「平均ゼロ」の罠：施策効果の「地形図」を読み解く因果推論の最前線

本記事は、因果推論の高度な概念である「効果の異質性」に焦点を当て、単なる平均的な効果（ATE）だけでは施策の真の価値を捉えきれないという問題を提起しています。従来のランダム化比較試験（RCT）で得られる推定平均処置効果（ATE）がゼロであっても、それは「誰にも効果がない」ことを意味しません。実際、ある施策が特定の属性を持つ層（例：若年層）には大きなプラス効果をもたらし、別の層（例：高齢層）にはマイナス効果をもたらし、それらが互いに打ち消し合って平均がゼロになる「反転の地形」が存在する可能性があるからです。

筆者は、この「効果の地形図」を指す概念としてCATE（条件付き平均処置効果）を定義し、これを推定する際の二つの大きな罠を警告しています。一つ目は、データを見てから「効いて見える部分群」を後から切り出す「サブグループ解析の罠」であり、これは多重検定の問題を引き起こし、真の効果がゼロでも偽陽性（偶然の有意差）が膨らむ危険性があります。二つ目は、平均値がゼロであっても、施策を「全員に配る」という判断が誤りであるという点です。

これらの罠を回避し、地形を頑健に読み取るための手法として、事前に共変量（例：年齢）に基づいて群を限定する「GATE（群別平均処置効果）」の重要性を解説しています。合成データを用いたシミュレーションでは、年齢5分位という事前に決めた群分けを用いることで、ATEがゼロであっても、若い群では高い正の効果、高齢の群では負の逆効果という、反転した効果の地形を正確に読み取ることが可能であることを示しました。今後は、このGATEの概念を機械学習（ML）と組み合わせ、CATEを関数として推定する高度なフェーズへと進むことが予告されています。

---

背景

因果推論は、ある介入（処置）が結果に与える因果関係を統計的に推定する手法です。従来のRCTは、介入の「平均的な効果（ATE）」を算出することが主眼でしたが、本記事は、効果が個人や属性によって異なる「効果の異質性」という、より複雑な課題に焦点を当てています。これは、単なる平均値では見えない、施策の適用範囲を特定する必要性から生じています。

重要用語解説

• ATE: Average Treatment Effect（平均処置効果）。介入の全集団における平均的な効果を指します。この値がゼロであっても、特定の層では正の効果、別の層では負の効果がある場合があります。
• CATE: Conditional Average Treatment Effect（条件付き平均処置効果）。特定の属性（年齢や地域など）$x$を持つ集団に限定した場合の平均効果を指し、「効果の地形図」として描かれます。
• GATE: Group Average Treatment Effect（群別平均処置効果）。CATEを推定する際、分析前に共変量で群を限定し、その群ごとの平均効果を算出する、より頑健な手法です。手順の規律が重要です。

今後の影響

本知見は、医療や公共政策の分野で極めて重要です。単に「施策は効果なし」と結論づけるのではなく、「どの属性を持つ人々に、どのような形で効果があるか」という条件付きの視点を提供します。これにより、資源の配分を最適化し、効果的な介入を特定のターゲット層に絞り込むための科学的根拠を提供します。今後の政策立案におけるデータ分析の質的向上に貢献します。