今頃聞けない因果推論入門：相関との違いは？

相関と因果の違いを「反実仮想」で腹落ちさせる

まず、因果推論が扱うのは「AをやったからBが起きたのか」という問いです。ここで重要なのは、“同じ人（同じ対象）”に対して「Aをやった世界」と「Aをやらなかった世界」を比べたい、という発想になります。たとえば、クーポンを配ったユーザーの購入額が増えたとしても、それだけでは因果とは言えません。なぜなら、そもそも購買意欲が高いユーザーを優先して配っていたら、「意欲が高いから買った」だけかもしれないからです。

この「同じ人に二つの世界を用意したい」という考え方を、因果推論では反実仮想と呼びます。反実仮想とは、「もしクーポンを配っていなかったら、その人はどうなっていたか」という仮の世界です。現実には一人のユーザーを同時に二つの世界に置けないので、反実仮想は観測できません。観測できないものを推定したい、というのが因果推論の難しさであり、面白さでもあります。

ここで押さえるべきポイントは二つあります。ひとつは、因果効果は“比較”で定義されるということです。施策を実施した群の平均値だけ見ても、施策が効いたのかはわかりません。もうひとつは、比較相手が正しくないと、結果が簡単にねじれるということです。購買意欲、既存の利用頻度、地域、デバイス、広告接触状況など、施策にも結果にも影響する要因があると、群間の差は「施策の効果」と「元々の違い」が混ざってしまいます。この混ざりものが交絡で、因果推論は交絡をどう扱うかの体系でもあります。

現場でよく起きる「相関の罠」をもう少し具体的に考えます。たとえば新しいUIを導入したあとで離脱率が下がったとします。しかし、そのタイミングで広告流入が減り、既存ユーザー比率が増えていたらどうでしょう。離脱率の低下はUIの改善ではなく、流入の質が変わっただけかもしれません。あるいはキャンペーン開始と同時に季節要因で需要が伸びる時期に入っていたら、自然増を施策効果と取り違えるかもしれません。これらは「施策の前後で比べる」という素朴な比較が、反実仮想をうまく代替していない例です。

因果推論で最終的に推定したい量は、平均的にどれだけ効いたかという平均処置効果に限りません。実務では「誰に効いたか」が重要になります。新規ユーザーには効くが既存には効かない、低頻度層には効くが高頻度層には効かない、という形で効果が異なることは珍しくありません。個別の効果を直接当てにいくのは難しいとしても、少なくともセグメント別に効果が違う可能性を視野に入れて設計するだけで、因果推論は意思決定の精度を上げてくれます。

観察データで因果を推定する代表的アプローチ

理想はランダム化比較実験、つまりA/Bテストです。ランダムに割り付けることで、交絡が平均的に打ち消され、「施策をやった群」と「やらなかった群」が反実仮想の代理として成立しやすくなります。ただし現実には、倫理的・運用的・コスト的な理由でランダム化できないことが多いです。そこで観察データから因果を推定するアプローチが登場します。大事なのは、どの手法も「こういう前提が成り立つなら、反実仮想をそれなりに作れる」という条件付きの道具だという点です。前提が崩れたら、推定結果も崩れます。

最も基本的なのは共変量調整です。施策群と対照群で違いそうな特徴量を集め、回帰などで調整して差を推定します。直感的ですが、調整に入っていない未観測の要因が交絡として残ると、結論が簡単に歪みます。さらに、調整すべき変数と、調整してはいけない変数がある点にも注意が必要です。施策によって変化する中間変数を調整してしまうと、施策効果の一部を消してしまう可能性があるからです。ここは因果グラフの発想が役に立ちます。施策→（中間）→結果の矢印の途中を消すような調整は危ない、という直感を持っておくと事故が減ります。

次によく使われるのが傾向スコアです。これは「その人が施策を受ける確率」を特徴量から推定し、施策群と対照群が似た確率分布になるようにマッチングしたり重み付けしたりして比較可能性を上げます。傾向スコアの魅力は、特徴量が多くても「一つのスコア」に要約してバランスを取りにいけることです。ただし、結局は観測された特徴量でしかバランスを取れないので、未観測交絡には弱いです。また、極端に施策を受けやすい人と受けにくい人が混ざると、重みが暴れて推定が不安定になることがあり、実務ではスコア分布の重なり（オーバーラップ）を必ず確認し、無理な一般化を避ける必要があります。

時間の前後を使って推定する代表が差の差分です。介入前後で施策群と対照群の変化量を比べることで、時間に依存する共通の要因を相殺しようとします。たとえば一部地域だけで新機能を先行導入し、他地域は据え置きにしたとき、導入前後の変化を比較することで、季節性や市場全体の変動をある程度取り除けます。ただし差の差分には、「もし施策がなかったら両群は同じトレンドで動いていたはず」という平行トレンドの前提が要になります。導入前のデータでトレンドが近いかを確認したり、導入前の時点を仮の介入としてテストするなど、前提の妥当性チェックが重要です。

閾値で決まる施策に向くのが回帰不連続です。たとえばスコアが一定以上のユーザーだけに特典を付ける場合、閾値のすぐ上とすぐ下のユーザーは性質が似ていると期待できます。そこで閾値近傍だけを見て差を推定し、局所的な因果効果を得ます。強力ですが、結論は閾値近傍に限定されることが多く、全体への一般化には注意が必要です。また、スコアが人為的に操作されていないか、閾値の手前で不自然な分布になっていないかなど、健全性チェックが欠かせません。

最後に操作変数という考え方もあります。これは「施策を受けるかどうかに影響するが、結果に直接影響しない変数」を利用して因果を切り分けるアプローチです。たとえば担当者の割り当て、ルールの境界、配送距離などが“施策実施の揺らぎ”として使える場合があります。ただし、条件を満たす変数を見つけるのが難しく、満たしているかを完全に証明するのも容易ではありません。だからこそ、操作変数を使うときは、なぜそれが結果に直接影響しないと言えるのかを、データと業務知識の両方で説明することが求められます。

このように観察データの因果推論は、魔法のボタンではありません。どの手法も「反実仮想の代理を作るための工夫」であり、成立条件と限界がセットです。だからこそ、手法名を覚えるより先に、「自分はどの反実仮想を代替しようとしているのか」を言語化することが大切です。

実務で失敗しないための設計と検証の手順

因果推論で最も差がつくのは、モデル選びではなく、問いの切り方と設計です。最初にやるべきは、目的を具体化することです。「キャンペーンは効いたか」ではなく、「キャンペーンは新規の初回購入をどれだけ押し上げたか」「既存のリピート間隔をどれだけ短くしたか」「効果は配布後何日まで続くか」という形に落とします。アウトカムが変われば、必要な観測期間も、交絡の候補も変わるからです。

次に、処置の定義を曖昧にしないことが重要です。クーポン配布を処置とするのか、クーポンの閲覧を処置とするのか、利用を処置とするのかで、解釈が全く変わります。配布は運用上コントロールしやすいですが、効果が薄く見えることがあり、利用は効果が大きく見えますが自己選択が強く交絡が増えます。ここでの決定は、分析の都合ではなく「意思決定で変えられるレバーは何か」に合わせるのが筋です。

そのうえで、比較相手をどう作るかを選びます。ランダム化できるならA/Bテストが第一候補です。できない場合は、上で述べた観察データ手法の中から、業務の仕組みに合うものを選びます。たとえば地域ごとに導入タイミングが違うなら差の差分が自然ですし、スコア閾値で決めているなら回帰不連続が検討できます。ここで大事なのは、データだけ見て決めないことです。施策がどう運用されているか、どこで例外が起きるか、どのような判断で配られているかといった運用の理解が、因果推論の精度を左右します。

検証では、推定値だけでなく前提のチェックを必ず組み込みます。傾向スコアなら群間のバランスが整ったか、差の差分なら導入前のトレンドが似ていたか、回帰不連続なら閾値付近で不自然な操作がないか、といった確認が必要です。さらに、感度分析として「もし未観測交絡がこれくらいあったら結論が覆るか」を検討する姿勢も重要です。因果推論は“正解”を約束するものではなく、“正しさの根拠と弱点”を明確にすることで意思決定の質を上げる道具だからです。

最後に、結果を意思決定に接続します。点推定だけで「効いた」「効かなかった」と断じるのではなく、効果の不確実性を示しながら、ビジネス上の損益に変換して判断します。たとえば平均効果が小さく見えても、対象人数が大きければ総効果は大きいかもしれませんし、逆に効果が大きく見えても特定の偏った層でしか成立していないなら、拡大すると崩れるかもしれません。こうした読みを支えるのが、因果推論の設計・前提チェック・感度分析の一体運用です。

因果推論は、相関に飛びつかないためのブレーキであり、施策を改善し続けるためのハンドルでもあります。分析結果を一枚絵で終わらせず、「どういう前提で、どの範囲に、どれくらい効いたと言えるのか」を言葉で説明できる状態まで持っていくことが、最終的な価値になります。