Asymptotic emergence of statistically supported false causal interpretation under unmeasured confounding

あなたは、手がかりだけを見ることができる探偵だと想像してください。犯人の姿そのものは見えません。これは、**観測的因果推論（observational causal inference）**という、科学の一分野の世界です。研究者たちは、制御された実験を行う代わりに、現実世界のデータを用いて「何が何を引き起こしているのか」を突き止めようとします。この分野において、「原因」とは、あるドミノが別のドミノ（「結果」）を倒すようなものです。しかし、厄介なルールがあります。単に2つの事象が同時に起きている（「関連している」）からといって、一方が他方を引き起こしたとは限らないのです。時には、隠れた第3の要因――「交絡因子（confounder）」――が、密かに両方を動かしていることがあります。例えば、アイスクリームの売上とサメの襲撃件数はどちらも夏に増加しますが、アイスクリームがサメの襲撃を引き起こすわけではありません。隠れた原因は「暑い天気」なのです。科学者たちは「DAG（有向非巡回グラフ）」と呼ばれる特別な地図を使って、これらのドミノがどのように繋がっているかという理論を描きますが、これらの地図は、自分たちには「見えないもの」に関する大きな仮定に基づいています。

誰もが最も関心を寄せる大きな問いは、**「私たちは、真の原因を見つけたと確信できるのだろうか？」**ということです。データを収集すればするほど、私たちはパターンを見つけるのが上手くなります。「AはBと結びついている」と高い信頼度で言えるようになるでしょう。しかし、それは「AがBを引き起こしている」ことを意味するのでしょうか？ この論文は、恐ろしい可能性を扱っています。もし私たちがパターンを見つけることに習熟しすぎて、間違った答えに対して過剰な自信を持ってしまったらどうなるでしょうか？ もし真の原因が私たちの目に見えない存在だとしたら、たとえ完璧な数学と膨大なデータがあったとしても、私たちは非常に説得力があり、統計的に揺るぎない「間違った容疑者についての物語」を作り上げてしまうかもしれない、ということを示唆しています。

---

見えない操り人形師のケース

あなたの庭にある特定の植物が、なぜあんなに大きく育っているのかを突き止めようとしているとしましょう。あなたは、謎の庭師が密かに土に注いでいる「秘密の特効肥料」（これを X と呼びましょう）が原因ではないかと疑っています。しかし、問題は、Xは目に見えないということです。あなたにはそれを見ることも、測定することも、存在すら知ることもできません。しかし、庭で起きている他のことは観察できます。植物が大きくなるたびに、庭のホースから水が撒かれている（Z）ことに気づきました。実際には、目に見えない肥料（X）が、植物の成長とホースの水撒きの両方を引き起こしているのです（例えば、肥料が土を乾燥させ、その結果として庭師が肥料を混ぜるためにホースを使うなど）。

ここで、あなたはスーパーコンピューターを持つデータサイエンティストだと想像してください。あなたは庭を研究することに決めました。あなたは目に見えない肥料については知らないので、見えるもの（植物の大きさ、水の噴霧）だけを見ます。あなたは10個の植物、次に100個、そして10,000個の植物からデータを集めます。データが増えるにつれ、あなたのコンピューターは、水の噴霧と植物の成長の間のつながりを捉えるのがより巧妙になっていきます。

この論文は、データが増え、あなたの数学が賢くなれば、最終的にあなたは「水が植物を成長させている」ということに100%の確信を持つことになる、と主張しています。あなたの統計テストは、「これは本物の効果だ！偶然ではない！」と叫ぶことでしょう。あなたは「安定した、データ駆動型の」関係を見つけ出したことになります。しかし、ここにひねりがあります。あなたは間違っています。 水が成長を引き起こしたのではなく、目に見えない肥料が原因だったのです。水は、真の原因と共に動いていた単なる「プロキシ（代理指標）」に過ぎませんでした。

「もっと多くのデータ」という罠

著者であるマーク・ルイ・F・ラモス（Mark Louie F. Ramos）は、これがあなたの数学のミスや、「pハッキング（結果を得るために数字を操作すること）」の結果ではないことを示しています。これは、状況そのものが持つ根本的な罠なのです。

これは、幽霊の出る屋敷で幽霊を探そうとするようなものです。あなたは幽霊（真の原因）を見ることはできませんが、カーテンの動きや明かりの点滅（プロキシ）は見ることができます。もしあなたが高速カメラを持って長時間そこに立っていたら、最終的には「カーテンが動くと、明かりが点滅する」ということを絶対的な確信を持って証明することになるでしょう。あなたは、このつながりについて完璧で揺るぎない統計的証明を手に入れます。しかし、もしあなたが「カーテンが明かりを点滅させた原因である」と結論づけたなら、あなたは幽霊を完全に見逃してしまったことになります。

この論文は、もしあなたが（庭で見えるものを増やし、サンプルサイズを増やし続けると）、間違ったもの同士の間にこれらの「完璧な」つながりを見つけることが避けられないことを証明しています。データが増えれば増えるほど、なぜ物事が起きているのかという「間違った理由」に対して、あなたはより強い自信を持ってしまうのです。

なぜこれが重要なのか（そして、何ではないのか）

この論文が何を言おうとしていないのかを理解することが重要です。著者は、科学者が数学に疎いとか、データを恣意的に選んでいると言っているわけではありません。この論文は、これが単なる「タイプIエラー（誤報：運が悪かったり統計が不適切だったりすることによる間違い）」ではないことを明確に否定しています。実際、真の原因は実在し強力であるため、これらの「間違った」結果は、ランダムなノイズよりもむしろ再現されやすいものです。もしあなたが100万個の植物を使って実験をやり直したとしても、同じ「間違った」答えに再び突き当たります。関連性は実在していますが、その「因果関係」こそが嘘なのです。

また、この論文は、これが私たちが使うツール（t検定など）の問題ではないことも明らかにしています。それらのツールは、2つの事物が結びついているかどうかを伝えるには非常に優れています。問題は、私たちが「目に見えないもの」を含む世界の地図をまず合意形成しなければ、それらのツールは機能しないということを忘れてしまう点にあります。もし私たちの地図に「目に見えない肥料」が欠けていれば、ツールは喜んで「ホースの水」がヒーローであると告げ、しかも完璧な自信を持ってそれを行うのです。

まとめ

主な教訓は、「ビッグデータ」がすべての謎を解決してくれると考えている人々にとっては、少し悲しいものです。この論文は、**「より多くのデータは、欠落した原因の問題を解決しない」**ことを示しています。むしろ、間違った答えに対する自信を深めてしまうのです。

著者は、統計分析が「何が何を引き起こすか」という私たちのアイデアを「検証（バリデート）」できると考えて、考えるのをやめるべきだと結論づけています。統計ができるのは、もし私たちが「世界の地図」が正しいと仮定した場合にのみ、その効果の大きさを教えてくれることです。本当の仕事――すなわち、目に見えない原因が何であるかを突き止めること――は、数字を計算する「前」に、計算機ではなく、私たちの脳、理論、そして事前の知識を用いて行われなければならないのです。

ですから、次に「AとBの間に、統計的に有意で揺るぎない関連性を見出した」という研究を読んだときは、あの「見えない操り人形師」のことを思い出してください。データは完璧かもしれませんし、数学は非の打ちどころがないかもしれませんし、自信も最高潮かもしれません。しかし、もし真の原因が影の中に隠れているとしたら、その物語全体が、非常に説得力のある「錯覚」である可能性があるのです。