1 因果関係の基本概念
1.1 因果と相関の違い
因果関係の議論は、ある事象が別の事象を生じさせるという「働き」を問題にする。これに対し相関は、変数どうしが同時に変化する度合いを示すにすぎず、両者の関係が第三の要因によって生まれている可能性を排除しない。たとえば、購買額と広告接触回数が同時に増える場合でも、季節や需要の変動が原因で、広告はたまたま同じタイミングで増えているだけかもしれない。因果推論は、そうした偶然や見かけの関連を切り分けるために、介入の想定やデータ生成過程の整合性を点検する。
1.2 反実仮想（起こり得た世界）の考え方
因果の評価には「その人や対象が、もし別の条件に置かれていたらどうなったか」という反実仮想が関係する。観測できるのは実際に起こった1つの世界だけであり、同一対象について反対の条件下の結果は直接観測できない。そこで、反実仮想を確率的な推定対象として扱い、モデル化や設計（無作為化など）により、反実仮想を現実に近づけて近似する。重要なのは、反実仮想が単なる比喩ではなく、介入した場合の結果分布を定義するための枠組みとして機能する点である。
1.3 原因・結果の定義と操作化
原因と結果は、曖昧な日常語のままでは比較や推定が難しい。そこで研究目的に応じて、介入として扱う変数（原因側）と、観測する指標（結果側）を具体的に定義する。原因変数は「ある条件に置く」ことを意味する場合もあれば、「曝露の有無」や「量」として定義される場合もある。結果変数も、測定時点、スケール、集計方法を明確にする必要がある。操作化が不十分だと、因果推論の対象がずれてしまい、推定値の解釈が破綻するため、定義の精密さが出発点となる。
2 因果推論の前提と識別
2.1 介入可能性と因果効果の定義
因果効果は、理想的には介入によって原因を変化させたとき、結果がどう変わるかとして定義される。ただし実際には介入できない場合が多いため、「どの介入を想定しているか」を明確にし、その介入が現実のデータで識別可能かを検討する。介入可能性の議論では、操作対象が変化するときに、他の側面がどの程度同じであるかという仮定の置き方が要点になる。
2.1.1 対象集団と推定したい効果の範囲
因果効果は一枚岩ではなく、対象集団が異なれば推定量も意味も変わる。たとえば、全人口平均の効果を見たいのか、特定の参加条件を満たす人に限った効果を知りたいのかで解釈が変わる。さらに効果が一様ではない場合、平均だけでは不十分で、部分集団や条件付きの効果に関心が移ることもある。したがって「誰に」「どの範囲で」「何を基準にした差」を問うかを先に定めることが識別と報告の両方を左右する。
2.1.2 介入変数・アウトカムの明確化
因果効果を定義するには、介入変数のとり得る値と、アウトカムの測定方法が確定している必要がある。介入が二値（実施あり/なし）なのか、多値（段階的な強度）なのかで推定手法が変わり得る。アウトカムについても、短期と長期のどちらを結果とするのか、欠測や打ち切りがどう扱われるのかが結果に影響する。明確化は、モデルの仮定を現実の制約に結びつける作業であり、後続の識別条件や頑健性評価にも直結する。
2.2 交絡の問題と識別条件
交絡は、原因にも結果にも同時に関与する要因が存在することで、介入なしでも関連が生じる状況を作る。識別とは、データから因果効果を一意に復元できるかを問う考え方であり、交絡をどう扱うかが中心課題になる。一般に、交絡が観測できるか、どの集合を調整すべきか、さらに調整後に残る非観測成分がどの程度影響するかが争点となる。
2.2.1 交絡因子の特定
交絡因子の特定は、統計的な選択だけで完結しない。研究課題の理論、制度設計、測定の経緯などを踏まえ、因果経路の可能性を整理する必要がある。たとえば、介入の受けやすさに関わる特性が結果にも作用しているなら、それは交絡の候補となる。候補の絞り込みが不十分だと、調整したはずなのに残差交絡で推定が歪む。一方で過剰な調整は別の問題（中間変数の混入など）を招き得るため、因果構造に即した慎重さが求められる。
2.2.2 交絡調整の方針
交絡調整の方針は、観測可能な交絡を適切に取り込むことにより、介入の割付状況を「それに似た形」にすることを狙う。代表的には、条件付きで比較する設計（層別化）、推定モデルにより傾向を補正する方法、重み付けによって擬似的に分布を整える方法などがある。どの手法にも、仮定に基づく識別が成立するための条件がある。さらに、調整変数に欠測がある場合や測定誤差がある場合は、単純な補正では不十分になり得るため、品質管理と感度評価を併用することが多い。
2.3 バイアスと誤差要因
因果推論では、統計的なランダム誤差だけでなく、バイアスの発生源を明確にする必要がある。代表例として、選択バイアス（対象の取り方による歪み）、情報バイアス（測定の偏り）、欠測バイアス（欠測が結果や原因と関連）などがある。これらは交絡と絡み合うこともあり、見かけの効果を過大または過小にする。誤差要因を切り分けるには、データ収集の設計思想、変数定義、欠測メカニズムの考え方を点検し、推定結果に対して解釈可能性を担保することが重要になる。
3 実証デザインによる検証手法
3.1 ランダム化比較試験（RCT）
RCTは、原因側の割付を確率的に決めることで、交絡の多くを平均的に相殺しようとする設計である。理想的な条件では、介入の割付と潜在的な結果が独立になり、反実仮想の比較が統計的に正当化されやすい。実務上は遵守状況や脱落などが起こり、完全な独立性が崩れる場合もあるが、それでも因果推論の基準点として位置づけられる。
3.1.1 ランダム割付の設計
ランダム割付の設計では、割付単位（個人か集団か）、層別の有無、ブロック化、盲検化などの要素が影響する。層別化は、重要な背景要因が偏りにくいようにするために用いられる。盲検化は測定や行動変化による差を抑え、情報バイアスを減らす目的で導入される。さらに、割付後の遵守（プロトコル通りに介入を受けるか）や追跡の脱落について計画し、分析可能な範囲を見通しておくことも設計の一部となる。
3.1.2 効果推定と適合性評価
RCTの効果推定では、平均効果（ある割付条件での差）や、場合によっては遵守を考慮した推定量を扱う。適合性評価とは、割付が設計通り機能しているかを確認する作業であり、基準時点のバランスや実施状況の整合性が焦点になる。統計的な有意性だけでなく、推定の前提（たとえば脱落が偏っていないか、測定が一様か）を確認し、異常があれば設計や分析の解釈を見直す。これにより「RCTで見えた差」が因果として理解できる範囲をより堅牢にする。
3.2 観察研究での接近
観察研究では、介入が自然に起こるため、割付のランダム性が期待できない。そこで交絡を補正し、介入群と非介入群を「比較可能」に近づける工夫が必要になる。観察データの限界は残り得るが、設計上の工夫と解析の工夫により、因果的解釈の可能性を高めることができる。
3.2.1 傾向スコアとマッチング
傾向スコアは、介入を受ける確率を観測可能な共変量から推定した値である。マッチングや重み付けでは、傾向スコアが近い対象同士を比較することで、背景の差をならす狙いがある。重要なのは、傾向スコアに含める変数の選び方と、共通サポート（比較が成立する領域）が確保されているかである。さらに、調整後にバランスが十分かを検証しないと、残差交絡が残ってしまうため、評価手順が不可欠になる。
3.2.2 差の差法（比較設計）
差の差法は、介入前後の変化を介入群と対照群で比較し、共通の時系列要因を差し引く考え方である。鍵となる仮定は、介入がなければ両群の変化が同程度であったであろうという点（平行トレンドの考え方）である。この仮定が成立しないと、見かけの効果が別要因の変化として混入する。したがって、介入前のトレンド一致や感度分析により、仮定の妥当性を検討することが推奨される。
3.3 時系列・準実験的手法
時系列や制度変化を利用する手法では、介入のタイミングやルールによる割付のゆがみを手掛かりに因果に迫る。完全なランダム化がない場合でも、介入前後での構造変化を用いて比較可能性を作る。ここでは、系列データの解釈と、介入の切り方が因果推論の根拠を左右する。
3.3.1 系列データの因果解釈
系列データでは、単純に前後関係を結びつけるだけでは因果にならない。どの要因が同時期に変化しているか、結果指標がどのように遅れて反応するか、季節性や景気変動のような周期要因があるかなどを考慮する必要がある。モデル化では、自己相関やトレンドを扱い、変化点の位置づけを慎重に行う。さらに、同じ変化が介入のない期間にも見られないかを点検することで、因果的解釈の妥当性を高める。
3.3.2 断続的な介入（回帰不連続）
回帰不連続は、ある閾値によって介入の割付が決まる状況で用いられる。閾値の近傍では、介入以外の要因が類似であるとみなせるため、閾値をまたぐ結果の飛びを効果として解釈しやすい。ただし、閾値の操作（人為的な回避や申請タイミングの調整）があると、想定した近傍の類似性が崩れる。したがって、閾値周辺の分布やバランス、感度分析の実施が重要になる。
3.4 自然実験の考え方
自然実験は、人為的に設計されたランダム化ではないものの、制度・事故・政策変更などにより介入が外生的に起きたとみなせる状況を利用する。ポイントは「外生性の程度」をどの程度主張できるかである。外生性が強いほど因果解釈が進むが、完全に保証されるとは限らない。したがって、介入が発生した理由とタイミングに関する検討、代替仮説（別の同時変化）への評価、可能なら比較対象の設計が求められる。自然実験は、仮定の検証と透明な議論を重ねることで価値が高まる。
4 結果の妥当性評価と報告
4.1 仮説検証としての妥当性
因果推論の結果は「何が起きたか」だけでなく「それを因果としてどう言えるか」によって評価される。仮説検証としての妥当性では、検定や推定がどの仮定のもとで成立するかが中心となる。統計量の計算上は同じでも、前提が揺らげば解釈が変わる。したがって、推定量の定義、比較の根拠、想定したデータ生成過程との整合性を読み解き、主張の射程を適切に制限する必要がある。
4.1.1 検定の論理と限界
検定は、帰無仮説のもとで観測されたデータがどれほど稀かを評価する枠組みであるが、因果性を直接保証するものではない。特に観察研究では、帰無仮説と因果仮説の関係が単純でないことが多い。さらに、多重比較や選択されたアウトカムの扱いによって誤差の評価が変わる場合がある。検定を用いる場合でも、効果推定の大きさ、推定不確実性、モデル選択の影響をセットで考えることが必要になる。
4.2 ロバストネス（頑健性）の確認
ロバストネスは、推定結果がモデルの置き方や前提のわずかな変更にどれほど耐えるかを点検する考え方である。観察研究では特に、交絡調整の手順、関数形の仮定、欠測処理、外れ値の影響などが結果に影響しやすい。そこで、代替仕様での推定や、異なるサブグループでの確認、解釈に直結する仮定の変更による検証を行い、結論の頑健性を支える。
4.2.1 感度分析
感度分析は、因果推論の鍵となる仮定が破れた場合に、結論がどの程度変化するかを調べる方法である。たとえば、未観測交絡が残っている可能性を仮想的に想定し、その強さが一定以上なら結果が逆転するのかを評価するような発想がある。これにより、「この結論はどの仮定に支えられているか」を定量的に提示できる。感度分析は万能ではないが、単一の推定値に依存しない議論を可能にし、報告の透明性を高める。
4.3 再現性と透明性
再現性と透明性は、研究が第三者によって追試・検証可能であることを目指す性質である。因果推論では、変数定義や除外基準、解析手順の細部が結果を左右するため、記述の粒度が特に重要になる。単に結論を述べるだけでなく、データ処理、推定手順、評価指標を明示し、解釈の前提が追跡可能な形で残すことが求められる。
4.3.1 前登録・解析計画の考え方
前登録は、研究開始前に主要な仮説、主要アウトカム、解析計画を事前に記録する取り組みである。これにより、データを見てから都合のよい分析へ切り替える可能性（解析の恣意性）を抑制できる。解析計画には、推定量、補正方法、欠測の扱い、ロバストネスの方針などを含めるのが一般的である。前登録は完璧な保証ではないものの、評価の透明性を高め、結果の信頼性に関する説明可能性を向上させる。