, S] - E[Y\mid T{=}0, S]\,\big]

一方、予測の量 E[Y∣T=1]−E[Y∣T=0]E[Y\mid T{=}1] - E[Y\mid T{=}0] は SS を調整しない条件付きの差。両者を同じデータで比べる。

# === 同じデータで「予測(条件付き)」と「介入(do)」が逆の結論になる ===
import numpy as np
import statsmodels.api as sm

rng = np.random.default_rng(11)
n = 5000
ATE_true = 8.0     # 積極的治療の真の効果（回復スコアを+8する＝本当は有益）

# 交絡：重症度 S（高いほど重症）。重症ほど積極治療を受け、かつ回復は悪い
severity = rng.normal(0, 1, n)
prob_care = 1 / (1 + np.exp(-(1.5 * severity)))         # 重症ほど積極治療を受けやすい
care = (rng.uniform(0, 1, n) < prob_care).astype(int)   # 処置T（1=積極治療）
recovery = 70 + ATE_true * care - 15 * severity + rng.normal(0, 5, n)  # 結果Y（高いほど良い）

# --- 予測の問い：P(Y | T) ＝ 観測上、積極治療を受けた人の回復は？ ---
pred_gap = recovery[care == 1].mean() - recovery[care == 0].mean()

# --- 介入の問い：P(Y | do(T)) ＝ 重症度を揃えて治療を割り付けたら？（バックドア調整） ---
X = sm.add_constant(np.column_stack([care, severity]))
beta = sm.OLS(recovery, X).fit().params
do_effect = beta[1]    # 重症度を調整した治療の係数

print("ATE_true（真の介入効果）          :", ATE_true)
print("予測 P(Y|T=1)-P(Y|T=0)（条件付き）:", round(pred_gap, 2))
print("介入 do調整後の効果（バックドア） :", round(do_effect, 2))
print("符号が逆:", "予測=" + ("負" if pred_gap < 0 else "正"),
      "/ 介入=" + ("正" if do_effect > 0 else "負"))

# --- Tは「予測子」としては有用（Yと相関）だが「介入対象」としては逆 ---
corr_TY = np.corrcoef(care, recovery)[0, 1]
print("相関 corr(T,Y)（予測子としての強さ）:", round(corr_TY, 3))

出力：

ATE_true（真の介入効果）          : 8.0
予測 P(Y|T=1)-P(Y|T=0)（条件付き）: -7.81
介入 do調整後の効果（バックドア） : 8.23
符号が逆: 予測=負 / 介入=正
相関 corr(T,Y)（予測子としての強さ）: -0.275

出力の意味：真値は +8+8（治療は有益）。ところが 予測の差は −7.81-7.81——観測データだけ見ると「積極治療を受けた人ほど回復が悪い」。重症者が治療を受けるという交絡がそのまま符号を支配している。バックドア調整した介入効果は +8.23+8.23 で真値を回収し、符号は逆転して「治療は有益」になる。corr(T,Y)=-0.275 は、TT が YY の予測子としては有効（相関がある）ことを示すが、その向きは介入の効果とは逆。「良い予測子」と「良い介入対象」は別物だ——ここを取り違えると、予測モデルを政策に直結して逆効果の意思決定をしてしまう。

図：交絡が予測と介入を食い違わせる

群ごとに見ると治療線（橙）は標準線（青）の上にある（重症度を揃えれば治療は +8+8 有益）。だが橙の点は右（高重症度）に偏るため、周辺平均では橙が下に来る。同じ点群が、層の中では「治療が良い」、全体では「治療が悪い」と語る——相関と因果の違いのシンプソンの逆説そのものだ。

# === 図：交絡が予測と介入を食い違わせる様子を可視化 ===
import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib

rng = np.random.default_rng(11)
n = 5000
ATE_true = 8.0
severity = rng.normal(0, 1, n)
prob_care = 1 / (1 + np.exp(-(1.5 * severity)))
care = (rng.uniform(0, 1, n) < prob_care).astype(int)
recovery = 70 + ATE_true * care - 15 * severity + rng.normal(0, 5, n)

fig, ax = plt.subplots(figsize=(7, 5))
ax.scatter(severity[care == 0], recovery[care == 0], s=6, alpha=0.3, label="標準治療 T=0", color="tab:blue")
ax.scatter(severity[care == 1], recovery[care == 1], s=6, alpha=0.3, label="積極治療 T=1", color="tab:orange")

grid = np.linspace(severity.min(), severity.max(), 50)   # 群ごとの回帰線（重症度を揃えるとT=1が上）
for t, col in [(0, "tab:blue"), (1, "tab:orange")]:
    b1, b0 = np.polyfit(severity[care == t], recovery[care == t], 1)
    ax.plot(grid, b0 + b1 * grid, color=col, linewidth=2.5)

ax.axhline(recovery[care == 1].mean(), color="tab:orange", linestyle="--", alpha=0.7)  # 周辺平均
ax.axhline(recovery[care == 0].mean(), color="tab:blue", linestyle="--", alpha=0.7)
ax.set_xlabel("重症度 S（高いほど重症・交絡）")
ax.set_ylabel("回復スコア Y（高いほど良い）")
ax.set_title("予測は治療を「有害」、介入は「有益」と判断する（同じデータ）")
ax.legend(loc="upper right")
plt.tight_layout()
plt.show()

print("T=1の周辺平均:", round(recovery[care == 1].mean(), 2),
      " T=0の周辺平均:", round(recovery[care == 0].mean(), 2))

出力：

T=1の周辺平均: 70.13  T=0の周辺平均: 77.94

出力の意味：周辺平均は治療群 70.13 < 標準群 77.94 で、見かけ上「治療すると回復が低い」。だが図の橙の回帰線は青より一貫して上——層内の真の効果は逆。周辺（見かけ）と層内（因果）の符号が割れるのが交絡の怖さで、これが第1〜7章を貫く動機だった。

3. いつ予測で十分か、いつ介入が要るか

問いが「XX を動かさず、ただ YY を当てたい」なら P(Y∣X)P(Y\mid X) ＝予測で十分で、交絡は問題にならない（むしろ予測子は何でも使ってよい）。問いが「XX を動かしたら YY がどう変わるか」なら P(Y∣do(X))P(Y\mid do(X)) ＝因果が必要で、交絡の調整が要る。判断フローはこうなる。

flowchart TB
  START["問い：X を変えたら Y はどうなる？"] --> Q1{"X に介入する？（値を設定・政策判断）"}
  Q1 -->|"いいえ・予測だけ"| PRED["P(Y∣X) で十分。予測＝機械学習（相関でよい）"]
  Q1 -->|"はい・介入する"| Q2{"無作為割付できる？"}
  Q2 -->|"はい"| RCT["RCT（第2章）で P(Y∣do(x)) を直接推定"]
  Q2 -->|"いいえ・観測データ"| Q3{"交絡をすべて観測できる？"}
  Q3 -->|"はい"| ADJ["バックドア調整（第3〜4章）"]
  Q3 -->|"いいえ"| Q4{"使える構造がある？（操作変数・断点・並行トレンド）"}
  Q4 -->|"はい"| QE["準実験デザイン（第5章）"]
  Q4 -->|"いいえ"| SENS["感度分析で頑健性を測る（第7章）"]

4. 全8章を貫く背骨——識別と推定の分離

このテキストの一貫した主張は 「識別（どんな仮定なら因果と言えるか）と推定（その効果をどう測るか）を必ず分ける」。全8章をこの背骨で振り返る。

章テーマ識別（仮定）推定（測り方）
1枠組み潜在結果・交換可能性・正値性・SUTVA・バックドア（定義）
2RCT無作為化が交換可能性を設計的に保証平均差・ITT
3バックドア調整観測交絡で条件付き交換可能性回帰・傾向スコア・IPW・AIPW
4ML×因果同上（高次元交絡）DML（直交化＋交差適合）
5準実験除外制約・並行トレンド・連続性など構造の仮定2SLS・DiD・RD・合成コントロール
6ベイズ・構造的因果do演算子・反事実・媒介の数学効果の事後分布・MCMC
7感度分析・落とし穴仮定が崩れたら結論はどれだけ動くかE-value・衝突点/過剰調整の回避
8応用・探索構造をデータから（同値類の限界）パイプライン・予測と因果の境界

識別の列が空白でない限り、推定の数字に因果の意味はない。第2章の無作為化、第3〜4章の観測交絡調整、第5章の構造的仮定、第6章の do の数学——どれも「何を仮定すれば P(Y∣do(X))P(Y\mid do(X)) が観測分布で書けるか」を与える営みだった。推定（回帰・IPW・DML・MCMC）はその後の技術にすぎない。そして第7章で仮定が崩れたときの脆さを測り、第8章で構造そのものをデータから探り（因果探索の概観）、問い→DAG→識別→推定→反証の一気通貫（実データ事例と推定パイプライン）に結実する。

⚠️ よくある誤解・落とし穴

関連ノート