因果分析

観察データから処置・プログラム・政策の効果を推定してください。データファイル(CSV・XLSX・SPSS)を添付し、何が何に影響するかを伝えます。因果グラフを描いて統制する変数を決め、データに合ったデザイン(二重頑健な調整・差の差・回帰不連続・操作変数)を選んで前提を確認し、信頼区間つきの効果の推定と、測定されていない交絡がどれだけ強ければ結果が覆るかまで含めたレポートと推定・バランス表をください。

因果分析: データを分析しています

データファイルと知りたい効果(何が何に)を教えてください。因果グラフで統制する変数を決め、データに合った方法で効果を推定し、前提の確認と感度分析まで含めた因果分析レポートと結果表をお届けします。

こんな方に

  • 実験ができず、観察データで処置効果を示す必要がある研究者
  • 政策・制度の導入前後のデータで効果を評価する社会科学・教育・保健の研究者
  • 査読者に「交絡はどう統制したか」を説明する必要がある大学院生
  • 実験なしで機能リリースの効果を推定したいプロダクトリサーチャー

受け取る結果

結果は2つです。レポートには前提と推定・解釈が、結果表にはすべての数値が入ります。

  • 因果分析レポート 効果の推定とその前提 · ひと目で、因果の問いと因果グラフ・調整集合、識別戦略と前提、分析データ、前提の確認(重なり・バランス・事前トレンド・密度・第1段階F)、効果の推定(主な方法・比較の方法)、感度分析(E-value・偽の確認・別の仕様)、解釈と限界、決めるべきこと · MD(PDF・PNG変換エージェントで共有用PDFに)
  • 推定・バランス表 レポートのすべての数値 · シート:Estimates · Adjustment set · Causal graph · Balance · Overlap · Event study · Group-time ATT · Sensitivity · Exclusions · XLSX

レポートで確認できる項目

結果より前提を先に示します。計算したコードは各ステップのコードボックスに残ります。

  • 因果グラフ 矢印とその根拠、調整すべき変数と調整してはいけない変数(媒介・処置の影響を受ける変数)
  • 識別戦略 データ構造から選んだデザインとその前提をわかりやすい言葉で
  • 前提の確認 傾向スコアの重なり・共変量のバランス(重み付け・マッチング前後のSMD)、事前トレンド検定、閾値での集中、第1段階F
  • 推定と感度 主な方法と比較の方法の推定・信頼区間、E-value、偽の処置・偽の結果・別の仕様

このように依頼してください

添付したデータで{処置や曝露}が{結果}に与えた効果を推定して。{統制すべき変数(任意)}を考慮して。 — 下線部を自分の研究に合わせて書き換えて送ってください。

  • 処置・結果:列名をそのまま書くと正確です。空欄なら最もありそうなものを決め、仮定として明記します。
  • 統制する変数:空欄なら処置前に測定した変数で因果グラフ案を作り、処置後の変数は統制から外します。

一緒にあるとよいもの

  • 各変数をいつ測定したか 処置の前後を区別し、誤った統制(処置後の変数の統制)を防ぎます
  • 処置がどう決まったか(割り付け基準・導入時期) 識別戦略(閾値 → 回帰不連続、導入時期の違い → 差の差)を選ぶのに使います
  • 研究者が描いた因果グラフ そのグラフを出発点に調整集合を決めます

こんな依頼もできます

  • 放課後プログラムへの参加が数学の点数に与えた効果を推定して。 → 因果グラフ、二重頑健・重み付け・マッチングの推定比較、バランス表、E-value
  • 2022年に一部地域だけで導入した政策の効果を年次データで見て。 → 差の差とイベントスタディ図、事前トレンドの確認、導入時期が異なれば時差導入の推定
  • 奨学金の基準点(80点)付近の学生で奨学金の効果を見て。 → 回帰不連続の推定、帯域幅の感度、閾値での集中の確認(Expert以上)

マイ指示

必要な項目だけ選んで設定してください。設定しない項目は既定値で進めます。 レポートの1ページ目に、反映した指示と仮定したことを示します。

  • 推定量 (デザイン) 推定する効果 · 例: ATE · ATT(処置群の効果) · 既定値: 問いから判断、なければ ATE
  • 識別戦略 (デザイン) デザインの手がかり: パネルの時点・閾値・操作変数 · 例: 一部地域で2022年に政策開始 · 奨学金の基準80点 · 病院までの距離を操作変数に · 既定値: データ構造に応じて規則で選択(理由はレポートに)
  • 調整変数 (デザイン) 統制する変数 · 例: 自分の因果グラフに従う · 処置前の変数すべて · 既定値: 因果グラフ案 → 処置・結果の原因である測定変数、処置後の変数は除外
  • クラスタ標準誤差 (確認) 標準誤差をまとめる単位 · 例: 学校単位 · 地域単位 · 既定値: パネルの単位、なければなし
  • 感度分析 (確認) 測定されていない交絡の確認 · 例: E-valueのみ · 偽の結果を追加(pre_score) · 既定値: ProからE-value、Expertから偽の処置・偽の結果・別の仕様
  • 欠測と除外 (確認) 欠測コードと除外するケース · 例: 999は欠測 · 試行校を除外 · 既定値: 分析変数の完全ケース
  • レポートの言語 (報告の仕方) 作成する言語 · 例: 英語で作成 · 既定値: 依頼の言語

この方法で進めます

結果より前提を先に決めます。モデルは因果グラフの矢印を提案し、調整集合・識別戦略・推定・確認はコードが規則どおりに行います。レポートは「前提が正しければ効果はこれだけ」という形です。

  • データ確認 行うこと: 処置・結果・共変量・時間・単位の構造 · 設定できること: — · 確認すること: 処置・結果の定義
  • 因果の問いと因果グラフ 行うこと: 処置・結果・推定量、因果グラフ案、分離原因基準による調整集合(処置後の変数を除く) · 設定できること: 推定量、調整変数 · 確認すること: 因果グラフの矢印
  • 識別戦略 行うこと: データ構造で方法を選択: 交絡の調整(二重頑健)/ 差の差 / 回帰不連続(Expert以上)/ 操作変数 · 設定できること: 識別戦略 · 確認すること: 前提を受け入れられるか
  • 分析データ 行うこと: 除外基準、完全ケース、処置の符号化 · 設定できること: 欠測と除外 · 確認すること: 除外基準
  • 前提の確認 行うこと: 傾向スコアの重なり・バランス、事前トレンド、閾値での集中、第1段階F · 設定できること: — · 確認すること: 通過しなかった前提
  • 効果の推定 行うこと: 主な方法 + 比較の方法、信頼区間、図 · 設定できること: クラスタ標準誤差
  • 感度分析 行うこと: E-value、偽の処置・偽の結果・別の仕様・帯域幅・偽の閾値 · 設定できること: 感度分析 · 確認すること: 結論が揺らぐ程度
  • レポート作成 行うこと: 前提 → 確認 → 推定 → 感度の順にまとめる · 設定できること: レポートの言語 · 確認すること: 決めるべきこと

レベル別の違い

照合

正解のわかっている模擬データで確認しています: 交絡と媒介のある横断データ(真の効果2 → 二重頑健 2.00)、時差導入パネル(真3 → 2.90)、回帰不連続(真2 → 1.90)、操作変数(真1.5 → 1.61、調整なしの回帰は2.63)。実データでは、LaLonde職業訓練データでマッチングのATTが2,019となり、R MatchItの1,998と近い値でした(実験の基準は1,794)。

この方法について

  • なぜ因果グラフから描くのか 観察データで「統制できるものはすべて統制」すると、かえって誤ることがあります。処置の結果として生じた変数や、2つの変数の共通の結果を統制すると、なかったはずの偏りが生じます。因果グラフは何を統制し何を統制してはいけないかを決め、研究者の前提を他の人が検討できる形にします。
  • 結果を「因果」と言えますか 観察データの因果推定は常に前提に依存します。このエージェントは前提を隠さず、確認できる前提は確認し、確認できない前提(測定されていない交絡)についてはE-valueで結論がどれだけ持ちこたえるかを示します。

よくある質問

研究者が自分で判断すべき部分は?
因果グラフの矢印を必ず確認してください。結果はこのグラフに左右されます。矢印を変えたいときはチャットで伝えてください。
無作為化実験のデータでも使えますか?
使えます。ただし無作為割り付けなら群比較(Inferential Statistics)で十分なので、そちらを案内します。
媒介効果も見ますか?
今回の範囲には含みません。媒介変数は統制から外して総効果を推定します。