1 相関の基礎
1.1 相関の定義と直感
相関とは、2つ（または複数）の変数が同時に変化する傾向を、数値として要約する考え方である。たとえば、ある変数の値が高いときにもう一方も高くなりやすいなら「正の相関」、逆向きに変わるなら「負の相関」と表現する。ここで重要なのは、相関が向き（どちらが原因でどちらが結果か）を直接示すものではない点である。
相関の直感は、観測点の散らばり（点群）が、どの方向に伸びるかでつかめる。右上がりにまとまっていれば正の関連が強く、水平に近ければ関連は弱い。関連の強さは、同じ傾向がどれほど再現されやすいか、つまりばらつきの小ささとも結びついている。
1.2 相関の測定方法
1.2.1 積率相関（ピアソン相関）
ピアソン相関係数は、2変数の線形な関係の強さを測る指標である。算出は、各変数の偏差を掛け合わせた量をばらつきで標準化することで行われるため、スケールの違いに比較可能な形で整理される。値は通常、-1から1の範囲に入り、絶対値が大きいほど線形の関連が強いと解釈される。
ただし、ピアソン相関は線形関係を前提にした要約である。たとえば曲線状の関連が存在しても、線形に近い見え方が薄い場合には、係数が小さく出ることがある。さらに、外れ値が強い影響を持つことがあるため、推定前後でデータの散布図確認が実務上重要になる。
1.2.2 順序・非線形に対応する相関指標
順序尺度（順位）を扱うとき、あるいは関係が単調でも線形ではない場合には、別の指標が用いられる。代表例としてスピアマンの順位相関は、データを順位に変換してから相関を評価するため、単調な非線形関係でも関連を捉えやすい。ケンドールの順位相関は、順位の一致・不一致の組合せを基に算出され、サンプルサイズが小さい場合や外れ値の影響を抑えたい場合で選ばれることがある。
非線形に対してより柔軟に関連を測る指標としては、相互情報量などの情報理論的手法が挙げられる。これらは一般に関係の形を特定せずに依存の程度を測るが、推定の計算やバイアスの扱いが課題になりうる。実務では「何を捉えたいか（単調性、線形性、汎用的な依存）」に応じて指標を選ぶことが中心となる。
1.3 相関の解釈の限界
1.3.1 相関があっても因果とは限らない
相関が観測されても、その背後に因果関係があるとは限らない。たとえば、共通原因が存在すると、互いに直接つながっていなくても同時に動くため相関が生じる。逆に、因果が存在していても相関が小さくなったり検出できなかったりすることもある。条件分布が複雑な場合、測定のばらつき、あるいは未観測要因によって関連が薄れるためである。
このため、相関は「関連の要約」にとどめ、要因の方向を主張するには追加の根拠が必要になる。研究設計と識別戦略（後述）が整って初めて、観測された関連を因果へ結びつける議論が可能になる。
1.3.2 規模・分布・外れ値の影響
相関係数は、データの分布形状や測定範囲によって見え方が変わる。例えば、平均の近くに集中しているデータでは線形の評価が安定する一方、端の領域に点が少ないと推定誤差が増える。さらに、尺度が極端に異なる場合でも標準化されるため係数自体は比較可能になりやすいが、「その比較が意味のある範囲か」は別問題である。
外れ値は特に重要である。線形相関は二乗的に影響を受けるため、極端な点が係数を大きく動かすことがある。したがって、相関の数字だけで判断せず、散布図、頑健な指標、感度の確認を組み合わせるのが望ましい。
2 因果の基礎
2.1 因果の定義と反事実の考え方
因果とは、ある介入や状態の変化が、別の結果の変化を引き起こすことを指す。因果推論では「実現した世界」と「それが実現しなかった場合」を区別する必要があるため、反事実（counterfactual）の概念が用いられる。反事実とは、同じ対象が別の状態に置かれていたならどうなったか、という仮想的な結果である。
たとえば、参加者に新しい施策を与えたときの結果が改善したとしても、もし施策を与えなかった場合の結果は観測できない。そのため因果効果は「観測できない部分」を含む推論問題として扱われる。推論の鍵は、観測データから反事実を近似するための条件（識別可能性）を満たすことにある。
2.2 介入と因果効果の概念
2.2.1 局所的な因果効果と平均因果効果
因果効果には複数の定義がある。平均因果効果は、対象集団全体で介入の有無による結果差を平均した概念であり、政策評価や試験の解釈でよく用いられる。一方、局所的な因果効果は、特定の条件（例：ある部分集団、ある確率帯）に限定して評価する考え方である。実務では、データがその条件のもとで識別できるかどうかによって、どの種類の効果を推定可能かが左右される。
また、介入の強さが段階的である場合には、単一の「あり/なし」ではなく連続的な取り扱いが必要になることがある。そのときは、効果をどの時点・どの条件で定義するかが推論の前提となる。
2.2.2 因果効果の表現（差・比・率など）
因果効果は、結果指標の性質に応じてさまざまな尺度で表現される。差（difference）は、介入後の結果から対照の結果を引いた量であり、直感的に解釈しやすい。比（ratio）は、相対的な変化として捉えるため、個体の規模差をまたいだ比較に適することがある。率（rate）や危険度のような指標では、時間当たりの変化や確率の差として表現されることも多い。
尺度の選択は「説明の目的」と「結果の分布」を考慮して行う。特に比や率は分母が0に近い場合に不安定になり得るため、推定の方法や表現の妥当性を検証する必要がある。
2.3 図因推論で扱う前提
2.3.1 識別可能性（観測から因果を導ける条件）
識別可能性とは、観測されたデータと仮定の組み合わせによって、反事実に対応する量（因果効果）が一意に定まることを意味する。典型的には、交絡を無視できる形に情報が揃っていること、また介入と結果が適切に比較可能であることが求められる。言い換えると、「観測された差を、介入の効果として読み替えるための整合性」が成立している必要がある。
代表的な識別戦略には、ランダム化による比較、あるいは観測研究での条件付けによる比較がある。どの戦略を用いる場合でも、成立させるべき前提を明示し、研究設計と分析の整合を取ることが重要になる。
2.3.2 測定誤差・非遵守の扱い
因果推論では、理想化された割付や測定が現実には崩れることがある。測定誤差（例：説明変数やアウトカムの記録に誤り）があると、関連が薄れるだけでなく、バイアスが生じる場合もある。誤差の方向や大きさが不明な場合、頑健性の評価や、誤差モデルを含む分析が検討される。
また非遵守は、割付された介入を実際には受けない、あるいは受けるべきでないのに受けてしまう状況を指す。これがあると「割付の効果」と「実際の介入の効果」が区別され、推定対象の定義が変わる。適切に扱うには、遵守行動の構造を踏まえた推定方針が必要になる。
3 相関から因果へ進む際の落とし穴
3.1 交絡（共通原因）
交絡は、介入（または説明変数）と結果の両方に影響する共通原因が存在することで生じる。交絡があると、単純な比較は介入効果と共通原因の影響を混ぜてしまう。相関が観測されても、その差がどの要因によって生じたかを判別できなくなるため、識別の観点では最大級の問題となる。
対策としては、共通原因に当たる変数を可能な範囲で測定し、比較の条件を揃える設計が重要になる。観測研究では、どの変数が交絡を担うかの検討が分析の中心になる。
3.2 逆因果
逆因果は、見かけ上の説明変数が結果の影響を受けている場合に起こる。たとえば、健康状態が悪い人ほど特定の治療を選びやすいとすると、治療が健康を悪化させたように見える可能性がある。時系列の情報が不十分だと判別が難しくなるため、観測時点の設定や因果順序の整合性が必要になる。
対策としては、介入や説明変数を結果より前に置く設計、あるいは時点をまたいだモデル化が挙げられる。ただし、単に時間を並べるだけでは交絡が残ることもあるため、総合的な検討が欠かせない。
3.3 選択バイアスと欠測
選択バイアスは、研究参加や観測される確率が、結果や介入と関連しているために生じる。たとえば、追跡調査に回答する人が特定の特徴を持つなら、非回答者の結果が平均的に異なる可能性がある。欠測はこの選択過程と結びつくことが多く、単純な削除（リストワイズ欠測の除外）は偏りを招き得る。
欠測の性質を「何が欠けているか」だけでなく「なぜ欠けるか」として捉えることが重要になる。推定では、欠測メカニズムの仮定を置いた上での補完や、感度分析による頑健性の評価が実務上の選択肢となる。
3.4 モデリング上の誤り
3.4.1 過剰適合と多重比較の影響
過剰適合は、データの偶然のばらつきを学習してしまい、未観測データで性能が落ちる現象である。因果推論では、予測の精度だけでなく、推定対象（因果効果）の妥当性が問われるため、過剰適合はバイアスの形で現れることがある。特に多数の変数を入れる過程や探索的分析では、偶然の一致が因果主張に紛れやすい。
多重比較は、複数の仮説や指標を同時に検討することで、見かけ上の有意な結果が増える問題である。補正のない探索は、偶然の一致を実在の効果と誤認する危険を高める。研究計画段階で主要評価項目を定め、分析の手順を固定することが予防策になる。
3.4.2 誤った変数選択（コライダー問題など）
変数選択の誤りは、因果関係の構造理解が不足していると起こる。とくにコライダー（共通の結果を共有する中間要因）に条件付けすると、因果的に遮断されるべき経路が開いてしまい、交絡が増えることがある。これは「関係が見えないようにするはずの調整」が、逆にバイアスを導入し得ることを意味する。
また、前処置変数に見えるものの実際には結果の後に配置されている場合、時点のずれが論理的整合性を壊す。変数を入れる理由を因果図や仮説に結びつけ、調整が何を閉じ、何を開くかを確認する姿勢が求められる。
4 因果推論の研究デザインと方法
4.1 実験による因果推論
4.1.1 ランダム化比較試験の考え方
ランダム化比較試験（RCT）は、参加者を介入群と対照群に割り付けることで、交絡を平均的に相殺する設計である。介入の割付が結果と独立になるように作るため、観測された差は介入の影響として解釈しやすい。相関から因果へ移行するうえで、最も直截的な手段の一つとされる。
ただし、割付後に逸脱が起こると、単純比較が成立しにくくなる。さらに、脱落や非遵守があると、推定対象が割付の効果か、実際の介入の効果かで分かれる。したがって、研究は「割付をどう実行し、追跡をどう維持し、逸脱をどう扱うか」まで含めて設計される必要がある。
4.1.2 ブラインド・割付の実務
ブラインドは、参加者や評価者が割付を知らないことで、期待や測定の主観性が介入効果に混入するリスクを下げる。特にアウトカムが主観評価に依存する場合、評価者の知識がバイアスの原因になることがある。
割付の実務では、ランダム化手順（例：層別ランダム化、ブロック化）と、割付の秘匿（割付コードの取り扱い）が重要である。実施段階での手続きの破綻は設計の仮定を壊すため、手順書、監査、記録の整備が効果的になることが多い。
4.2 観察研究による因果推論
4.2.1 層別化・マッチング・層別解析
観察研究では、交絡を完全に除くことが難しいため、比較可能性を高める工夫が中心となる。層別化は、重要な共通原因に応じて層を作り、各層内で介入と比較を行う方法である。層の粒度が粗すぎると交絡が残り、細かすぎるとサンプルが薄くなるというトレードオフがある。
マッチングは、介入群と対照群を共通原因の類似性に基づいて対応させる考え方である。層別解析やマッチングは直感的に理解しやすい一方、適切に共通原因を選べていることが前提になる。測定できていない変数が交絡に関与している場合、どの調整でも完全な識別は保証されない。
4.2.2 回帰調整と注意点
回帰調整は、介入と結果の関係を、共通原因で説明される部分を統計モデルで取り除くことで推定する。代表的には、交互作用や非線形性を含めて柔軟に表現することで、調整の不備を減らす試みがある。反面、モデル誤設定があると残差の構造が歪み、推定値に偏りが残る。
さらに、機械学習的に多数の変数を投入する場合は、過剰適合の影響や推定対象の変換（政策効果の解釈）が複雑になる。回帰調整では、仮定の置き方と検証方法を明確にし、頑健性を確認することが不可欠である。
4.3 代表的な手法の位置づけ
4.3.1 傾向スコア関連手法
傾向スコアは、介入を受ける確率を共通原因に基づいて推定し、それを調整に利用する考え方である。マッチングや重み付けで用いられることで、多次元の共通原因を単一の尺度に集約し、比較を安定させる狙いがある。重要なのは、傾向スコアに変換した後も「調整で取り除けない未測定交絡」が残る可能性はある点である。
また、重み付けでは、傾向スコアが極端な領域で重みが大きくなり、推定が不安定になることがある。したがって、共通支持の確保やトリミングの扱いを含めて、手法の実装方針が結果の性質に影響する。
4.3.2 因果グラフと識別戦略
因果グラフは、変数間の因果方向を仮定として図示し、どの変数を条件付けすべきかを整理するための枠組みである。エッジの有無や向きは観測事実から直接決まるというより、対象領域の知識と研究仮説に基づく。グラフにより、調整変数選択の意図や、どの経路が遮断されるべきかを明確にできる。
識別戦略では、グラフの性質を使って因果効果が観測データから計算可能かどうかを検討する。これにより、不要な調整（たとえば中間変数への条件付け）を避け、推定可能な範囲を明確にすることができる。グラフの妥当性は仮定に依存するため、検証は論理と感度分析の双方により支えられる。
4.4 報告と検証
4.4.1 感度分析とロバスト性
感度分析は、因果推論に関する仮定が崩れた場合に、推定結果がどれほど影響を受けるかを調べる手続きである。観察研究では特に、未測定交絡や欠測メカニズムなどの仮定が結果に与える影響を評価する必要がある。推定値が頑健であれば、因果的解釈の信頼性が相対的に高まる。
ロバスト性の確認には、モデル仕様の変更、変数セットの入れ替え、代替推定器の使用、推定対象の定義の微調整などが含まれる。いずれも同じ方向の結論が得られるかを見ることで、偶然の一致に対する耐性を確認する役割を持つ。
4.4.2 因果主張の根拠の書き方
因果主張を行う際には、何が推定対象なのか、どの仮定に基づくのか、推定手順がそれらにどう対応しているのかを、読者が追える形で記述する必要がある。たとえば、主要評価項目の定義、分析対象の選定基準、除外や欠測の扱い、非遵守や逸脱の扱いなど、因果推論に直接関わる事項を透明にすることが求められる。
また、結果の報告は点推定だけでなく不確実性の提示を含めるべきである。信頼区間や推定誤差、感度分析の範囲を併記することで、どの程度の確証が成立しているかを読者に伝えられる。因果と相関の境界を明確にし、因果主張の強さを適切に位置づけることが、百科事典的にも研究倫理的にも重要になる。