この連載について

因果推論を「本を読んだ」で終わらせず、自分の言葉で説明でき、コードで再現できる状態まで落とす30日連載です。直前のDay 21では、割付どおりに人が動かない実験からITTとLATEを取り出しました。Phase 3 はここまで、答えはすべて「平均」でした。今日からPhase 4、機械学習と因果推論の交差点に入ります。入口の問いは「平均の裏で、誰に効いて誰に効かないのか」。図はすべて合成データで、真の効果 τ(x) を私たちが握った状態で見せます。

TL;DR（3行）

ATE ≈ 0 は「誰にも効かない」を意味しません。 合成例では推定ATE −0.005（CIは0をまたぐ）なのに、真の効果は半分に約+2、半分に約−2。平均は反対向きの効果が打ち消し合った結果にすぎません。
サブグループを漁ると偽陽性が膨らみます。 真の効果が全員ゼロでも、24部分群を検定すると 43.2% の確率で「有意な部分群」が見つかります（事前登録した1群なら4.9%）。
GATE＝事前に決めた群ごとの平均効果なら正しく出ます。 年齢5分位のGATEは5群すべてで真値を95%CIに収めました。ここからPhase 4は2系統、CATE系（Day 23/25/26）と頑健ATE系（Day 24）に分かれます。

今日の問い

ある施策のRCTを回したら、推定ATEはほぼゼロだった。「効果なし、撤退」と報告してよいか？
もし半分の人に+2、残り半分に−2なら、平均ゼロでも正解は撤退ではなく「効く半分にだけ届ける」のはず。平均の裏にある効果の地形を、罠を踏まずに覗く方法はあるか？

今日のゴールは3つです。まず、効果の地形を指す言葉 CATE を定義します。次に、地形を覗こうとした人が最初に踏む罠、サブグループ解析の偽陽性をシミュレーションで踏んでみせます。最後に、罠を避けて地形を粗く読む GATE を正しく出します。あわせて、この地形の推定が「平均より桁違いに難しい」理由と、Phase 4 の残り4日間の地図を描きます。

概念①　CATE：平均の内側にある効果の地形

Day 2 で定義した個人の処置効果 $\tau_i = Y_i(1) - Y_i(0)$ は、根本問題のせいで誰のものも観測できませんでした。だからまず全員の平均 ATE に逃がした、というのがこれまでの流れです。その中間に、共変量で条件付けた平均があります。

$$
\tau(x) = E[,Y(1) - Y(0) \mid X = x,]
$$

これが CATE（conditional average treatment effect、条件付き平均処置効果）です。「年齢30歳の人たちでの平均効果」「管齢40年の鋳鉄管での平均効果」のように、特徴 $x$ ごとの平均効果を並べた関数で、効果の地形図にあたります。ATEはその全平均 $E[\tau(X)]$ なので、地形を1つの数字に押し潰した要約です。押し潰す前の地形が平坦ならATEだけで足りますが、山と谷（正と負）があるなら、ATEがゼロでも施策を捨てるのは早い。谷を避けて山にだけ届ければよいからです。

推定の入口は素直です。RCTなら（観察データなら Day 6 の非交絡性のもとで）、

$$
\tau(x) = E[Y \mid W=1, X=x] - E[Y \mid W=0, X=x]
$$

と、$x$ の近くでの引き算に落ちます。$W$ は処置を受けたかどうかの印です。右辺は「特徴が $x$ で処置を受けた人たちの平均」から「特徴が $x$ で処置を受けなかった人たちの平均」を引いた値、と読みます。ただし、ここで心づもりを1つしておきます。ATEの推定は、標本全員を2群に分けた引き算1回で済みました。τ(x) の推定は、$x$ の近くにいる少数の人だけで引き算をやり直す作業を、あらゆる $x$ で繰り返すことです。1点1点のデータは薄く、ノイズは平均のときの何倍も効きます。おまけに正解ラベル $\tau_i$ は1人分も観測できないので、答え合わせも普通の予測問題のようにはできません（この難所は Day 23 で正面から扱います）。**効果の異質性の推定は、平均の推定より桁違いに難しい。**これが Phase 4 全体を通す前提です。

そこで実務では、$x$ 1点ごとではなく、事前に決めた群ごとの平均効果に粗くして推定します。

$$
\mathrm{GATE}_k = E[,\tau(X) \mid X \in G_k,]
$$

これが **GATE（group average treatment effect、群別平均処置効果）**です。右辺は、あらかじめ決めた群 $G_k$ に属する人たちについて $\tau(x)$ を平均した値を表します。ATEが全員での平均、CATEが1点ごと、GATEはその中間にあたります。群 $G_k$ の中はDay 4 の引き算がそのまま使えるので、道具立ては何も新しくありません。新しいのは規律のほうで、それが概念②の主題です。

概念②　サブグループ解析の罠：多重検定と事後の切り分け

1988年、アスピリンが心筋梗塞の死亡を減らすことを示した大規模RCT、ISIS-2（対象17,187人）の論文には、奇妙なサブグループ解析が載っています。星座別の解析です。ふたご座と天秤座の患者ではアスピリンがわずかに不利に見え、残りの星座でははっきり有益に見えました。もちろん星座で薬効が変わるはずはなく、著者たちはこれを「部分群を十分たくさん切れば、偶然だけでこういう結果が出る」という警告としてわざと載せました。罠は2つに分解できます。

1つ目は多重検定です。部分群を $m$ 個作り、それぞれを有意水準5%で検定すると、全部の真の効果がゼロでも「少なくとも1つ有意」になる確率は、検定が独立なら $1 - 0.95^m$ まで膨らみます。$m=24$ で 70.8%。コインを24回投げれば、どれかは表が出ます。

2つ目は事後の切り分けです。データを見てから「60歳で切ろう、だめなら55歳、だめなら女性だけ、都市部だけ」と境界を動かすやり方で、こちらのほうが質が悪い。試した切り方の総数がどこにも記録されないので、多重性の補正すら不可能になります。Gelman と Loken はこれを「分かれ道の庭」と呼びました。有意になった時点で探索が止まるため、報告される1本の検定の裏に、見えない検定が何本も積もっています。

GATEが正しく機能する条件は、この2つの罠の裏返しです。群は処置前の共変量で、分析の前に、少数だけ決める。そうすれば検定の数は群の数と一致して隠れず、必要ならBonferroni補正のような道具で多重性を制御でき、群の中では割付のランダム性が生きています。道具ではなく手順が結論の信頼性を決める、というDay 5 の並べ替え検定以来の教訓が、ここでも効いています。

Phase 4 の地図：誰に効くかと、平均を頑健にと

ここで、残り4日間の地図を描いておきます。Phase 4（ML×因果）と呼んでいる区間には、目的の違う2つの系統が同居しているからです。

系統1は「誰に効くか」。今日のCATEを出発点に、τ(x) を機械学習で推定し（Day 23）、信頼区間を付け（Day 25）、意思決定に接続します（Day 26）。系統2は「平均を頑健に」。推定対象はあくまでATE 1つの数字で、機械学習は高次元の交絡を柔軟に調整する裏方として使います（Day 24）。同じ「ML×因果」でも、答えたい問いが違えば道具の設計も評価も変わります。Day 24 を読むときに「これはCATEの話ではない」と迷わないための地図です。

手を動かす①：ATE ≈ 0 でも、τ(x) は反転している

効果が年齢で反転する処置をRCTで試した世界を合成します。真の効果は $\tau(\mathrm{age}) = 2 - 4\sigma((\mathrm{age}-50)/5)$（$\sigma$ はロジスティック関数。0から1へなめらかに立ち上がるS字の曲線です）で、若い人には約+2、50歳を境になめらかに符号が変わり、高齢の人には約−2。年齢は20〜80歳の一様分布なので、真のATEはちょうどゼロになる設計です。

import numpy as np

rng = np.random.default_rng(398)
N = 4000
age = rng.uniform(20, 80, N)                      # 年齢（処置前の共変量）
tau = 2.0 - 4.0 / (1 + np.exp(-(age - 50) / 5))   # 真の効果 τ(age)：50歳を境に +2 から −2 へ反転
w   = rng.binomial(1, 0.5, N)                     # RCT：割付はコイン投げ
y   = 10 + 0.05 * age + rng.normal(0, 2, N) + tau * w   # 観測アウトカム

ate = y[w == 1].mean() - y[w == 0].mean()
se  = np.sqrt(y[w == 1].var(ddof=1) / (w == 1).sum() + y[w == 0].var(ddof=1) / (w == 0).sum())
print("推定ATE = %.3f (95%%CI [%.2f, %.2f])" % (ate, ate - 1.96 * se, ate + 1.96 * se))
print("真のATE = %.3f / τ(x) > 0 の人の割合 = %.1f%%" % (tau.mean(), 100 * (tau > 0).mean()))
print("真のτ(30歳) = %+.2f / 真のτ(70歳) = %+.2f"
      % (2 - 4 / (1 + np.exp(-(30 - 50) / 5)), 2 - 4 / (1 + np.exp(-(70 - 50) / 5))))

推定ATE = -0.005 (95%CI [-0.14, 0.13])
真のATE = 0.004 / τ(x) > 0 の人の割合 = 50.3%
真のτ(30歳) = +1.93 / 真のτ(70歳) = -1.93

推定ATEは −0.005、95%CIはゼロをまたぎ、報告書なら「有意な効果なし」の一行で終わる数字です。でも真実の側を見ると、30歳では +1.93、70歳では −1.93。効く人と逆効果の人がほぼ半々（τ>0 は50.3%）にいて、打ち消し合った残骸が「ゼロ」でした。RCTは正しく機能しています。壊れているのはデータではなく、「平均だけ見れば施策の価値が分かる」という読み方のほうです。全員に配れば価値ゼロ、50歳未満にだけ配れば1人あたり約+1.8、50歳以上にだけ配れば約−1.8。同じATEゼロの世界で、配り方しだいで施策の価値は正にも負にもなります。

手を動かす②：事前登録した部分群 vs 事後に漁った部分群

「では部分群ごとに見よう」とした瞬間に罠が口を開けます。今度は真の効果が全員ゼロのRCTを合成し、性別・地域・喫煙のような二値共変量を12個持たせます。各共変量は0/1の2群に分かれるので、部分群は24個。この24個を漁って「どれか有意な部分群はないか」と探すやり方と、分析前に見る群を1つ決めて宣言しておくやり方（事前登録）で、偽陽性率（本当は効果ゼロなのに有意が出る確率）がどれだけ違うかを2000回の反復で測ります。

import numpy as np
from scipy import stats

def subgroup_p(y, w, mask):
    """部分群 mask の中の処置効果を z 検定し、p値を返す"""
    y1, y0 = y[mask & (w == 1)], y[mask & (w == 0)]
    z = (y1.mean() - y0.mean()) / np.sqrt(y1.var(ddof=1) / len(y1) + y0.var(ddof=1) / len(y0))
    return 2 * stats.norm.sf(abs(z))

def one_trial(rng, N=1000, K=12):
    """真の効果ゼロのRCTを1回行い、(事前登録した1群のp値, 24部分群の最小p値) を返す"""
    w = rng.binomial(1, 0.5, N)               # 割付はランダム
    y = rng.normal(0, 1, N)                   # 真の効果は全員ゼロ
    X = rng.binomial(1, 0.5, (N, K))          # 性別・地域・喫煙などのつもりの二値共変量
    pvals = [subgroup_p(y, w, X[:, k] == g) for k in range(K) for g in (0, 1)]
    return pvals[0], min(pvals)               # pvals[0] が事前登録した1部分群

rng = np.random.default_rng(22)
res = np.array([one_trial(rng) for _ in range(2000)])
print("事前登録した1部分群の偽陽性率 = %.1f%%" % (100 * (res[:, 0] < 0.05).mean()))
print("24部分群を漁ったときの偽陽性率 = %.1f%%" % (100 * (res[:, 1] < 0.05).mean()))
print("独立なら 1 - 0.95**24 = %.1f%%" % (100 * (1 - 0.95 ** 24)))

事前登録した1部分群の偽陽性率 = 4.9%
24部分群を漁ったときの偽陽性率 = 43.2%
独立なら 1 - 0.95**24 = 70.8%

事前登録した1群の偽陽性率は 4.9% で、名目の5%どおり。検定は約束を守っています。ところが24部分群を漁ると 43.2%、およそ2回に1回「有意な部分群」が見つかります。真の効果は全員ゼロなのに、です。独立を仮定した理論値70.8%より低いのは、24個の検定が同じ実験データを使い回しているからです。部分群同士が重なるぶん推定値が正に相関し、実効的な検定の数は24より少なくなります。それでも、名目の5%の9倍近くまで膨らんでいます。下の図の左は反復の中の1回分の実験で、24部分群のうち「運動=1」の群だけが p=0.049 で有意な逆効果に見えます。この p=0.049 を「運動習慣のある人には逆効果らしい」と切り出して報告した瞬間、偽の発見が1つ世に出ます。43.2%という数字は頭では知っていましたが、2回に1回という体感を私が持ったのは、この2000回を回した後でした。ダッシュボードの区分を切り替えながら効いて見える層を探した覚えがあるので、なおさら他人事になりません。しかもこれは検定の数が明示されている行儀のよい漁りで、事後に境界を動かす「分かれ道の庭」では、この膨張を測ることすらできません。

手を動かす③：GATE を正しく出す

同じ地形を、今度は罠を踏まずに読みます。①のデータに戻り、群を事前に決めます。使うのは処置前の共変量である年齢の5分位。境界はデータを見て動かさず、分位点で機械的に固定します。群の中はRCTのままなので、推定はDay 4 の引き算と、その95%CIだけです。

# ①のデータ（age, w, y, tau）をそのまま使う
edges = np.quantile(age, np.linspace(0, 1, 6))   # 事前に決めた年齢の5分位
bins = np.digitize(age, edges[1:-1])             # 0〜4 の分位群ラベル
print("年齢5分位のGATE（±は95%CI）")
for k in range(5):
    m = bins == k
    y1, y0 = y[m & (w == 1)], y[m & (w == 0)]
    gate = y1.mean() - y0.mean()
    se = np.sqrt(y1.var(ddof=1) / len(y1) + y0.var(ddof=1) / len(y0))
    print("Q%d（%2.0f〜%2.0f歳）: GATE = %+.2f ± %.2f（真値 %+.2f）"
          % (k + 1, edges[k], edges[k + 1], gate, 1.96 * se, tau[m].mean()))

年齢5分位のGATE（±は95%CI）
Q1（20〜32歳）: GATE = +1.93 ± 0.27（真値 +1.96）
Q2（32〜44歳）: GATE = +1.59 ± 0.28（真値 +1.60）
Q3（44〜56歳）: GATE = +0.00 ± 0.28（真値 +0.02）
Q4（56〜68歳）: GATE = -1.59 ± 0.28（真値 -1.59）
Q5（68〜80歳）: GATE = -1.97 ± 0.27（真値 -1.96）

5群すべてで、真値が95%CIの中に収まりました。若い2群は 約+1.9と+1.6、真ん中はゼロ、高齢の2群は 約−1.6と−2.0。ATEが1本の水平線に潰していた反転の地形が、5個の点として姿を現します（Fig 1 右の青い点がこのGATEです）。②と③でやった計算自体はほぼ同じであることに注意してください。部分群を切って、引き算して、不確かさを付ける。違いは群を決めた時点と決め方だけです。データを見る前に、処置前の変数で、少数の群を宣言したから、この5つの数字は信用に足ります。効果の異質性で最初に効くのは、新しい推定量ではなく古い規律でした。とはいえ5分位はあくまで地形の粗い読みで、境界の位置も群の数も手で決めています。この手作業を機械学習に任せ、τ(x) を関数として推定するのが Day 23 以降です。

つまづき・誤解しやすい点

「ATEが有意でない＝効果なし」ではありません。 今日の例のとおり、反転する異質性はATEをゼロに見せます。ただしその疑いを理由に、結果を見てから部分群を漁り始めると②の罠に落ちます。異質性の検討は「事後の敗者復活戦」ではなく、どの群を見るかまで含めて設計段階で決めておくものです。
部分群は処置前の変数で切ります。 「効果が出た人」「よく利用した人」のような、処置の後に決まる変数で切った比較（いわゆるresponder解析）は、割付のランダム性を壊して因果の読みを失います。Day 11 でやった中間変数への悪い調整と同型の事故です。切ってよいのは、割付の瞬間より前に値が決まっている変数だけです。
「一番効いて見えた部分群」の効果は過大です。 複数の群から最大の推定値を選ぶ操作は、真の効果だけでなく上振れノイズも一緒に選びます（勝者の呪い）。その群に絞って施策を打つと、実際の成果は見積もりを系統的に下回ります。選択後の効果を誠実に報告する道具（標本を2つに割り、群を選ぶ側と効果を測る側で別々に使う honest な分割と信頼区間）は Day 25 の Causal Forest で扱います。

GISデータ実務での使い方

漏水対策の効果は管路の条件で異質、が出発点です。 音聴調査や更新工事の費用対効果は、管材・布設年代・土壌の腐食性・水圧で大きく変わるはずです。パイロット事業の全体平均が薄くても「効果なし」で畳むのは早く、腐食性土壌×高水圧のような条件付きの効果、つまりCATEの地形を見てから判断します。
区分は評価計画の段階で宣言します。 「管種別・年代別のGATEを見る」と着手前に決めて報告するのと、ダッシュボードで区分を切り替えながら効いて見える区画を探すのとでは、同じ集計でも意味がまるで違います。後者は②のサブグループ漁りそのもので、43.2%の側の数字を拾いに行く行為です。
異質性の推定が難しいという期待値を、関係者と先に共有します。 自治体単位・工区単位の分析では群あたりの標本が薄く、GATEのCIは今日の±0.28よりずっと広くなります。「地区別の効果も出せます」と安請け合いする前に、平均より桁違いに難しいという概念①の前提を握っておくと、報告の信頼を守れます。なお空間データでは隣接する区画同士が似ることが見かけの異質性を作る問題もあり、これは Day 28 で掘ります。

参考（本棚）

Matheus Facure『Causal Inference in Python』第6章。効果の異質性とCATEの導入。今日の下敷き
ISIS-2 Collaborative Group (1988) "Randomised trial of intravenous streptokinase, oral aspirin, both, or neither among 17,187 cases of suspected acute myocardial infarction: ISIS-2." The Lancet 332(8607)。星座別サブグループ解析をあえて載せた古典。ふたご座と天秤座でアスピリンが不利に見える
Gelman, A. & Loken, E. (2013) "The garden of forking paths"。事後の切り分けが「1回しか検定していないつもりの多重検定」になる仕組み
データはすべて合成です。真の τ(x) を握ることで、ATEが隠す反転・漁りの偽陽性率・GATEの正しさを数値で確認しました。生成スクリプトは元ノート側に添付しています。

次回予告（Day 23）

GATEは効果の地形の粗い読みで、群の切り方は結局人間が手で決めています。これをデータに任せ、τ(x) を関数として推定できないか。発想の転換は「CATEの推定を、手持ちの機械学習が解ける予測問題に翻訳する」ことです。次回はその翻訳装置であるメタラーナー（S/T/X-learner）を、sklearnだけで1つずつ手組みします。ただし正解ラベル τ_i は誰にも観測できないという根本問題がここで再来し、「精度の良い予測モデル」と「良いCATE推定」が同じでないことを思い知る回でもあります。