データ分析の次の一手。「なぜ」を解き明かす因果推論入門

「その施策は、本当に効果があったのか？」この問いに、自信を持って答えられるでしょうか ¹。マーケティング施策、業務改善、DX投資など、あらゆる企業活動は意図と結果で成り立っています。しかし、多くの現場では「施策を実施したら数値が伸びた」という、単なる前後の比較に基づいた評価が主流です。ここで本質的に問うべきは、「もし、その施策を実施していなかったら、どうなっていたか？」という視点です ³。

この問いに統計的な根拠をもって答えるための技術が「因果推論」です。例えば、ある小売企業が店舗のリニューアル後に売上が5%上昇したとします。この結果は「リニューアルの成果」と見なされがちですが、もしリニューアルをしなくても季節要因で3%の売上増が見込めたとしたら、施策の真の効果、つまり純粋な上乗せ分は2%に過ぎません。この観測できない「もしも」の世界を推定することが、因果推論の核であり、「因果関係の根本問題」と呼ばれています ³。この問題に正面から向き合うために、計算機科学者のジューディア・パールが体系化した「構造的因果モデル（SCM）」と「Do-Calculus」という革命的なアプローチが登場しました。これらは単なる分析手法ではなく、ビジネスの意思決定の信頼性を根底から引き上げる、「思考と設計の技術」です ²。

ここでは、相関と因果の違いという基本的な概念から出発し、因果関係をどのように図で表現し、介入という行為をどう数式で扱うのかを解き明かしていきます。そして、データと「対話」し、単に何が起きたか（What）だけでなく、なぜ起きたのか（Why）を科学するための新しい思考の枠組みを、一緒に考えていきましょう ²。

Table of Contents

第1章：パターンを見ることからメカニズムを理解することへ ― 因果関係の文法

データ分析の世界に足を踏み入れた人が最初に出会う壁、それは「相関関係は因果関係を意味しない」という原則です。相関とは二つの事象が連動して動く傾向を指し、因果とは一方がもう一方の原因となっている関係を指します ⁹。この違いを理解することは、正しい意思決定の第一歩です。

例えば、「アイスクリームの売上が増えると、水難事故も増える」というデータがあったとします ¹¹。この二つには明確な正の相関が見られますが、アイスクリームの販売を禁止しても水難事故が減るとは考えにくいでしょう。真の原因は、両者に影響を与える第三の隠れた変数、この場合は「気温の上昇」です ¹²。ビジネスの世界でも同様の落とし穴は無数に存在します。例えば、あるアプリの利用者はロイヤルティが高いというデータがあったとしても、それは「アプリがロイヤルティを高めた」のではなく、「もともとロイヤルティの高い顧客がアプリを使っているだけ」かもしれません ¹³。このような見せかけの相関に基づいて施策を打つことは、時間とコストの浪費に直結します ¹⁰。

この混乱を避けるために、私たちは自分たちの頭の中にある「世界の仕組み」についての仮説を、明確な形で表現するツールを必要とします。それが「有向非巡回グラフ（DAG: Directed Acyclic Graph）」です ¹⁵。DAGは、因果関係を可視化するための共通言語であり、私たちの思考の地図のようなものです。この地図では、変数が「ノード（点）」で、変数間の直接的な因果関係が「エッジ（矢印）」で表現されます ¹²。例えば、「広告費」から「売上」へと向かう矢印は、「広告費が売上に影響を与える」という因果的な仮説を示します。矢印の向きは極めて重要で、「喫煙が肺がんを引き起こす」という矢印は妥当ですが、その逆は成り立ちません ¹⁶。また、「非巡回」というルールは、ある変数が自分自身の原因になるようなループ構造（例：A→B→C→A）を禁止します。これにより、原因から結果への時間の流れが保証されるのです ¹²。

重要なのは、DAGがデータの分析結果から自動的に生成されるものではなく、分析者が自身の専門知識や現場の知見に基づいて「入力」するものであるという点です ¹⁹。ビジネスリーダーが持つ「広告は売上に影響するはずだ」「しかし、季節性も売上と広告の両方に影響しているだろう」といった暗黙の仮説を、DAGは形式的かつ厳密な構造として描き出します。これにより、曖昧だった思考が整理され、関係者間での議論の土台が生まれるのです。つまり、DAGの最大の価値は、統計モデルを動かす前に、まず私たち自身の思考を整理し、その仮定を白日の下に晒すことにあるのです ²⁰。

第2章：介入の言語 ― do(x)が本当に意味するもの

データ分析における最も根本的な区別の一つが、「見ること（Seeing）」と「行うこと（Doing）」の違いです。この違いを理解することが、因果推論の世界への扉を開きます。例えば、ある広告キャンペーンの効果を考えてみましょう。データから「広告を見た人たちの購買率」、すなわちP(購買|広告を見た)を計算することは簡単です。これは「見ること」の世界、つまり単なる観察に基づいた条件付き確率です ²²。しかし、この数値は施策の真の効果を示しているとは限りません。なぜなら、広告を見た人々は、もともと購買意欲が高い人々である可能性があり、その特性が購買率を高めているだけかもしれないからです ⁴。

私たちが本当に知りたいのは、「もし、すべての人に強制的に広告を見せたら、購買率はどう変わるか？」という問いへの答えです。これが「行うこと」の世界であり、パールはこれをdo演算子を用いてP(購買|do(広告を見せる))と表現しました ²⁴。

do演算子は、システムに外科的な「介入」を行うことを意味します。他のすべての条件をそのままに、特定の変数だけを意図的に操作するのです ²⁶。この介入後の確率こそが、私たちがROI（投資対効果）を計算するために必要な、真の因果効果なのです。

従来の回帰分析や機械学習モデルは、このdo演算子を扱うようには設計されていません。これらのモデルは、観測されたデータ内の相関関係、つまりP(Y|X)をモデル化することに長けていますが、介入の効果P(Y|do(X))を直接推定することはできないのです ²。

では、どうすれば介入効果を知ることができるのでしょうか。そのための最も確実な方法は「ランダム化比較試験（RCT）」です ²⁷。対象者をランダムに施策グループと対照グループに分けることで、両グループ間の背景的な差異が平均化され、あらゆる交絡要因（見せかけの相関を生む共通原因）が断ち切られます。その結果、観察された差は純粋な介入効果と見なすことができ、P(Y|X)とP(Y|do(X))が等しくなります ³。しかし、ビジネスの現場でRCTを実施することは、多くの場合、非現実的です ²⁸。例えば、全店舗の半分をランダムにリニューアル対象から外したり、一部の従業員にだけ重要な福利厚生を提供しなかったりすることは、コスト面でも倫理面でも困難です ¹⁹。

このジレンマ、つまり「RCTはできないが、因果効果は知りたい」という状況こそが、Do-Calculusのような理論体系が必要とされる理由です。それは、観察データという「見ること」しかできない不完全な情報から、いかにして「行うこと」の結果を導き出すか、という知的な挑戦への答えなのです。

第3章：反実仮想の計算体系 ― Do-Calculusの力

do演算子で表現される介入効果を、RCTが実施できない観察データからどうやって計算するのか。そのための厳密なルールブックが「Do-Calculus」です ⁸。Do-Calculusは、パールが提唱した3つのシンプルなルールから成り、これらのルールを組み合わせることで、

doを含む確率表現を、doを含まない、つまり観測データから計算可能な確率表現へと変形させることができます ³⁰。この体系が「完全」であること、すなわち、もし識別可能（計算可能）であれば必ずDo-Calculusでその答えを導出できることが証明されています ³²。

ここでは、そのルールの厳密な数学的証明には立ち入らず、それぞれのルールが持つ直感的な意味を探ってみましょう。

一つ目のルールは「観察の挿入・削除」です ³³。これは、ある介入Xの効果を考える上で、結果Yと無関係な情報Zは無視してもよい、という考え方です。DAG上で特定の条件下でXとYの間の経路がZによって影響を受けない場合、そのZを条件から外したり加えたりすることができます。

二つ目のルールは「介入と観察の交換」です ³³。これが因果推論において最も重要な役割を果たします。このルールは、特定の条件下で、介入の確率P(Y|do(X))を、観察の確率P(Y|X)に置き換えることを許可します。その「特定の条件」こそが、「バックドア基準」として知られています [24]。バックドアパスとは、介入変数Xから出て、共通の原因（交絡因子）を経由して結果変数Yへと至る「裏口」の経路のことです ¹²。例えば、宝飾品ブランドの広告キャンペーンの事例では、「広告キャンペーン ← 季節性 → 売上」という経路がバックドアパスです ¹⁶。このパスが存在すると、広告の効果と季節性の効果が混じり合ってしまいます。バックドア基準は、このような裏口の経路をすべて塞ぐ（ブロックする）ような変数の集合を見つけて、その変数で調整（条件付け）すれば、見かけの相関から真の因果効果を分離できることを保証します ¹⁶。これは、私たちが統計分析で「交絡因子を調整する」という行為の理論的な根拠を与えるものです。

三つ目のルールは「介入の挿入・削除」です ³³。これは、ある介入do(Z)が、別の介入do(X)の文脈において結果Yに何の影響も与えない場合、その介入do(Z)を式から取り除けるというルールです。

これらのルールは、バックドア基準が満たせないような、より複雑な状況でも力を発揮します。その代表例が「フロントドア基準」です ³⁶。これは、介入Xと結果Yの間の交絡因子Uが観測できない場合に役立ちます。もし、XからYへの影響がすべて中間変数M（例えば、「広告」が「ブランド認知度」を通じて「売上」に影響する場合の「ブランド認知度」）を通して伝わり、かつ特定の条件を満たすならば、観測できないUの存在下でも因果効果を識別できるのです ³⁷。これは、Do-Calculusが単に既存の統計手法を正当化するだけでなく、これまで不可能と思われていた問題に対する新たな解決策を発見するための強力な探索ツールであることを示しています。

第4章：世界を構築する ― 構造的因果モデル（SCM）の思想

DAGが因果関係の「骨格図」だとすれば、その骨格に血肉を与え、システムが「どのように」機能するかを記述するのが「構造的因果モデル（SCM: Structural Causal Model）」です ⁸。SCMは、単なるグラフ以上に、世界のデータ生成プロセスそのものをモデル化しようとする野心的な試みです。

SCMは形式的に、3つの要素の組⁴¹。例えば、「売上」という内生変数は、売上 = f(広告費, 季節性, U_{売上})という関数で表されます。このfが、因果的なメカニズムそのものを表現しているのです ⁴⁰。

この「生成モデル」としてのアプローチが、SCMに絶大な力をもたらします。一般的な機械学習モデル、例えば回帰式売上∼β1×広告費+β2×季節性が変数間の「相関」を記述するのに対し、SCMは売上というデータが「生成される仕組み」を記述します ⁴⁰。この仕組みが定義されているからこそ、do演算子による介入を厳密にシミュレートできるのです。do(広告費 = x)という介入は、SCMの世界では、もともとあった広告費の構造方程式を単純な広告費 = xという式で「上書き」し、他のすべての方程式はそのままにしておく、という操作に対応します ²²。これは、現実世界の一部分にだけ外科手術を施し、その結果何が起こるかをシミュレーションするようなものです。

ここで、因果推論のもう一つの大きな潮流である「ポテンシャルアウトカムフレームワーク（ルービン因果モデル、RCM）」との違いに触れておくことが重要です ⁶。RCMは、個々の対象に対して、施策を受けた場合の潜在的な結果Y(1) と、受けなかった場合の潜在的な結果Y(0)の差として因果効果を定義します ⁶。これは因果性を一種の「欠損値問題」として捉える、非常に実践的なアプローチです。対照的に、SCMは特定の施策の効果だけでなく、システム全体の因果メカニズムを方程式群としてモデル化しようとします ⁴³。この哲学的な違いは、一つのSCMはただ一つのDAGを意味するのに対し、一つのRCMは複数の異なるDAGと整合性が取れうる、という事実にも表れています ⁴³。SCMはより多くの仮定を必要としますが、その分、正しく構築できれば、複数の介入の効果を同時に検討するなど、より広範な問いに答えることができるのです。

ツール ― 理論からPythonへ

かつては純粋に学術的な領域であった因果推論が、今日、ビジネスの現場で活用できるようになった背景には、Pythonライブラリの目覚ましい発展があります ²。特に、Microsoftが開発を主導するDoWhyとEconMLは、この分野における二大巨頭と言えるでしょう。

DoWhyは、因果推論を principled（原則に基づいた）な方法で実行するためのフレームワークを提供します ⁴⁹。その設計思想は、因果分析を「モデル化」「識別」「推定」「反証」という4つの明確なステップに分解することにあります ⁵¹。

第一に、modelステップでは、分析者に因果グラフの提示を求め、暗黙的な仮定を明示的なものにすることを強制します。これは、因果的な仮定を「第一級の市民」として扱うというDoWhyの核心的な哲学です ⁴⁹。
第二に、identifyステップでは、そのグラフを用いて、データに触れることなく因果効果を計算するための数式（識別された推定対象）を導出します ⁴⁹。
第三のestimateステップで初めて、統計的な手法を用いてその数値を計算します。
そして最後に、refuteステップでは、プラセボ介入やランダムな交絡因子の追加といった方法で、得られた推定値の頑健性をテストし、仮定の妥当性を検証するのです ⁵³。

一方、EconMLは、最先端の機械学習技術と計量経済学を融合させ、因果効果を「推定」するための高性能なエンジンを提供することに特化しています ⁵⁴。特に、個人や特定のグループごとに効果がどう異なるかを示す「条件付き平均処置効果（CATE）」の推定において、その真価を発揮します ⁵⁴。EconMLは、DoWhyの4ステップにおける3番目の「推定」部分を担う、強力なプラグインと考えることができます ⁵⁷。

EconMLが提供する高度な手法のいくつかを見てみましょう。一つは「ダブル機械学習（DML）」です。これは、介入（トリートメント）と結果（アウトカム）の両方から、交絡因子の影響をそれぞれ別の機械学習モデルを使って「差し引く」という手法です ⁵⁹。この直交化と呼ばれるプロセスにより、最終的な因果効果の推定値が、個々の機械学習モデルの予測誤差に対して頑健になり、より信頼性の高い結果が得られます ⁵⁹。もう一つは「因果森（Causal Forest）」です。通常のランダムフォレストが予測精度を最大化するようにデータを分割するのに対し、因果森は分割後のグループ間で「介入効果の差」が最大になるように分割を行います ⁶¹。これにより、どのような特性を持つ人々に施策が有効なのか、という効果の異質性を発見することに特化しています。また、「正直な（honest）」推定と呼ばれる、木の構築用データと効果推定用データを分割する工夫により、信頼できる信頼区間を計算できる点も大きな特徴です ⁶³。

理想的なワークフローは、DoWhyで問題構造を定義・識別し、EconMLの強力な推定量で効果を計算することです ⁵³。ただし、一部の実践報告では、DoWhyを介さずにEconMLを直接使用した方が、より安定した結果が得られるケースも指摘されており、これはこの分野がまだ発展途上であることを示す興味深い点です ⁵⁸。したがって、熟練した分析者は、両者を組み合わせて使いつつも、時には個別に実行して結果を検証する柔軟性が求められます。

実践ガイド

理論を学んだところで、次なる課題はそれをいかにしてビジネスの現場で実践するかです。ここでは、そのための具体的な手順と考慮事項を解説します。

まず、因果分析の出発点であるDAGの構築方法です。これはアルゴリズム任せにできる作業ではありません。最初のステップは、関係者を集めることです ²⁰。マーケティング担当者、営業、人事、エンジニアといった、対象となるビジネスプロセスを深く理解する専門家とデータサイエンティストが一堂に会し、知見を出し合います。次に、考えうるすべての変数をリストアップします。介入（施策）、結果はもちろん、それらに影響を与えそうなあらゆる要因（交絡因子や中間変数）を、たとえデータが存在しなくても洗い出します ⁶⁵。第三のステップとして、データを見る前に、専門知識と論理に基づいて変数間に矢印を引いていきます。「XはYの直接的な原因か？」という問いを繰り返し、因果仮説をグラフに落とし込みます ⁴⁰。最後に、完成したグラフを精査します。矢印がない部分は「直接の因果関係はない」という強い仮定を意味します。DAGittyのようなツールを使えば、作成したグラフが持つ論理的な帰結（例えば、データ上で確認すべき独立性など）を検証し、モデルを洗練させることができます ⁶⁷。

次に、どの因果推論手法を選択すべきかという問題です。これは問題の性質とデータの種類によって決まります。もし、幸運にもRCT（ランダム化比較試験）のデータがあるなら、分析は比較的単純です。施策グループと対照グループの平均値を比較するだけで、信頼性の高い因果効果が得られます ²⁷。しかし、ビジネスの現場では観測データしかない場合がほとんどです。その場合、まず問うべきは「観測可能な変数だけで交絡を十分に統制できるか」です。もし、主要な交絡因子（年齢、性別、過去の購買履歴など）がすべてデータに含まれていると信じられるなら、「傾向スコアマッチング（PSM）」のような手法が有効です。これは、施策を受ける確率が似ている人々を両グループから見つけ出してペアにすることで、擬似的に実験状況を作り出す手法です ⁶⁹。もし、観測できない交絡因子の影響が懸念される場合は、より高度な手法が必要です。「操作変数法（IV）」は、施策にのみ影響を与え、結果には直接影響しない「操作変数」を見つけ出すことで、未知の交絡の影響を乗り越えます ²⁷。「差分の差分法（DiD）」は、施策の前後での変化を、施策を受けたグループと受けなかったグループで比較することで、時間を通じて不変な交絡因子の影響を取り除く強力な手法です ²⁷。さらに、「誰に施策が効くのか」という効果の異質性を知りたいのであれば、EconMLが提供する因果森やDMLのような機械学習ベースの手法が最先端の選択肢となります ⁵⁴。

最後に、分析結果をビジネスの意思決定者に伝える方法です。重要なのは、統計的な詳細ではなく、物語を語ることです ⁷¹。まず、分析が答えようとしたビジネス上の問いから始めます ⁵。次に、分析のロジックを専門用語を使わずに説明します。例えば、「施策の真の効果を見るために、顧客層や経済状況が似ている店舗同士を比較しました」といった具合です ⁷³。そして、仮定と不確実性について正直に伝えることが信頼につながります。「この結果は、季節と顧客の所得という主要な要因を考慮した上でのものですが、これら以外の未知の要因が影響している可能性は残ります」のように述べ、信頼区間を「真の効果は800万円から1600万円の範囲にあると95%の確信度で言えます」と直感的に説明します ⁷²。DAGそのものを見せることも、分析の論理構造を伝える非常に強力な視覚的ツールとなります ⁷⁴。

「何が」から「なぜ」、そして「もしも」へ

構造的因果モデル（SCM）とDo-Calculusは、単なる新しい分析ツールの登場を意味するのではありません。それは、私たちがデータと向き合う際の「思考のOS」そのものをアップデートする、パラダイムシフトです ²。これまでのデータ分析が、過去に何が起きたかを記述する「鏡」であったとすれば、因果推論は、未来の行動の結果をシミュレートする「実験室」を私たちの手にもたらします。

このアプローチの最大の挑戦であり、同時に最大の強みは、そのプロセスが本質的に「人間参加型（Human-in-the-loop）」である点です ²⁸。因果グラフの誤りは分析における最大のリスクですが、それは逆に、グラフを構築する過程で、現場の専門知識を持つ人々とデータサイエンティストとの間の深い対話が不可欠であることを意味します ²⁰。これまで暗黙知であったビジネスの仕組みに関する仮説が、DAGという共通言語を通じて形式知へと昇華され、吟味され、洗練されていくのです。

この分野は今も急速に進化を続けています。その最前線では、さらに野心的な問いが探求されています。一つは「因果発見」です。これは、人間が仮説として与えるのではなく、データから因果グラフそのものをアルゴリズム（PC、GES、LiNGAMなど）によって学習させようという試みです ⁷⁵。また、「因果表現学習」は、画像やテキストといった生のデータから、因果関係を論じる上で意味のある変数そのものを学習しようとする、さらに困難な挑戦です ⁷⁸。そして、TARNetやDragonnetといった深層学習モデルを因果推論の枠組みに統合し、複雑で高次元なデータが持つ交絡関係を解きほぐす研究も活発に進められています ⁸⁰。

これらの挑戦は、パールが提唱した「因果のはしご」を一段ずつ登っていく旅路に他なりません。第一の段である「相関（見ること）」から、本稿で詳述した第二の段「介入（行うこと）」へ。そして、その先にある第三の段「反実仮想（想像すること）」の高みを目指しています。

データがどれほど豊富にあっても、「なぜそれが起きたのか」が分からなければ、戦略は仮説の域を出ません。因果推論は、データを一方的に“使う”という発想から、データと“対話する”という知的な営みへと私たちを導きます。精度よりも意味を、瞬間的な成果よりも持続可能な構造理解を。これは、「なぜ」と向き合うすべての経営者と実務家にとっての、新しい思考装置なのです ²。

引用文献

因果推論を使うときに注意したほうがいいこと（ビジネス編）｜くりやま/データ分析 - note, https://note.com/kuriyama_data/n/n892a94254068
「なぜ？」を科学する：因果推論の最前線 ― Do-Calculusと構造的因果モデルの衝撃 - note, https://note.com/guts_koukun/n/n23bf17363aa4
バイアスを回避する「因果推論」の考え方｜株式会社ブルームテクノロジー, https://bloom-t.co.jp/blog/article_5833/
ビジネスの意思決定に必要な因果推論 | 三井情報（MKI）, https://www.mki.co.jp/knowledge/innovation/20250321-005546.html
Why Smarter Marketers Use Causal Analysis to Maximize Campaign Results - Swydo, https://www.swydo.com/blog/causal-analysis/
Rubin causal model - Wikipedia, https://en.wikipedia.org/wiki/Rubin_causal_model
Distilling interpretable causal trees from causal forests - arXiv, https://arxiv.org/html/2408.01023v1
note.com, 「なぜ？」を科学する：因果推論の最前線 ― Do-Calculusと構造的因果モデルの衝撃｜塚本幸一郎／ Koichiro Tsukamoto
相関関係とは？因果関係との違いや擬似相関などもまとめて理解しよう。, https://korekara-marketing.com/statistics-correlation/
相関関係と因果関係の違いを事例から解説：データ解析・分析手法 - NTTコムリサーチ, https://www.nttcoms.com/service/research/dataanalysis/causation-correlation/
相関関係と因果関係の違いは？事例や区別方法をわかりやすく解説 - GMO Ask, https://gmoask.jp/column/causality-correlation/
DAG（有向非巡回グラフ）でマーケティング施策の因果構造を理解する | 株式会社サイカ, https://xica.net/xicaron/use-dags-to-understand-causality-in-marketing/
第3回「その数字、因果ですか？」 “鵜呑みにしない力”が意思決定を守る【ビジネス因果推論】, https://note.com/hmlab/n/n899cb74220ea
データ分析はビジネスに役立たない？因果推論で意思決定に確信を！, https://www.insource-da.co.jp/dxpedia/2504_01.html
データから因果関係を明らかにする統計的因果推論とは？ - QiQUMO, https://qiqumo.jp/contents/knowhow/3241/
第383話｜ビジネスパーソンのための因果推論のことはじめ（前編 ..., https://www.salesanalytics.co.jp/column/no00383/
データから因果関係を導く！〜ルービン？パール？全部のせ - GMOインターネット, https://recruit.gmo.jp/engineer/jisedai/blog/causalinference_taxonomy/
構造因果モデルを考え描いて推定する時のメモ(未完) - ⬜︎⬜︎⬜︎ - はてなブログ, https://saltcooky.hatenablog.com/entry/2020/05/04/001619
What is causal inference and why is it important for modern-day businesses. - MathCo, https://mathco.com/article/causal-inference-and-statistical-tests-for-business-analytics/
How to develop causal directed acyclic graphs for observational health research: a scoping review - Taylor & Francis Online, https://www.tandfonline.com/doi/full/10.1080/17437199.2024.2402809
Causal-Inference Aware Data Pipelines for Financial Decision Intelligence - ResearchGate, https://www.researchgate.net/publication/393049828_Causal-Inference_Aware_Data_Pipelines_for_Financial_Decision_Intelligence
An Introduction to Causal Inference - PMC - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC2836213/
DoWhyとEconMLによる因果推論の実装 - Speaker Deck, https://speakerdeck.com/s1ok69oo/dowhytoeconmlniyoruyin-guo-tui-lun-noshi-zhuang
Causal Inference & Paradoxes - IRT SystemX, https://www.irt-systemx.fr/wp-content/uploads/2017/10/StatisticalCausality_SystemX2017.pptx-2.pdf
Chapter 3: Identification - Getting Started with Causal Inference, https://causalinference.gitlab.io/causal-reasoning-book-chapter3/
Causal model - Wikipedia, https://en.wikipedia.org/wiki/Causal_model
5 Essential Causal Inference Methods: 2023 Best Practices, https://www.numberanalytics.com/blog/5-essential-causal-inference-methods-2023
因果推論とは？「なぜそれが起きたのか」をデータで証明する分析手法, https://blog.since2020.jp/uncategorized/causal-inference-overview/
1On Pearl's Hierarchy and the Foundations of Causal Inference - Elias Bareinboim, https://causalai.net/r60.pdf
The 3 rules of do-calculus – Joshua Entrop, https://www.joshua-entrop.com/post/the_3_rules_of_do_calculus.html
The Do-Calculus Revisited Judea Pearl Keynote Lecture, August 17, 2012 UAI-2012 Conference, Catalina, CA - UCLA, https://ftp.cs.ucla.edu/pub/stat_ser/r402.pdf
do-Calculus - Causal Wizard, https://causalwizard.app/inference/article/do-calculus
Causal Models > Supplement 2. The do-calculus (Stanford Encyclopedia of Philosophy), https://plato.stanford.edu/entries/causal-models/do-calculus.html
Pythonで実践するグラフ因果推論入門第1回：因果グラフモデルの基礎（CausalGraphicalModelsを使ったDAG） - セールスアナリティクス, https://www.salesanalytics.co.jp/datascience/datascience230/
【疫学専門家監修】交絡を徹底解説 - 結果を歪める、因果推論の最重要課題 - mMEDICI, https://mmedici.co.jp/mmedici-library/zUxQIgoy
【因果推論】バックドア基準とフロントドア基準 - ひらめの日常 - はてなブログ, https://hiramekun.hatenablog.com/entry/2021/12/26/122014
第384話｜ビジネスパーソンのための因果推論のことはじめ（後編） – バックドア基準とd分離で因果関係を見抜く - セールスアナリティクス, https://www.salesanalytics.co.jp/column/no00384/
因果ダイアグラムにおけるバックドア/フロントドア基準について, https://www.math.chuo-u.ac.jp/~sugiyama/14/14-01.pdf
統計的因果推論(バックドア・フロンドドア基準、逆確率重みづけ) - データ分析関連のまとめ, https://yhiss.hatenablog.com/entry/2020/03/14/123733
Structural Causal Modeling - SCM - Pablo M. Flores, https://pablomflores.com/structural-causal-modeling/
Causes and Explanations: A Structural-Model Approach. Part II, https://ftp.cs.ucla.edu/pub/stat_ser/r266-part2.pdf
社内勉強会で因果分析力を身につけよう！ | DOORS DX - ブレインパッド, https://www.brainpad.co.jp/doors/contents/01_tech_2023-07-13-153023/
A Distinction between Causal Effects in ... - Dionissi Aliprantis, https://dionissialiprantis.com/pdfs/RCM_SCM.pdf
Pearl's Causality In a Logical Setting - UT Computer Science, https://www.cs.utexas.edu/~vl/papers/Pearll2.pdf
Causality models: Campbell, Rubin and Pearl - Erik Gahner Larsen, https://erikgahner.dk/2021/causality-models-campbell-rubin-and-pearl/
01 - Introduction To Causality — Causal Inference for the Brave and True - Matheus Facure, https://matheusfacure.github.io/python-causality-handbook/01-Introduction-To-Causality.html
A distinction between causal effects in structural and rubin causal models - IDEAS/RePEc, https://ideas.repec.org/p/fip/fedcwp/1505.html
Causal Inference in Python: Applying Causal Inference in the Tech Industry [1 ed.] 1098140257, 9781098140250 - DOKUMEN.PUB, https://dokumen.pub/causal-inference-in-python-applying-causal-inference-in-the-tech-industry-1nbsped-1098140257-9781098140250.html
Comparison to other causal inference packages — DoWhy documentation - PyWhy, https://www.pywhy.org/dowhy/v0.8/getting_started/comparison.html
Getting started with DoWhy: A simple example - PyWhy, https://www.pywhy.org/dowhy/v0.8/example_notebooks/dowhy_simple_example.html
Causality Worked Examples. Shivani Shekhawat - Medium, https://medium.com/@shekhawatshivani96/causality-worked-examples-10863147e066
DoWhy – A library for causal inference - Microsoft Research, https://www.microsoft.com/en-us/research/blog/dowhy-a-library-for-causal-inference/
Conditional Average Treatment Effects (CATE) with DoWhy and EconML - PyWhy, https://www.pywhy.org/dowhy/v0.5.1/example_notebooks/dowhy-conditional-treatment-effects.html
Econometrics + Machine Learning Combined together to create this powerful package called “EconML” | by Heath Thapa | Medium, https://medium.com/@heaththapa/econometrics-machine-learning-combined-together-to-create-this-powerful-package-called-econml-298e73875c80
py-why/EconML: ALICE (Automated Learning and Intelligence for Causation and Economics) is a Microsoft Research project aimed at applying Artificial Intelligence concepts to economic decision making. One of its goals is to build a toolkit that combines state-of-the-art machine learning techniques with econometrics in order to bring automation - GitHub, https://github.com/py-why/EconML
EconML: A Python Package for ML-Based Heterogeneous Treatment Effects Estimation, https://aiws.net/practicing-principles/modern-causal-inference/augmenting/labs-tools/econml-a-python-package-for-ml-based-heterogeneous-treatment-effects-estimation/
Frequently Asked Questions (FAQ) — econml 0.15.1 documentation, https://econml.azurewebsites.net/spec/faq.html
DoWhyとEconMLでLalonde datasetの因果推論 #Python - Qiita, https://qiita.com/chicken_data_analyst/items/61443842631c6c564ca2
因果フォレスト（Causal Forests）をPythonで実践的に学ぶ（その２）Pythonでの因果フォレストの準備 - セールスアナリティクス, https://www.salesanalytics.co.jp/datascience/datascience186/
Python: Estimation of Price Elasticities with Double ... - DoubleML, https://docs.doubleml.org/tutorial/stable/notebooks/py_elasticity_analysis.html
Causal Forest | LOST, https://lost-stats.github.io/Machine_Learning/causal_forest.html
How do applied researchers use the Causal Forest? A methodological review - arXiv, https://arxiv.org/html/2404.13356v2
Recursive partitioning for heterogeneous causal effects - PNAS, https://www.pnas.org/doi/10.1073/pnas.1510489113
Tutorial on Causal Inference and its Connections to Machine Learning (Using DoWhy+EconML) - PyWhy, https://www.pywhy.org/dowhy/v0.8/example_notebooks/tutorial-causalinference-machinelearning-using-dowhy-econml.html
Directed acyclic graphs for clinical research: a tutorial - PMC - PubMed Central, https://pmc.ncbi.nlm.nih.gov/articles/PMC10505364/
A Brief Guide on DAGs: Characteristics, Types, and Practical Uses - Maruti Techlabs, https://marutitech.com/importance-of-dags-in-data-engineering/
DAGitty - drawing and analyzing causal diagrams (DAGs), https://www.dagitty.net/
A Beginner's Guide to Causal Inference for Data Scientists - Medium, https://medium.com/@sahin.samia/a-beginners-guide-to-causal-inference-for-data-scientists-04e036d0b57b
Propensity Score Matching - Medium, https://medium.com/@eldanazare/propensity-score-matching-2ab9f13dfe06
Propensity Score Matching - GeeksforGeeks, https://www.geeksforgeeks.org/propensity-score-matching/
Interpreting and Communicating Data Science Results - MachineLearningMastery.com, https://machinelearningmastery.com/interpreting-and-communicating-data-science-results/
Causality in Data Analysis: Best Practices - Number Analytics, https://www.numberanalytics.com/blog/causality-in-data-analysis
Part 1: Simplifying causal inference to connect stakeholders and data scientists - Medium, https://medium.com/@robson.tigre0/part-1-simplifying-causal-inference-to-connect-stakeholders-and-data-scientists-e119856f0f61
Causal AI: Use Cases, Need, Benefits, Challenges and Strategies - LeewayHertz, https://www.leewayhertz.com/causal-ai/
Causal Discovery — Actable AI release documentation, https://docs.actable.ai/causal_discovery.html
How Can AI Discover Cause and Effect? | causaLens, https://causalai.causalens.com/resources/white-papers/how-can-ai-discover-cause-and-effect/
Appendix A. Causal Discovery Algorithms, https://proceedings.mlr.press/v214/binkyte23a/binkyte23a-supp.pdf
NeurIPS: Why causal-representation learning may be the future of AI - Amazon Science, https://www.amazon.science/blog/neurips-why-causal-representation-learning-may-be-the-future-of-ai
ICML 2022 Tutorial - Google Sites, https://sites.google.com/view/causalityanddeeplearning/start
Causal Inference Meets Deep Learning: A Comprehensive Survey - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC11384545/
Vector Research Blog: Causal Effect Estimation Using Machine Learning, https://vectorinstitute.ai/vector-research-blog-causal-effect-estimation-using-machine-learning/
Adapting Neural Networks for the Estimation of Treatment Effects, https://arxiv.org/pdf/1906.02120