因果分析とは、ある要因が結果を実際に動かしているのかどうかを、データを使って確かめる取り組みです。売上が伸びた、離職率が下がったという変化を前にしたとき、その変化が施策によるものなのか、それとも季節や景気といった別の事情によるものなのかを切り分けるために使います。
この記事では、因果分析の定義と、混同されやすい「要因分析」「因果推論」との違いを整理したうえで、相関関係と因果関係を取り違える典型的な原因、因果関係を確かめる手順、主な手法とその前提条件までを解説します。手法の名前よりその手法が成り立つために何を仮定しているかを押さえると、実務での手法選びで迷わなくなります。
まとめ：因果分析の要点
- 因果分析とは、原因と結果の結びつきをデータで確かめる取り組みであり、データの傾向を記述する相関分析とは目的が異なります。
- 相関があっても因果とは限りません。交絡、逆の因果、選択バイアスの3つを潰せるかどうかが分かれ目になります。
- 手法に万能なものはなく、ランダム化比較試験、差分の差分法、回帰不連続デザイン、操作変数法、傾向スコアはそれぞれ別の前提条件のうえに成り立っています。
- 日本の品質管理の規格では「要因」と「原因」は別の用語として定義されており、QC分野の要因分析と統計的因果推論は系統の異なる考え方です。
- 統計的に有意であることと、因果関係が証明されたことは同じではありません。
因果分析の定義と、混同されやすい3つの言葉
因果分析の定義と相関分析との役割の違い
因果関係とは、一方を変えたときにもう一方が変わる関係を指します。因果分析は、原因にあたる変数（介入や施策）が、結果にあたる変数（売上や継続率）をどれだけ動かしたのかを推定する分析です。中心にあるのは「もしその施策を打たなかったら、結果はどうなっていたか」という問いです。実際には観測できないこの状態を、比較対象となる集団やデータから推定して、実際の結果との差を効果とみなします。
これに対して相関分析は、2つの変数が一緒に動く度合いを測るものです。相関は因果を探す出発点にはなりますが、それ自体は向きも仕組みも語りません。両者は対立する手法ではなく、役割が違うと理解するのが正確です。
要因分析・原因分析との違いと品質管理規格での用語定義
日本語の実務では「因果分析」と「要因分析」がほぼ同義に使われがちですが、品質管理の分野では両者は別の系統に属します。日本品質管理学会の規格JSQC-Std 00-001:2023（品質管理用語）は、「要因」を「ある現象を引き起こす可能性のあるもの、結果に影響を及ぼすと思われるもの」、「原因」を「要因のうち、ある現象を引き起こしていると特定されたもの」と定めています。日本産業規格のJIS Q 9024（マネジメントシステムのパフォーマンス改善－改善の手順及び技法の指針。2026年2月改正）も同じ区別を採っています。
つまり要因は候補であり、原因はそのなかから真因として絞り込まれたものを指します。JIS Q 9024の改善手順でも、特性要因図や連関図で要因の仮説を立て、そのうえで散布図や相関分析、多変量解析によって仮説を検証する、という順序が示されています。現場の要因分析は「候補を洗い出して真の原因に絞り込む」流れが中心であり、統計的因果推論は「効果の大きさを推定する」ことに重心があります。目的が違うため、どちらが優れているという話ではありません。要因の洗い出し側の代表的な手順はなぜなぜ分析とは？5回のなぜで真因に迫る手順・事例・現場での進め方を解説で扱っています。
なお英語との対応は規格によって異なります。JIS Q 9024の2003年版は要因にcause、原因にroot causeを併記していましたが、JSQC-Std 00-001:2023は要因にfactor（potential cause）、原因にcause、根本原因にroot causeを当てています。英語表記を対応表として流用しないほうが安全です。
因果推論および統計的因果推論との関係
因果推論は、観察されたデータから因果関係を導くための理論的な枠組みを指す言葉で、統計的因果推論とも呼ばれます。因果分析はその枠組みを実際のデータに当てはめる作業全体を指す、より広い言い方だと考えると整理しやすくなります。実務では厳密に区別せず使われることも多く、文脈で読み取る必要があります。
相関関係と因果関係の違いを生む3つの落とし穴
交絡：第三の変数が両方を動かす場合
アイスクリームの売上と水の事故の件数には正の相関が現れますが、どちらかがもう一方を起こしているわけではありません。気温という第三の変数が両方を押し上げているためです。このように、原因と結果の双方に影響する変数を交絡因子と呼び、これを取り除けないまま出した数字は効果の推定として使えません。
逆の因果：原因と結果が入れ替わっている場合
「広告を多く出している企業ほど売上が大きい」という関係は、広告が売上を生んだ結果かもしれませんが、売上が大きい企業ほど広告予算を確保できるという逆向きの説明も同じくらい成り立ちます。どちらが先に起きたのかという時間の前後関係を確認しないと、効果を過大に見積もることになります。
選択バイアスと偶然の一致
施策の対象者を自発的な応募で集めた場合、もともと意欲の高い人が集まるため、施策を打たなくても良い結果が出たはずの集団と比較していることになります。比較する2つの集団が施策以外の点でそろっていないと、差は施策の効果とは呼べません。また、大量の変数を総当たりで突き合わせれば、意味のない相関はいくらでも見つかります。分析を始める前に検証したい仮説を決めておくことが、この種の誤りを避ける実務的な歯止めになります。
因果関係を確かめる5つの手順
- 問いを介入の形に書き直します（「何が売上に効くか」ではなく「この施策を打った場合と打たなかった場合で、売上はどれだけ違うか」）。
- 施策を受けていない集団のうち、受けた集団と条件がそろっているものを比較対象に選びます。
- 原因側と結果側の両方に影響しそうな変数を、業務知識をもとに交絡因子として列挙します。
- データの取得条件に合う手法を選びます。実験ができるのか、制度変更などの外的な区切りが使えるのか、観察データしかないのかで選択肢が変わります。
- 選んだ手法が置いている仮定を明示し、成り立たない可能性がある場合はその範囲で結論を弱めます。
因果分析の主な手法と使い分けの判断軸
手法の違いは、交絡をどう処理するかという方針の違いです。次の表は、代表的な手法と、それぞれが成り立つために必要な前提を整理したものです。
| 手法 | 使える場面 | 成立に必要な前提 | 主な弱点 |
|---|---|---|---|
| ランダム化比較試験（RCT） | 無作為に割り付けられる | 割り付けが潜在的結果と独立 | 費用・時間・倫理面の制約、脱落と不遵守 |
| 差分の差分法（DID） | 一部にだけ制度変更が及ぶ | 平行トレンド | 同時期の別の変化に弱い |
| 回帰不連続デザイン（RDD） | 基準値で扱いが切り替わる | 基準値前後の連続性と操作不能性 | 基準値付近にしか一般化できない |
| 操作変数法（IV） | 原因側だけを動かす変数がある | 原因側と強く関連し結果には直接影響しない | 弱相関で不安定、効果はLATEに限定 |
| 傾向スコアによる調整 | 観察データで両群の性質が違う | 観測変数で交絡が説明でき、両群が重なる | 観測されない交絡に無力 |
ランダム化比較試験が持つ優位性
対象を無作為に2群へ割り付けると、観測できる変数だけでなく観測できない変数についても、平均的には両群がそろいます。交絡を設計段階で消せるという点で、RCTは因果分析の基準となる方法です。ウェブサービスのA/Bテストは、このRCTを事業の現場に持ち込んだ形にあたります。
RCTが使えない場合の準実験的な手法
制度変更や価格改定のように、実験ではないものの一部の集団にだけ変化が及ぶ出来事は、比較の材料として使えます。差分の差分法、回帰不連続デザイン、操作変数法はいずれもこの発想に立つ手法です。こうした自然実験による因果関係の推定は、経済学の分野で方法論として確立してきた経緯があります。2021年のノーベル経済学賞は、半分がデービッド・カード氏に「労働経済学への実証的な貢献」に対して、残り半分がジョシュア・アングリスト氏とグイド・インベンス氏に「因果関係の分析に対する方法論的な貢献」に対して授与されました。
観察データを調整する手法とその限界
手元に観察データしかない場合は、両群の性質の違いを統計的に調整する方針をとります。共変量を説明変数に加える回帰分析や、施策の受けやすさを1つの指標にまとめる傾向スコアがこれにあたります。ただし調整できるのは測定されている変数だけです。観測されない交絡が主要な論点になる場面では、傾向スコアで押し切ってはいけません。それぞれの考え方は重回帰分析とは何か？基本概念と統計手法の概要と傾向スコアとは何か？その概念と基本的な考え方で詳しく扱っています。
因果分析で誤解されやすい2つの論点
ヒルの9項目は基準ではなく視点
因果関係の判定について語られる際、統計学者で疫学の基礎を築いたオースティン・ブラッドフォード・ヒルが1965年に示した9つの項目（関連の強固性、一致性、特異性、時間性、生物学的勾配（量反応関係）、生物学的妥当性、整合性、実験、類似性）が「ヒルの基準」として紹介されることがあります。しかしヒル自身はこれらを判定基準ではなく視点（viewpoints）と呼び、同じ論文（Proceedings of the Royal Society of Medicine, 1965年, 58巻295-300頁）で次のように書いています。
「9つの視点はいずれも、因果仮説を支持するにせよ否定するにせよ、議論の余地のない証拠をもたらすものではなく、また必須条件として要求できるものでもない」（原文は None of my nine viewpoints can bring indisputable evidence for or against the cause-and-effect hypothesis and none can be required as a sine qua non.）
チェックリストとして機械的に当てはめる使い方は、提唱者本人の意図とは異なります。判断を助ける観点の集まりとして扱うのが適切です。
統計的な有意性と因果の証明の違い
有意差が出たという結果は、観測された差が偶然だけで生じたとは考えにくい、という限られた意味しか持ちません。比較する2つの集団が施策以外の点でそろっていなければ、有意であってもその差は交絡の反映かもしれず、因果の証拠にはなりません。検定が答えているのは偶然の可能性についてであって、比較の組み方についてではない、という切り分けで、有意差の報告を過大解釈せずに済みます。検定そのものの読み方は有意差検定とは？有意差・p値の意味と検定の種類・やり方をわかりやすく解説で解説しています。
ビジネスと政策における因果分析の使いどころ
施策の効果測定における位置づけ
広告や販促の効果測定では、出稿した期間の売上が伸びたという事実だけでは、その伸びが出稿によるものかを判断できません。出稿しなかった地域や期間との比較を設計に組み込んで初めて、効果の大きさを議論できます。複数の接点が売上に寄与する場合の配分の考え方はアトリビューション分析の具体的な手法とデータ活用で扱っています。
行政におけるEBPMという潮流
公共政策の分野では、根拠に基づく政策立案が定着しつつあります。内閣府は、EBPM（証拠に基づく政策立案）を「政策の企画をその場限りのエピソードに頼るのではなく、政策目的を明確化したうえで合理的根拠（エビデンス）に基づくものとすること」と説明しています。ここで求められている合理的根拠を作る作業が、まさに因果分析にあたります。企業の投資判断でも、同じ考え方が説明責任の基盤として広がっています。
よくある質問
因果分析と相関分析はどちらを先に行うべきですか？
通常は相関分析が先です。相関の有無で検討すべき変数の見当をつけ、そのうえで因果分析によって向きと大きさを確かめます。ただし相関が弱いからといって因果がないとは限らず、交絡によって相関が打ち消されている場合もあります。
因果関係を証明することはできますか？
データ分析で得られるのは、ある前提条件のもとでの推定であり、数学的な意味での証明ではありません。複数の手法や複数のデータで同じ結論が得られるかを確かめ、確からしさを積み上げていく形になります。
要因分析と因果分析はどう使い分けますか？
不具合やクレームの原因を突き止めたい場合は、要因の候補を洗い出す要因分析が適しています。施策の効果が何円分あったかを示したい場合は、比較対象を置く因果分析が必要です。原因の特定と効果の推定という目的の違いで選びます。
A/Bテストは因果分析といえますか？
無作為な割り付けが実現できていれば、A/Bテストはランダム化比較試験の一形態であり、因果分析として扱えます。ただし割り付けが利用者の属性や時間帯に偏っている場合や、対象者どうしが影響し合う場合には、その前提が崩れます。
データが少ない場合でも因果分析はできますか？
件数が少ないと推定の幅が広がり、効果の有無を判断しにくくなります。結論を無理に出さず、比較対象の設計を優先して、観測期間を延ばすか、既存の複数の研究結果を統合する方法を検討します。統合の手順はメタ分析（メタアナリシス）とは？やり方5ステップと異質性・出版バイアスの判断基準で扱っています。
