この記事では「統計的因果探索」について、その意味・目的や一般的な因果推論との違い、因果探索が必要とされるケースや具体的な実施例を、具体例をもとに解説します。
<目次>
統計的因果探索とは何か
前提となる「因果推論」の枠組み
ある要因Xを変化させることによって、他の要因Yも変化する、という関係性は「因果関係」と呼ばれますが、「因果探索 (causal discovery)」は、データを用いた統計分析によってこの因果関係を明らかにする「統計的因果推論 (statistical causal inference)」（以下、因果推論）の技術一つです。
因果探索が必要とされる理由を理解するためには、なぜ「因果推論」が必要なのかを理解する必要があります。物事の因果関係を正しく把握することは、あらゆる実務や科学の領域において極めて重要ですが、要因間の関連が、偶然生じたものや単なる相関関係ではなく、「確かに因果関係である」ことを示すことは簡単ではありません。
例えば、「ビニール傘の販売額」と「スリップ事故の発生件数」という2つの要因の間には一定の相関関係があり、実際のデータを分析すれば強い相関係数が得られると考えられます。しかし、この2つは「雨が降る」という共通の要因によって別々に引き起こされており、両者の間に「因果関係」が存在しないことは容易に理解することができます。
このように、実際には因果関係が存在しないにも関わらず、因果関係があるように見える関係性のことを「疑似相関（見かけ上の相関）」と呼びます。
では、別の例として、ある教育NPOが地域の学校と協力し、生徒に対して学力向上のための教育プログラムを導入するケースを考えます。教育プログラムの対象となったある生徒（Aさん）のその年の定期テストの点数が上昇したとき、教育プログラムと学力の間には因果関係があったと言えるでしょうか？
このようなより複雑なケースにおいて、「（他の要因による影響ではなく）要因Xを変化させることによって、要因Yが変化する」ということを、実際のデータを用いて示していくための理論と手法を提供する枠組みが「因果推論」です。
「因果探索」の目的と特徴
因果推論の一つである「因果探索」は、データを用いた分析によって因果関係を明らかにすることを目的とする点では、他の因果推論の手法と同じです。その上で、因果探索には、主に2つの点で他の一般的な因果推論とは異なる特徴があります。
①必要な前提条件の大幅な緩和
要因間の因果関係における方向性や順序を「因果構造」と呼びますが、一般的な因果推論では、この因果構造を既知とした上で、どのような条件の下でデータから因果効果の有無や大きさやを特定できるかを明らかにします。その一方で、因果探索では、因果構造を未知とした上で、どのような条件下でデータをもとに因果構造を推測できるかを明らかにします。
この違いは、両者が必要とする前提条件の違いに反映されます。先の教育NPOの例を用いると、因果推論では、教育プログラムとその他の要因が「原因」で、生徒の学力が「結果」という因果の順序・方向性が既知であることを前提として、その因果効果を推定するために必要な条件を明らかにします。
一方、因果探索では、教育プログラムや生徒の学力、学校の教育水準、地域の所得水準といった多様な要因間の因果の順序や方向性が分からない状態や、関係する要因のデータが全ては観測されていない状態でも、因果の順序・方向やその大きさを推定することを可能にします。
金本(2024)を参考に、Intelligence In Society作成
②グラディカルモデルによる構造の視覚化
因果探索のもう一つの特徴は、グラフィカルモデルを用いた因果関係の視覚化です。グラフィカルモデルとは、複雑な確率変数間の関係を視覚的に表したモデルのことを指します。
数式・数値による表現が中心の一般的な因果推論とは異なり、因果探索では、因果構造をグラフィカルモデルによって図として表現することで、多様な要因間の複雑な因果関係を視覚的に理解することが可能です。この点は、推定の結果を因果分析の専門家ではない関係者に対して説明し、内容について理解を得る上でも大きな利点となります。
因果探索における視覚化には、特に有向非巡回グラフ (DAG: Directed Acyclic Graph) と呼ばれる枠組みが用いられます。DAGは、方向を持つ（＝有向）矢印で構成された、ループしない（＝非巡回）ダイアグラムです。DAGでは、矢印の有無が因果関係の有無を表し、矢印の始点が原因の変数、終点が結果の変数となります（下図）。
このDAGを用いて確率変数間の依存関係を表したものは、特にベイジアンネットワークと呼ばれます。
作成：Intelligence In Society
なぜ因果探索が必要なのか
因果探索と予測モデルの違い
近年、ディープラーニングをはじめとする機械学習モデルによって、ツールを使うことで高精度な未来の予測を簡単に行うことができるようになってきています。一方、因果探索も機械学習を用いた技術ですが、両者の違いは以下のように整理できます。
ディープラーニングに代表される一般的な機械学習モデルが、あくまで「結果の予測」を行うためのモデルであるのに対し、因果探索は「因果の方向や因果効果の大きさの予測」を行うものです。因果探索では、単なる相関関係と真の因果関係が区別されるのに対し、予測モデルではこの2つを厳密に区別しません。
そのため、予測モデルは「ビニール傘の販売額」をもとに「スリップ事故の発生件数」を高い精度で予測することはできますが、「スリップ事故の発生件数を減らすためにどうすれば良いのか」という問いには答えてくれません。そして、この問いへの答えを見つけることが、因果探索（因果推論）が必要となる最も重要な理由です。
因果探索が必要とされるケース
因果推論に様々な手法が存在する中で、特に因果探索が必要とされるケースには以下のようなものが挙げられます。
①因果関係に関する仮説の確認
1つ目は、ある結果に対して特定の要因が原因となっているか、なっている場合それはどの程度かを確認したいが、ランダム化比較試験（RCT）やその他の因果推論を行うために有効な手段が採用できないケースです。
先の教育プログラムの例では、プログラムの対象となる学校や生徒をランダムに選びRCTを行うことが可能ですが、一方で「スリップ事故の発生件数」の原因となっている要因を特定するためにRCTを行うことは、技術的にも倫理的にも難しいでしょう。
このようなケースにおいて、ランダム化を行わず、入手可能なデータをもとに因果関係の推定を行う方法として、因果探索が有効な選択肢となります。ただし、因果探索を行う際には、RCTでは必要とされない別の仮定を置く必要があるため、完全にRCTを代替するものではない点は留意が必要です。
②要因間の関係性の解明
2つ目は、ある結果に対して多くの要因が複雑に関係しており、因果関係の方向性について仮説を立てること自体が容易ではないケースです。例えば大規模な製造プラントで不良が発生した場合に、因果探索を用いることで、不良発生に至るまでの個々の要因間の因果の有無や方向性をデータをもとに推定することが可能となります。
国内においても、上述のベイジアンネットワークを用いて製造プロセス内の各因子間の関係を「条件付き確率」として表現し、不良時における個々の因子の値の変化などを現場担当者と対話することで、不良の根本原因を特定するといった取り組みが実際に行われています（河本 2022）。
また、同様の目的による因果探索の活用は、ネットワークシステム上で発生する障害の分析や、特定の疾病に関する研究においても実証されており、アルツハイマー病の診断に関係する因子の分析では、因果探索による推定が既知の因果構造を高い確率で再現できることが確認されています (Shen 2020)。
因果探索の実施例
以下は、因果探索の代表的な手法の一つであるDirect LiNGAMを用いた因果探索の実施例です。ここでは、機械学習ライブラリscikit-learnの糖尿病（Diabetes）データセットを用いて、年齢 (age) 、性別 (sex)、肥満度 (bmi)、bp (平均血圧)、s1～s6 (血清測定値1～6) の10個の特徴量を説明変数、1年後の疾患進行状況を目的変数 (target) として、因果関係の推定を行っています1。
推定の結果、以下のように目的変数であるtargetを最下流とした因果構造が、因果の向きを示す矢印と、因果の重み（直接効果）を表す数値によって表現されています。
作成：Intelligence In Society
また、以下の表は、ブートストラップ法による100回の復元抽出によって作成した再標本に対して、同じ方法で因果関係の推定を行った結果を要約したものです。effectとprobabilityはそれぞれ、fromの変数からtoの変数への因果の矢印の重みの平均値と、その矢印が100回の推定の内で観測された割合を表しています。
作成：Intelligence In Society
ここでは、性別 (sex) や年齢 (age) がtargetに対して最も高いprobabilityを示しており、因果関係が存在する可能性があることを示唆しています。ただし、全体的にどの説明変数もtargetに対するprobabilityは低めであり、因果関係の特定には他の因果推論手法の併用などより多面的な分析が必要であることが分かります。
ここまで、「統計的因果探索」について、その意味・目的や一般的な因果推論との違い、因果探索が必要とされるケースや具体的な実施例を解説しました。
当記事に関連するトピックについての詳細は、以下のページをご覧ください。
また、因果推論・機械学習に関する全ての記事は以下のページからご覧いただけます。
注記：
1. ここでの分析事例は、因果探索の実施イメージを示すことを目的としたものであり、分析内容に関する妥当性や信頼性を保証するものではありません。
参考文献：
◦Shen, X., Ma, S., Vemuri, P. et al. (2020) “Challenges and Opportunities with Causal Discovery Algorithms: Application to Alzheimer’s Pathophysiology.” Sci Rep 10, 2975
◦S. Shimizu, T. Inazumi, Y. Sogawa, A. Hyvärinen, Y. Kawahara, T. Washio, P. O. Hoyer and K. Bollen. (2011) “DirectLiNGAM: A direct method for learning a linear non-Gaussian structural equation model.” Journal of Machine Learning Research, 12(Apr): 1225–1248
◦LiNGAM “Tutorial – DirectLiNGAM” https://lingam.readthedocs.io/en/latest/tutorial/lingam.html (2026年7月22日最終閲覧）
◦清水昌平 (2017)『統計的因果探索』, 講談社
◦鈴木譲 (2025)『グラフィカルモデルと因果探索 100問 with R』, 共立出版
◦河本薫 (2022)『データ分析・AIを実務に活かすデータドリブン思考』, ダイヤモンド社
◦金本拓 (2024) 『因果推論ー基礎から機械学習・時系列解析・因果探索を用いた意思決定のアプローチー』, オーム社
