因果推論

同義語:causal inference

概要

因果推論(causal inference)とは、処置 $X$ を全員に施した場合と施さなかった場合の結果の違い(因果効果)を、観察したデータから求める理論で、効果を潜在結果 $Y(x)$ や構造方程式モデルへの介入で定義する。共変量 $Z$ の各層で $Y(x)$ と $X$ が独立で、各層に処置 $x$ を受けた個体がいれば、$P(Y(x)=y)$ は調整の公式 $\sum_zP(y\mid x,z)P(z)$ に等しい。構造方程式モデルでは、$Z$ が $X$ の子孫を含まず、$X$ に入る辺で始まる $X$ と $Y$ の道をすべて遮断するとき(バックドア基準)、この独立性が成り立つ。疫学や経済学で、調整に使う変数の選び方を与える。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 条件付き確率, 独立性(確率論), 有向非巡回グラフ, 期待値

ある薬を飲んだ人の回復率が $48\%$、飲まなかった人の回復率が $62\%$ だったとする。薬は効かないのだろうか。ところが重症の人ほど薬を飲みやすく、重症の人ほど回復しにくいなら、比べている 2 つの群は最初から違う。重症度ごとに比べると、どちらの層でも薬を飲んだ方が回復率が $10$ ポイント高い(ex-ci-confounding)。「飲んだ人と飲まなかった人の違い」ではなく「全員に飲ませた場合と誰にも飲ませなかった場合の違い」を、観察したデータから求めるのが 因果推論 である。
この記事では、因果効果を 潜在結果 と 構造方程式モデル の 2 つの言葉で定義し、条件付きの無視可能性のもとで因果効果が観察データの 調整の公式 $\sum_zP(y\mid x,z)P(z)$ で表せることを証明する。主定理は、どの変数で調整すればよいかをグラフから判定する Pearl の バックドア基準 である。調整してはいけない変数(中間変数や合流点)の反例も示す。

定義と使える条件

以下、確率変数はすべて有限集合に値をとる。

潜在結果と平均処置効果

処置 $X$(値の集合 $\mathcal X$)と結果 $Y$ について、各 $x\in\mathcal X$ ごとに確率変数 $Y(x)$ が同じ確率空間の上に与えられ、
$$ \text{(一致性)}\qquad X=x\ \text{となる標本点では}\ Y=Y(x) $$
が成り立つとき、$Y(x)$ を処置 $x$ のもとでの 潜在結果 という。$P(Y(x)=y)$ を $P(y\mid\operatorname{do}(x))$ とも書き、$\mathcal X=\{0,1\}$ で $Y$ が実数値のとき $E[Y(1)]-E[Y(0)]$ を 平均処置効果(ATE)という。

各個体について観察できるのは実際に受けた処置の $Y(X)$ だけで、ほかの $Y(x)$ は観察できない。そこで潜在結果と観察できる量を結ぶ仮定が要る。

構造方程式モデルと介入

有限集合 $V$ を頂点とする有向非巡回グラフ $G$ と、各 $j\in V$ について確率変数 $V_j$、関数 $f_j$、確率変数 $U_j$ があり、$(U_j)_{j\in V}$ が独立で
$$ V_j=f_j\bigl((V_k)_{k\in\mathrm{pa}(j)},U_j\bigr)\qquad(j\in V) $$
が成り立つとき、これを 構造方程式モデル(Markov 的なもの)という。$\mathrm{pa}(j)$ は $j$ の親($k\to j$ となる $k$)の集合である。$X\in V$ と $x$ について、$X$ の式だけを定数 $X=x$ に置き換え、ほかの式と同じ $U$ を使って上から順に決めた値を $V_j(x)$ と書き、この操作を 介入 $\operatorname{do}(X=x)$ という。$Y\in V$ について $Y(x)$ は潜在結果である(一致性は lem-ci-scm)。

グラフの言葉を定める。$G$ の 道 とは、隣り合う 2 頂点が(向きを問わず)辺で結ばれた相異なる頂点の列である。道の内部の頂点 $m$ で、前後の辺がともに $m$ を向く($\cdot\to m\leftarrow\cdot$)ものを道の上の 合流点 という。$m$ から有向道でたどれる頂点を $m$ の 子孫 という($m$ 自身を含めない)。

遮断と d 分離とバックドア基準

頂点の集合 $S$ が道 $p$ を 遮断する とは、$p$ の内部の頂点 $m$ で、(1) 合流点でなく $m\in S$ であるか、(2) 合流点で $m\notin S$ かつ $m$ の子孫が $S$ に含まれないもの、が 1 つ以上あることをいう。互いに素な頂点の集合 $A,C,S$ について、$A$ の頂点と $C$ の頂点を結ぶどの道も $S$ が遮断するとき、$A$ と $C$ は $S$ で d 分離 されるという。
$X,Y\in V$ と $Z\subset V\setminus\{X,Y\}$ が次の 2 条件を満たすとき、$Z$ は $(X,Y)$ について バックドア基準 を満たすという。

  • (a) $Z$ のどの頂点も $X$ の子孫でない。
  • (b) $X$ と $Y$ を結ぶ道のうち、$X$ に入る辺 $X\leftarrow\cdot$ で始まるもの(裏口の道)をすべて $Z$ が遮断する。

因果効果を観察データから求めるのに使う条件は次のとおりである。

  • (i) 一致性:処置 $x$ を受けた個体の結果は $Y(x)$(定義)。
  • (ii) 条件付きの無視可能性:$Z$ の値ごとに $Y(x)$ と $X$ が独立($Y(x)\perp X\mid Z$)。構造方程式モデルでは、バックドア基準から導かれる(主定理)。
  • (iii) 正値性:$P(Z=z)>0$ となるすべての $z$ で $P(X=x\mid Z=z)>0$。
  • (iv) モデルが正しい:グラフに描かれていない共通の原因はない($U_j$ が独立)。観測しない変数もグラフの頂点として描き、$Z$ には観測した変数だけを使う。

公式の表

量公式条件根拠
調整の公式$P(Y(x)=y)=\sum_zP(y\mid x,z)P(z)$(i)–(iii)thm-ci-adjust
逆確率重み付け$E[Y(x)]=E\Bigl[\dfrac{\mathbf 1_{\{X=x\}}Y}{e_x(Z)}\Bigr]$、$e_x(z)=P(X=x\mid Z=z)$(i)–(iii)、$Y$ は実数値thm-ci-adjust
ランダム化した実験$E[Y(1)]-E[Y(0)]=E[Y\mid X=1]-E[Y\mid X=0]$(i)、$X$ が $(Y(0),Y(1))$ と独立、$0< P(X=1)< 1$thm-ci-adjust で $Z$ を定数に
バックドア調整調整の公式構造方程式モデル、$Z$ はバックドア基準、(iii)thm-ci-backdoor
親による調整$P(Y(x)=y)=\sum_tP(y\mid x,t)P(t)$、$T=(V_k)_{k\in\mathrm{pa}(X)}$構造方程式モデル、(iii)cor-ci-parents
切断した積$P(v\mid\operatorname{do}(x))=\prod_{j\ne X}P(v_j\mid\mathrm{pa}_j)\big\vert_{X=x}$構造方程式モデルこの記事では証明しない(Pea09 Corollary 1、p. 111)

主定理と証明

無視可能性と調整の公式

$Y(x)$ が一致性を満たす潜在結果で、有限集合に値をとる $Z$ について $Y(x)\perp X\mid Z$ と正値性 (iii) が成り立つとする。このとき
$$ P(Y(x)=y)=\sum_{z:\,P(Z=z)>0}P(Y=y\mid X=x,Z=z)\,P(Z=z) $$
である。$Y$ が実数値なら $E[Y(x)]=E\bigl[\mathbf 1_{\{X=x\}}Y/e_x(Z)\bigr]$ でもある。

$P(Z=z)>0$ となる $z$ について、全確率の公式から $P(Y(x)=y)=\sum_zP(Y(x)=y\mid Z=z)P(Z=z)$ である。正値性から $P(X=x,Z=z)>0$ で、条件付き独立性 $P(Y(x)=y,X=x\mid Z=z)=P(Y(x)=y\mid Z=z)P(X=x\mid Z=z)$ を $P(X=x\mid Z=z)$ で割ると $P(Y(x)=y\mid Z=z)=P(Y(x)=y\mid X=x,Z=z)$ を得る。事象 $\{X=x\}$ の上では一致性により $Y(x)=Y$ なので、これは $P(Y=y\mid X=x,Z=z)$ に等しい。
逆確率重み付けの式:一致性から $\mathbf 1_{\{X=x\}}Y=\mathbf 1_{\{X=x\}}Y(x)$ で、条件付き独立性から $E[\mathbf 1_{\{X=x\}}Y(x)\mathbf 1_{\{Z=z\}}]=\sum_yy\,P(Y(x)=y,X=x,Z=z)=e_x(z)\,E[Y(x)\mathbf 1_{\{Z=z\}}]$。両辺を $e_x(z)$ で割って $z$ について足すと $E[\mathbf 1_{\{X=x\}}Y/e_x(Z)]=\sum_zE[Y(x)\mathbf 1_{\{Z=z\}}]=E[Y(x)]$。$\square$

構造方程式モデルでは、無視可能性をグラフから判定できる。まずモデルの基本の性質を確かめる。$X$ とその子孫の集合を $D$、$D':=D\setminus\{X\}$、$N:=V\setminus D$ とする。$N$ の頂点の親はまた $N$ に属する(親が $D$ にあれば子も $D$ にある)。$N$ の頂点 $b$ で、$b$ から $Y$ への有向道(長さ $0$ も許す)であって $b$ 以外の頂点がすべて $D'$ にあるものがあるような $b$ の集合を $B$ とする。

構造方程式モデルの介入の性質
  1. $j\in N$ なら $V_j(x)=V_j$。(2) 事象 $\{X=x\}$ の上ではすべての $j$ で $V_j(x)=V_j$(一致性)。(3) ある関数 $h$ で $Y(x)=h\bigl((V_b)_{b\in B},(U_j)_{j\in D'}\bigr)$ と書ける。
証明を開く

有向非巡回グラフ の定理「有向非巡回グラフの言い換え」により、すべての辺が前から後ろへ向くように頂点を並べられる。(1)(2) はこの順の帰納法による。(1) $j\in N$ は $X$ でなく、親も $N$ にあるので $V_j(x)=f_j((V_k(x))_{k\in\mathrm{pa}(j)},U_j)=f_j((V_k)_{k\in\mathrm{pa}(j)},U_j)=V_j$。(2) $X=x$ の上で $V_X(x)=x=X$、$j\ne X$ なら式は同じで親の値が等しいので $V_j(x)=V_j$。(3) $Y\in N$ なら $B=\{Y\}$ で (1) から $Y(x)=Y$。$Y\in D'$ のとき、$Y$ の祖先($Y$ を含む)で $D'$ にあるものを順に見ると、その値は、親のうち $D'$ にあるものの値、$X$ の値 $x$、$N$ にある親の値((1) により $V_b$)と $U_j$ で決まる。$D'$ の頂点から $Y$ への有向道は $X$ を通らず(通れば閉路ができる)$D'$ の中にあるので、現れる $N$ の親は $B$ に属する。$\square$

主定理の証明は次の定理に依存する。

d 分離と条件付き独立

構造方程式モデルで、$A,C,S\subset V$ が互いに素で、$A$ と $C$ が $S$ で d 分離されるなら、$(V_a)_{a\in A}$ と $(V_c)_{c\in C}$ は $(V_s)_{s\in S}$ を与えたもとで条件付き独立である。

この記事では証明しない。GVP90 Theorem 1(p. 515)は、条件付き独立性の満たす公理(graphoid の公理、同 p. 511)のもとで、頂点をグラフの順に並べたとき各 $V_j$ が親を与えたもとで前の頂点たちと条件付き独立であることから、d 分離が条件付き独立を導くことを述べる。構造方程式モデルではこの仮定は、$U_j$ が前の頂点の $U$ と独立なことから従う。各変数が有限個の値をとる場合には、グラフに沿って分解する分布で d 分離が条件付き独立を導くことを、Bayesネットワーク の定理「分解と Markov 性の同値」で証明している。

バックドア基準

構造方程式モデルで $Z\subset V\setminus\{X,Y\}$ が $(X,Y)$ についてバックドア基準を満たすとする。このとき $Y(x)\perp X\mid Z$ であり、正値性 (iii) が成り立てば
$$ P(Y(x)=y)=\sum_{z:\,P(Z=z)>0}P(Y=y\mid X=x,Z=z)\,P(Z=z) $$
である。

$N\cup\{X\}$ の部分で d 分離を使う

(a) から $Z\subset N$ である。$G'$ を $G$ の $N\cup\{X\}$ の上の部分グラフとする。$N\cup\{X\}$ は親をとる操作で閉じているので、その頂点の式だけで構造方程式モデルになり、thm-ci-dsep を $G'$ に使える。$X$ の子は $D'$ にあるので、$G'$ では $X$ は子をもたない。
段 1($X$ と $B\setminus Z$ は $Z$ で d 分離される):$b\in B\setminus Z$ と、$G'$ で $X$ と $b$ を結ぶ道 $p$ をとる。$X$ は $G'$ で子をもたないので、$p$ は $X$ に入る辺で始まる。$b$ から $Y$ への有向道 $d$ で $b$ 以外の頂点が $D'$ にあるものをとり、$p$ に $d$ をつないだ列を $p'$ とする。$p$ の頂点は $N\cup\{X\}$ に、$d$ の $b$ 以外の頂点は $D'$ にあるので $p'$ は道で、$X$ に入る辺で始まる裏口の道である($b=Y$ なら $p'=p$)。(b) により、$p'$ の内部のある頂点 $m$ が $p'$ を遮断する。

  • $m$ が $d$ の $b$ 以外の頂点なら、$m\in D'$ なので $m\notin Z$ で、有向道の途中なので合流点でもない。これは遮断しない。
  • $m=b$ なら、$b$ からは $d$ の辺が出ているので $b$ は合流点でなく、遮断するには $b\in Z$ が要るが、$b\notin Z$ である。
  • よって $m$ は $p$ の内部の頂点で、$p$ と $p'$ で前後の頂点は同じだから合流点かどうかも同じである。合流点でなく $m\in Z$ なら $m$ は $p$ を遮断する。合流点で $m\notin Z$ かつ $G$ での子孫が $Z$ に含まれないなら、$G'$ での子孫は $G$ での子孫の一部なので、やはり $m$ は $G'$ で $p$ を遮断する。
    $X\notin Z$、$X\notin B$ なので、$\{X\}$、$B\setminus Z$、$Z$ は互いに素で、thm-ci-dsep により $X$ と $(V_b)_{b\in B\setminus Z}$ は $Z$ を与えたもとで条件付き独立である。$B\cap Z$ の成分は $Z$ の値で決まるので、$X$ と $V_B:=(V_b)_{b\in B}$ も $Z$ を与えたもとで条件付き独立である。

段 2(無視可能性):$X$、$V_B$、$Z$ は $(U_j)_{j\in N\cup\{X\}}$ の関数で、$U_{D'}:=(U_j)_{j\in D'}$ はこれと独立である。lem-ci-scm の (3) の $h$ を使うと、$P(Z=z)>0$ と任意の $x'$ について
$$ P(Y(x)=y,X=x',Z=z)=\sum_\beta P(X=x',V_B=\beta,Z=z)\,P\bigl(h(\beta,U_{D'})=y\bigr) $$
で、段 1 から $P(X=x',V_B=\beta,Z=z)=P(X=x'\mid Z=z)P(V_B=\beta,Z=z)$ だから、右辺は $P(X=x'\mid Z=z)\sum_\beta P(V_B=\beta,Z=z)P(h(\beta,U_{D'})=y)=P(X=x'\mid Z=z)P(Y(x)=y,Z=z)$ に等しい。これは $Y(x)\perp X\mid Z$ である。
段 3:lem-ci-scm の (2) から一致性が成り立つので、thm-ci-adjust により調整の公式を得る。$\square$

$Y$ が $X$ の親でなければ、$X$ の親の全体はいつもバックドア基準を満たす(親は $X$ の子孫でなく、裏口の道の最初の内部の頂点は合流点でない親である)。この場合は d 分離の定理を使わずに示せる。

親による調整

構造方程式モデルで $T:=(V_k)_{k\in\mathrm{pa}(X)}$ とすると $Y(x)\perp X\mid T$ で、正値性が成り立てば $P(Y(x)=y)=\sum_tP(Y=y\mid X=x,T=t)P(T=t)$ である。

$X=f_X(T,U_X)$ で、$T$ と $V_B$ は $(U_j)_{j\in N}$ の関数、$Y(x)=h(V_B,U_{D'})$ は $(U_j)_{j\in N\cup D'}$ の関数であり、これらは $U_X$ と独立である。よって
$$ P(Y(x)=y,X=x',T=t)=P(Y(x)=y,T=t,f_X(t,U_X)=x')=P(Y(x)=y,T=t)\,P(f_X(t,U_X)=x') $$
で、$y$ について足すと $P(X=x',T=t)=P(T=t)P(f_X(t,U_X)=x')$。両式から $P(Y(x)=y,X=x'\mid T=t)=P(Y(x)=y\mid T=t)P(X=x'\mid T=t)$ である。あとは thm-ci-adjust による。$\square$

計算の手順

  1. グラフを描く:処置 $X$、結果 $Y$ と、両者に関わる変数(観測しないものも)を頂点にし、原因から結果へ辺を引く。
  2. 候補を選ぶ:$X$ の子孫を除いた観測変数から $Z$ を選ぶ(条件 (a))。
  3. 裏口の道を調べる:$X$ に入る辺で始まる $X$ と $Y$ の道をすべて書き出し、$Z$ が遮断するかを def-ci-backdoor で確かめる。合流点を $Z$ に入れると、遮断されていた道が開くことに注意する。
  4. 正値性を確かめる:$Z$ の各層に処置を受けた個体と受けない個体がいるか見る。
  5. 推定する:層ごとの $P(y\mid x,z)$ を $P(z)$ で重み付けて平均する(調整の公式)か、傾向スコア $e_x(z)$ の逆数で重み付ける(逆確率重み付け)。
  6. 差をとる:$E[Y(1)]-E[Y(0)]$ を報告する。基準を満たす $Z$ が複数あれば、どれでも理論上は同じ値になる。

例題

重症度による交絡

重症度 $Z$($1$ が重症)、服薬 $X$、回復 $Y$ が、グラフ $Z\to X$、$Z\to Y$、$X\to Y$ の構造方程式モデルに従い、$P(Z=1)=\frac12$、$P(X=1\mid Z=0)=0.2$、$P(X=1\mid Z=1)=0.8$、回復の確率 $P(Y=1\mid X=x,Z=z)$ が $(x,z)=(0,0),(1,0),(0,1),(1,1)$ で $0.7,0.8,0.3,0.4$ とする。単純な比較と平均処置効果を求める。使う公式:thm-ci-backdoor($Z$ はバックドア基準を満たす)。
答え:単純な比較では $P(Y=1\mid X=1)=0.48$、$P(Y=1\mid X=0)=0.62$ で差は $-0.14$。調整の公式では $P(Y(1)=1)=\frac12(0.8+0.4)=0.6$、$P(Y(0)=1)=\frac12(0.7+0.3)=0.5$ で、平均処置効果は $+0.1$ である。

途中の計算を開く

$P(X=1)=\frac12(0.2+0.8)=\frac12$。ベイズの定理で $P(Z=1\mid X=1)=0.4/0.5=0.8$、$P(Z=1\mid X=0)=0.1/0.5=0.2$。よって $P(Y=1\mid X=1)=0.2\cdot0.8+0.8\cdot0.4=0.48$、$P(Y=1\mid X=0)=0.8\cdot0.7+0.2\cdot0.3=0.62$。服薬した群は重症の人が $80\%$ を占めるので、薬の効果が重症度の差に打ち消される。裏口の道は $X\leftarrow Z\to Y$ だけで、$Z$ は合流点でないので $\{Z\}$ が遮断する。

逆確率重み付け

ex-ci-confounding と同じモデルで、傾向スコア $e_1(z)=P(X=1\mid Z=z)$ による重み付けで $E[Y(1)]$ を求める。使う公式:thm-ci-adjust の逆確率重み付けの式。
答え:重みは軽症で服薬した人に $1/e_1(0)=5$、重症で服薬した人に $1/e_1(1)=1.25$。$E[\mathbf 1_{\{X=1\}}Y/e_1(Z)]=\frac12\cdot0.2\cdot0.8\cdot5+\frac12\cdot0.8\cdot0.4\cdot1.25=0.4+0.2=0.6$ で、調整の公式の値と一致する。服薬した群で少ない軽症の人を重く数え、全員が服薬した集団を作り直している。

どの変数で調整するか

グラフの辺が $Z_1\to X$、$Z_1\to Z_3$、$Z_2\to Z_3$、$Z_2\to Y$、$Z_3\to X$、$Z_3\to Y$、$X\to W$、$W\to Y$ であるとき、$\{Z_1,Z_2,Z_3,W\}$ の部分集合のうちバックドア基準を満たすものを求める。使う公式:def-ci-backdoor。
答え:$\{Z_1,Z_3\}$、$\{Z_2,Z_3\}$、$\{Z_1,Z_2,Z_3\}$ の 3 つである。$\{Z_3\}$ だけでは足りず、$\{Z_1,Z_2\}$ でも足りない。$W$ を含む集合は (a) に反する。

途中の計算を開く

裏口の道は $X\leftarrow Z_1\to Z_3\to Y$、$X\leftarrow Z_1\to Z_3\leftarrow Z_2\to Y$、$X\leftarrow Z_3\to Y$、$X\leftarrow Z_3\leftarrow Z_2\to Y$ の 4 本。3 本目は $Z_3$ を含めないと遮断できない。$Z_3$ を含めると 2 本目では合流点 $Z_3$ が $Z$ に入るので、$Z_1$ か $Z_2$ も要る。$\{Z_1,Z_2\}$ では 3 本目が開いている。$W$ は $X$ の子である。

図: 左は例題 ex-ci-confounding のグラフで、重症度 Z から服薬 X と回復 Y に矢印があり、X から Y に矢印がある。中央は例題 ex-ci-graph のグラフ。右は反例の表の M バイアスのグラフで、観測しない U1 が X と M に、U2 が M と Y に矢印を出し、M は合流点である。 図: 左は例題 ex-ci-confounding のグラフで、重症度 Z から服薬 X と回復 Y に矢印があり、X から Y に矢印がある。中央は例題 ex-ci-graph のグラフ。右は反例の表の M バイアスのグラフで、観測しない U1 が X と M に、U2 が M と Y に矢印を出し、M は合流点である。

使える条件と反例

各行は主定理の仮定を 1 つだけ外す。1〜3 行目では調整の公式の値が真の効果からずれ、4 行目では公式が定義できず、効果が観察から決まらない。

外す条件反例成り立たなくなること
(b) 裏口の道の遮断ex-ci-confounding で $Z=\emptyset$(調整しない)$X\leftarrow Z\to Y$ が開いており、単純な差 $-0.14$ は効果 $+0.1$ と符号まで違う
(b)(合流点を入れて道が開く)M バイアス:$U_1,U_2$ は独立に確率 $\frac12$ で $1$、$P(X=1\mid U_1)=0.2,0.8$、$M=\max(U_1,U_2)$、$P(Y=1\mid X,U_2)=0.2+0.3X+0.4U_2$。$Z=\{M\}$$\emptyset$ は基準を満たし効果は $0.3$ だが、$\{M\}$ では裏口の道 $X\leftarrow U_1\to M\leftarrow U_2\to Y$ が開き、調整の公式の差は $\frac{13}{60}\approx0.21667$
(a) 子孫を含めない$X$ は確率 $\frac12$ で $1$、$W$ は $X$ を確率 $0.1$ で反転したもの、$P(Y=1\mid W)=0.2+0.5W$。$Z=\{W\}$効果は $0.65-0.25=0.4$ だが、$W$ で調整すると両方とも $0.45$ で差は $0$
(iii) 正値性$Z$ は確率 $\frac12$ で $1$、$X=Z$。モデル A は $Y=X$、モデル B は $Y=X+(1-X)Z$観察の分布は同じだが $E[Y(0)]$ は A で $0$、B で $\frac12$。$P(y\mid X=0,Z=1)$ は定義できず、効果は観察から決まらない
反例の確かめを開く

2 行目:$P(X=x,M=m)$ は $(x,m)=(0,0),(0,1),(1,0),(1,1)$ で $\frac15,\frac3{10},\frac1{20},\frac9{20}$(すべて正)。$M$ で調整すると $P(Y(1)=1)$ の推定は $\frac23$、$P(Y(0)=1)$ の推定は $\frac9{20}$ になるが、真の値は $0.2+0.3x+0.4\cdot\frac12$ から $0.7$ と $0.4$。$U_1,U_2$ は独立なので $\emptyset$ のときは裏口の道が合流点 $M$ で遮断され、単純な比較が正しい。3 行目:真の値は $P(Y(x)=1)=E[0.2+0.5W(x)]$ で $x=1$ なら $0.2+0.5\cdot0.9=0.65$、$x=0$ なら $0.25$。$W$ で調整すると $P(Y=1\mid X=x,W=w)=0.2+0.5w$ が $x$ によらず、$\sum_w(0.2+0.5w)P(W=w)=0.45$。4 行目:A でも B でも観察されるのは $(Z,X,Y)=(0,0,0)$ と $(1,1,1)$ が確率 $\frac12$ ずつ。

よくある誤り

誤り正しくはなぜ
相関や単純な比較を因果効果とみなす裏口の道を遮断する変数で調整するex-ci-confounding
観測した変数は全部調整に入れる子孫と、道を開く合流点を除く反例の表の 2・3 行目
$X$ と $Y$ の両方に相関する変数を交絡因子とみなすグラフの裏口の道で判定するM バイアスの $M$ は $X$ とも $Y$ とも相関するが、入れると誤る
ランダム化していない研究で無視可能性を当然とする仮定をグラフで述べ、その正しさを別に検討する無視可能性は観察できない $Y(x)$ についての仮定である
層に処置群しかないのに外挿する正値性を確かめ、なければ対象の集団を絞る反例の表の 4 行目

補足

構造方程式モデル、切断した積の公式、バックドア基準と調整の公式(式 (25))の概観は Pea09 §3(pp. 103–115)、潜在結果での導出(式 (39)・(40))は同 §4.2(pp. 128–129)にある。この記事の主定理の証明は、無視可能性 $Y(x)\perp X\mid Z$ をグラフから導き、潜在結果の議論につないだものである。観測できない交絡のために裏口の道を遮断できないときも、処置から結果への道の途中の変数を使う多段の調整(Pea09 §3.3.2、p. 116)や、線形のモデルでの操作変数(同 §3.5.2、p. 124)で効果が求まる場合がある。
層ごとと全体で関係の向きが逆になる現象は Simpsonのパラドックス として知られ、ex-ci-confounding はその例である。共通の原因が相関を生む仕組みは 相関と因果 でも扱っている。

関連項目

参考文献

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する