【ITニュース解説】Causal Discovery: Why Conditional Independence Can Recover a Graph - and When It Cannot

私たちが日常的に触れるデータには、さまざまな事象の観測結果が詰まっており、その背後には複雑な因果関係が隠されている。システムエンジニアを目指す上で、データから単なる相関だけでなく、その原因と結果の関係、つまり因果関係をどのように読み解くかは非常に重要なスキルとなるだろう。因果探索とは、まさにこの課題に取り組む分野であり、観測データのみから、そのデータがどのようにして生まれたのか、その因果のつながりをグラフとして描き出す試みを指す。

相関関係は「二つの変数が一緒に動く」ことを教えてくれるが、「なぜ一緒に動くのか」は説明してくれない。たとえば、アイスクリームの売上と水難事故の件数には相関があるかもしれないが、アイスクリームが水難事故を引き起こすわけではない。両者には「気温が高い」という共通の原因がある。因果探索は、このような背景にある真の因果構造を明らかにしようと、相関の一歩先を目指すのだ。

この因果探索の目標は、データが生成された「因果有向非巡回グラフ」（DAG）を特定することにある。DAGとは、各変数を「ノード」（点）とし、直接的な因果効果を「有向エッジ」（矢印のついた線）で結んだグラフだ。非巡回という言葉は、原因から結果への経路に循環がない、つまり自分自身が自分の原因になることがないという意味を表す。このグラフでは、各変数はその直接的な原因、すなわち「親」の変数と、それらに影響されない独立なノイズによって生成されると仮定される。我々が観測できるのはこの結果のデータだけであり、ここから元のDAGを推測するのが因果探索の問いである。ただし、多くの場合、完全に正確なDAGを特定できるわけではなく、グラフの「骨格」（どの変数とどの変数がつながっているか）と一部の「方向」を特定するのが精一杯である。

因果探索の核心的なアイデアは、たった三つの変数の関係パターンを理解することでほとんど説明できる。一つ目は「連鎖（X→Y→Z）」だ。これは、XがYに影響を与え、YがZに影響を与える状況を指す。この場合、XとZは直接的なつながりはないが、Yを介して間接的に関連しているため、XとZは全体としては依存関係にある。しかし、もしYの影響を取り除いて考えたらどうなるだろうか。Yで条件付けをすると、XとZの間の関連性は遮断され、両者は独立になる。二つ目は「分岐（X←Y→Z）」だ。これは、Yという共通の原因がXとZの両方に影響を与える状況を指す。この場合も、XとZは共通の原因Yによって関連付けられているため、全体としては依存関係にある。しかし、Yで条件付けをすると、共通原因の影響が取り除かれるため、XとZは独立になる。このような状況は「交絡」と呼ばれ、因果関係を正確に理解する上で注意が必要なパターンだ。

そして三つ目が最も特徴的な「合流点（X→Y←Z）」である。これは、XとZという独立な二つの原因が、Yという共通の結果に影響を与える状況を指す。ここで重要なのは、XとZは直接的に影響し合わないため、全体としては独立の関係にあるということだ。しかし、もしYで条件付けをして考えてみると、XとZの間には依存関係が「生まれてしまう」。これは「バークソンのパラドックス」として知られ、特定の共通の結果で条件付けをすることで、本来独立だったものが依存になる現象だ。この合流点のパターンは、他の二つのパターンと異なり、条件付けをすることで独立だったものが依存になるという「逆の」挙動を示すため、アルゴリズムが因果の方向を特定する上で非常に重要な手がかりとなる。

これらの三つのパターンを一般化した規則が「d-分離」と呼ばれる概念である。これは、グラフ上の二つの変数が、ある特定の変数の集合によって「分離」されるかどうかを定義するもので、グラフ構造とデータにおける条件付き独立性が結びつく根幹となる。因果探索アルゴリズムは、このd-分離の原則を利用してグラフを構築するのだ。

しかし、これらの仕組みがうまく機能するためには、いくつかの重要な前提条件が満たされている必要がある。一つ目は「因果マルコフ条件」だ。これは、ある変数は、その直接の原因（親）が与えられれば、その他の非子孫（将来の結果ではないもの）とは独立である、という考え方だ。これは、各変数がその親とノイズによってのみ生成されるというDAGの仮定から自然に導かれるもので、グラフ構造とデータからテストできる独立性の間に橋を架ける。二つ目は「忠実性」だ。これは、データから観測されるすべての条件付き独立性は、真の因果グラフのd-分離によってのみ説明され、たまたまパラメータの値が偶然キャンセルし合って独立に見えるようなことはない、という前提だ。そして三つ目は、暗黙のうちに仮定されることが多い「因果的十分性」である。これは、観測された変数間に、我々が測定していない共通の原因（隠れた交絡因子）が存在しない、という前提だ。もし隠れた交絡因子が存在すると、アルゴリズムはそれらを考慮せずに、誤った直接的な因果エッジを描いてしまう可能性がある。これらの前提が満たされていなければ、因果探索アルゴリズムが出力するグラフは、もはや信頼できる因果グラフとは言えなくなる。

因果探索の代表的なアルゴリズムの一つに「PCアルゴリズム」がある。これは、三つのフェーズを経て因果グラフを構築する。フェーズ1は「骨格の学習」だ。まず、すべての変数間にエッジが存在する完全な無向グラフ（矢印のない線で全てが繋がった状態）から開始する。次に、各変数のペアについて、他の変数の部分集合で条件付けたときに独立になるかどうかをテストする。最初は空集合で条件付けし、次に一つ、二つと条件変数の数を増やしていく。もしあるペアの変数が、特定の条件集合で独立になった場合、そのペア間のエッジは削除される。フェーズ2は「v-構造の方向付け」だ。これは、先ほど説明した合流点のパターンを特定するフェーズで、もしXとZが隣接していない（エッジが削除された）にもかかわらず、YがXとZを独立にした条件集合に含まれていなかった場合、X→Y←Zという合流点（v-構造）として方向付けをする。これは、合流点の特徴を利用した重要なステップだ。フェーズ3は「方向の伝播」だ。フェーズ2で決定された方向付けと矛盾しないように、残りの無向エッジに方向を割り当てていく。

PCアルゴリズムの出力は、残念ながら常に単一の正確なDAGではない。「CPDAG」（完了部分的に方向付けられた非巡回グラフ）と呼ばれる形式で出力される。これは、観測データから同じ条件付き独立性パターンを示す可能性のあるすべてのDAGを包含する「マルコフ同値クラス」と呼ばれるものを表す。例えば、X→Y→Zという連鎖と、X←Y←Zという逆の連鎖、そしてX←Y→Zという分岐は、観測データから見ると同じ条件付き独立性パターンを示すため、PCアルゴリズムはこれらを区別できない。しかし、合流点は他の二つのパターンとは異なる条件付き独立性パターンを示すため、アルゴリズムが方向を特定できる貴重な手がかりとなるのだ。

具体的な例として、睡眠が集中力に影響し、集中力が試験の成績に影響するという連鎖関係「睡眠→集中力→成績」を考える。このとき、睡眠と成績の間には全体として相関が見られる。しかし、もし集中力という変数で条件付けをすると、睡眠と成績の間の相関はほぼゼロになる。これは、PCアルゴリズムがフェーズ1で睡眠と成績の間のエッジを削除し、代わりに「睡眠ー集中力」「集中力ー成績」というエッジを残すことを意味する。ただし、この例だけでは「睡眠→集中力」なのか「睡眠←集中力」なのか、エッジの方向までは決定できない。方向を決定するには、先述の合流点のパターンを見つけるか、時間順序などのドメイン知識、あるいは実験的な介入が必要となる。

因果探索には多くの限界と落とし穴も存在する。最も大きな問題の一つは「潜在的な交絡」だ。もし測定されていない変数が、二つ以上の測定された変数の共通の原因である場合、アルゴリズムはそれらの間に直接的な因果エッジがあるかのように誤って判断してしまう。また、「選択バイアス」も大きな問題を引き起こす。特定の共通の結果変数に基づいてサンプルが選択された場合、それは合流点と同じ効果を生み出し、本来関連のない変数間に依存関係を作り出してしまうことがある。これにより、全体には存在しない因果エッジが発見される可能性がある。さらに、現実のデータは「有限サンプル」であるため、条件付き独立性テストの結果は常にノイズを含んでいる。特に変数が多く、関係が非線形であったり、サンプルサイズが小さかったりすると、テストの信頼性は低下する。PCアルゴリズムのような逐次的なアルゴリズムでは、初期段階での一つの誤りが、その後のエッジの削除や方向付けに連鎖的に影響し、最終的なグラフを大きく歪めてしまうことがある。

「忠実性の失敗」も静かに因果関係を誤解させる可能性がある。現実のシステムでは、正の因果パスと負の因果パスが互いにほぼ完全に打ち消し合う「ニアキャンセル」が起こることがある。この場合、実際には強い依存関係があるにもかかわらず、データ上では弱いか独立に見えてしまい、アルゴリズムは真の因果エッジを削除してしまうかもしれない。また、「マルコフ同値性」はアルゴリズムが超えられない本質的な限界である。介入や実験、時間順序、あるいは非ガウスノイズといった追加情報がなければ、観測データのみからでは、同値クラス内の複数のDAGの中から一つだけを特定することはできない。もし観測データからユニークな因果方向を主張する報告に出くわしたら、どのような追加的な仮定がその方向を決定づけているのかを常に問う必要がある。最後に、「変数が適切な変数であること」も重要だ。因果探索は、測定された変数が真の因果変数に対応していることを前提としている。しかし、変数が集約されていたり、代理変数であったり、測定誤差を含んでいたりすると、グラフは歪む。

したがって、因果探索は「探索的なツール」として用いるべきである。候補となる因果グラフを生成したり、既存の因果仮説に挑戦したり、興味深い合流点を見つけたり、因果的な主張の背後にある前提を明確にしたりする際に非常に有用だ。データだけでは特定できないエッジの方向を補完するドメイン知識や、特定のエッジの因果性を検証するためのフォローアップの介入や実験と組み合わせることで、その真価を発揮する。しかし、スプレッドシートから自動的に「これこそが因果グラフだ」と吐き出す万能な神託と見なすべきではない。出力されるグラフの品質は、因果マルコフ条件、忠実性、因果的十分性といった前提条件と、実施される条件付き独立性テストの精度に大きく依存している。現実のデータでは、これらの前提の少なくとも一つはしばしば不安定な場合があるからだ。

まとめると、因果探索は、グラフ構造が条件付き独立性パターンの中に独特な「指紋」を残し、特に合流点が明確な指紋を残すからこそ機能する。PCアルゴリズムは、骨格の特定、v-構造の方向付け、方向の伝播という三つのフェーズを通じて、その指紋を読み取る。しかし、その限界も明確だ。アルゴリズムはユニークなDAGではなく、同値クラスを回復するに過ぎず、また現実のデータではしばしば破られる前提に依拠している。そのため、因果探索の出力は一つの「仮説グラフ」として扱い、その安定性を確認し、背後にある前提を明確にし、最も重要な因果エッジについては、単なる観測データ解析以上の、より強力な方法で検証することが肝要である。