Ｐythonにて因果推論① ～２つのフレームワーク（Rubin/反事実とPearl/DAG）～
Ｐythonにて因果推論① ～２つのフレームワーク（Rubin/反事実とPearl/DAG）～
因果推論における2つの主要なフレームワークは、ルービンの因果モデルとパールの因果モデルです。これらは本質的には同じ目的を持っていますが、アプローチの方法が異なります。
ルービンの因果モデルは、潜在的な結果の枠組み（Potential
Outcomes Framework）とも呼ばれ、個々の事例に対する処置の有無による潜在的な結果を考慮します。このモデルでは、各個体が処置を受けた場合と受けなかった場合の両方の潜在的な結果を持っていると考え、観測されない反事実（counterfactual）を推定することで因果効果を評価します。
この反事実とは、「もし〜だったら」という仮定の状況を指します。例えば、ある薬を飲んだ人が早く回復した場合、その人が薬を飲まなかったらどうなっていたかを考えることが反事実の推論です。しかし、実際にはその人は薬を飲んでいるので、飲まなかった状況は観測できません。これが反事実の問題点です。つまり、反事実とは、「実際には起こらなかったが、起こり得たかもしれない状況」のことです。しかし、反事実の問題は、薬を飲んだ個人が、もし、飲まなかったらどうなっていたかはわかりませんが、薬を飲んだ集団なら、ほぼ同じ集団が、もし、飲まなかったらどうなっていたかを推定することは可能です。
反事実の問題を解決するためには、ランダム化比較試験（Randomized
Controlled Trials, RCT）や統計的マッチングなどの手法が用いられます。これらの手法は、観測データから因果関係を推定する際に、反事実を推定するのに役立ちます。
ランダム化比較試験（RCT）: RCTは、被験者を無作為に処置群と対照群に割り当てることで、処置の効果を正確に測定します。ランダム化により、処置を受けるかどうかが他の要因と独立して決まるため、処置の真の効果を推定することができます。RCTは、医学研究でよく使用される手法です。
統計的マッチング: 統計的マッチングは、RCTを行うことができない場合に用いられる手法です。似たような特徴を持つ個体をグループ化し、処置を受けた群と受けなかった群を比較することで、反事実を推定します。この方法は、観測データから因果関係を推定する際に有用です。つまり、ルービンの因果推論は、「特定の変数を変えたとき（介入を行ったとき）の効果の大きさ」を推定するためのフレームワークです。これは、処置の効果を個々の事例に適用することで、処置が結果に与える影響を推定します。ルービンのモデルは、特に介入の効果を正確に測定したい場合に有効です。
一方で、パールの因果モデルは、グラフ理論に基づいたアプローチを取り、有向非巡回グラフ（DAG：Directed Acyclic Graph）を使用して因果関係を視覚化します。このモデルでは、変数間の因果関係を明示し、条件付き独立性の概念を用いて因果効果を推定します。
パールの因果モデルは、DAGを使用して、変数間の因果関係を図示します。DAGは、変数間の因果関係を矢印で表したグラフで、循環しない方向性を持っています。例えば、喫煙が肺がんに影響を与えるという関係をDAGで表すと、喫煙から肺がんへと矢印が伸びます。
パールの因果推論では、「因果の方向の推定」や「因果探索」に焦点を当てています。これは、変数間の因果関係を明らかにし、どのような因果構造がデータに存在するかを探ることを目的としています。これにより、データに隠された因果構造を発見し、新たな因果関係を提案することが可能になります。つまり、パールの因果推論は、「どの変数がどの変数に影響しているか」を明らかにするためのフレームワークです。これは、変数間の関係をグラフとして表現し、因果関係の方向性や強度を推定することにより、変数間の相互作用を理解するのに役立ちます。パールのモデルは、特に複雑な因果構造を持つデータセットにおいて、因果関係の探索に有効です。
これらの点を踏まえると、ルービンのモデルは因果効果の精密な推定に、パールのモデルは因果関係の探索と理解に、それぞれ強みを持っています。因果推論を行う際には、これらの違いを理解し、研究の目的や利用可能なデータに応じて適切なフレームワークを選択することが重要です。
因果推論の2つのフレームワークは、それぞれ異なる視点から因果関係を捉えることで、データからより深い洞察を得るための強力なツールとなっています。どちらのフレームワークも、観測データから因果関係を推定する際に重要な役割を果たしています。因果推論の分野では、これらのモデルを適切に理解し、適用することが重要です。特に、どのような研究設計やデータが利用可能かによって、最も適したモデルを選択する必要があります。また、これらのモデルの違いを理解することは、因果推論の結果を解釈する上で不可欠です。因果推論の手法や理論についての詳細は、専門的な文献や論文でさらに深く学ぶことができます。
これらの概念は、統計学やデータサイエンスの分野で非常に重要であり、実際の問題解決に応用されています。どうぞ、因果推論の世界を探求してみてください。