ランダム化比較試験（RCT）をはじめとする、綿密に設計された統計実験は、因果関係に関する疑問に答えるためのゴールドスタンダードです。実験単位（例えば、臨床試験の参加者）を治療群と対照群にランダムに割り当てることで、両群のバランスが保たれ、介入による影響以外で両群間に実質的な差異が生じる可能性が最小限に抑えられます。この場合、平均的な因果効果は、両群間の平均結果の差をとることで簡単に推定できます。
しかし、研究者は多くの場合、ある変数が別の変数に与える影響を調べたいものの、参加者を介入の特定のレベルにランダムに割り当てることができない（あるいは割り当てられない）ことがあります。RCTデータではなく、観察データや偶然データを用いて、曝露が結果に与える影響をどのように測定できるでしょうか？
ここで因果推論が登場します。因果推論とは、観察データからいつ、どのように因果関係の結論を導き出すかを判断するのに役立つ概念と手法の集合体です。例えば、研究課題が「新しい治療法は、対照群と比較して、コレステロール値を下げるのにどの程度効果があるか？」だとしましょう。保険請求データベースなどから測定された観察データしか持っていない場合、この問いに答えるためにどのような手法を用いるでしょうか？
治療群と対照群のコレステロール値に有意差があるかどうかを判断するために、単回帰分析やt検定を用いることも考えられます。しかし、低脂肪食を摂取している被験者は新しい治療を受ける可能性も、高コレステロール値になる可能性も低い一方で、高脂肪食を摂取している被験者は新しい治療を受ける頻度が高く、コレステロール値も高い可能性があります。食事を考慮しなければ、新しい治療はあまり効果的ではないと結論付けてしまう可能性があります。食事などの交絡因子はしばしば偽の相関関係を引き起こすため、このような単純な分析では、因果関係の疑問に答えられない、非常に偏った結果になりがちです。
代わりに、因果推論を行う必要があります。言い換えれば、データの関数を因果推定値に変換するための追加の仮定が必要です。因果推論を行うには、通常、以下の3つの仮定で十分です。
- 陽性:すべての観察には、各レベルの治療を受ける正の確率があります。
- 一貫性:同じレベルの治療を受けた人は皆、同じ治療を受けました。
- 条件付き交換可能性:治療と結果の関係を混乱させるすべての変数が測定されます。つまり、交絡因子を考慮すると、グループは「交換可能」です。
これらの仮定が満たされれば、観察データから因果効果を推定できます。推定手法では、RCTの事後データ収集と同様に、交絡因子に関する情報を用いて各群間の「バランス」をとります。詳細については、 What If が因果仮定と推定量についてより深く学ぶための優れた無料リソースです (Hernán & Robins, 2020)。
JMPで観測データから因果効果を推定するには、新しい「因果処理」パーソナリティを使用します。綿密な因果分析を行うためのワークフローは以下のとおりです。
Figure 1. An example DAG from Dong et al. (2025).図1. Dongら(2025)によるDAGの例。
1. データ生成プロセスを表す有向非巡回グラフ (DAG) を描画します。
DAGには方向矢印があり、どの変数が原因であり、どの変数が結果であるかを示します。DAGは非巡回的であるため、矢印をたどって経路を辿ると、開始時の変数に戻ることはありません。DAGを描くことで、変数を分類し、交絡因子を特定するのに役立ちます。.
2. 3 つの仮定が満たされているかどうかを検討します。
治療群に現れない共変量プロファイルはありますか？治療を適切に定義していますか？測定されていない交絡因子を認識していますか？
3. 見積もりを選択します。
因果処理パーソナリティは、処理変数のタイプとユーザーが指定するモデルに応じて、因果効果を推定するさまざまな方法を提供します。
4. 結果を解釈します。
3 つの因果的仮定が満たされている場合、平均治療効果は、人口全体が 1 つの介入を受けた場合と別の介入を受けた場合の結果の平均差として解釈できます。
JMPには、「モデルの当てはめ」の「因果処理」手法に加え、構造方程式モデルやXGBoostといった因果効果の推定に使用できるプラットフォームも搭載されています（Dong et al., 2025）。「因果処理」手法は、経験レベルを問わず、データから因果効果を推定するための手軽な出発点となります。最も一般的で堅牢な因果推定値のいくつかを直接出力し、因果仮定を評価するための視覚化機能も提供します。
このブログは、JMP でのインターンシップ中にこの作業に貢献してくれた Safiya Sirota ( @safiya_jmp ) との共同執筆です。
参考文献
Dong M, Castro-Schilo L, Wolfinger R (2025).構造方程式モデル、傾向スコアリング、機械学習を用いたJMP Proにおける観測データの因果推論 [原稿準備中]
Hernán MA, Robins JM (2020).因果推論：もしも…ボカラトン: Chapman & Hall/CRC
