【因果推論の最前線】構造的因果モデル（SCM）とは？グラフ×方程式で“なぜ？”に答える数理フレームワーク🧩📊
「相関関係はある。でも、それは因果関係なの？」
そんな疑問に正面から答えるために発展してきたのが、**構造的因果モデル（Structural Causal Model, SCM）**です。
統計学×グラフ理論×方程式を融合したこのフレームワークは、因果推論の中核をなす存在として、機械学習・社会科学・医療・経済学など幅広く応用されています。
この記事では、
-
構造的因果モデル（SCM）とは何か？
-
従来の統計モデルとの違い
-
数理的な構造と操作可能性
-
実践での使い方と応用例
を、初学者にもわかりやすく解説します🧠🔍
✅ 構造的因果モデル（SCM）とは？
SCMとは、
因果関係を明示的に記述するモデルで、各変数を“構造方程式”と“グラフ構造”で表現する枠組み
です。
🔧 数学的構成
構造的因果モデルは、3つの要素から成り立ちます：
-
変数集合：観測変数 V={X1,X2,...,Xn}V = \{X_1, X_2, ..., X_n\}
-
構造方程式の集合：各変数を決定する関数
Xi=fi(pai,Ui) X_i = f_i(\text{pa}_i, U_i)
ここで pai\text{pa}_i：XiX_i の親変数、UiU_i：外生ノイズ -
因果グラフ（DAG）：変数間の因果関係を示す有向非巡回グラフ
📊 SCMのイメージ図
U1 U2 U3
↓ ↓ ↓
X1 → X2 → Y
-
X1X1 は X2X2 に因果的に影響
-
X2X2 は YY に影響
-
各ノードには外生ノイズ UU がある（観測不能）
📌 このグラフ構造が因果関係そのものを表現しているのがSCMの特徴！
🔁 統計モデルとの違い
| 特徴 | 従来の統計モデル | 構造的因果モデル（SCM） |
|---|---|---|
| 関係の意味 | 相関・条件付き独立 | 因果関係 |
| 数式の向き | 対称（同時分布） | 非対称（原因 → 結果） |
| 操作（介入） | モデル外で扱う（シミュレーション） | 明示的に「do演算」で扱える |
| グラフの使い方 | ベイジアンネット（推論目的） | 因果推論目的のグラフ |
🔨 SCMでできること
✅ 1. 介入（do演算）による因果効果の計算
P(Y∣do(X=x))P(Y \mid \textbf{do}(X = x))
→ ただの条件付き確率ではなく、「X を x に強制的に固定した世界での Y の分布」を意味する
✅ 2. 反実仮想（counterfactual）
「もしあのとき、AをしていなかったらBはどうなったか？」
SCMでは、**実際に観測されたデータに基づいて、“別の選択肢を取った場合の世界”**を数学的に構築できます。
✅ 3. 因果構造の学習・識別
-
観測データだけから因果構造（グラフ）を復元する
-
「因果探索（Causal Discovery）」アルゴリズムがここで登場（例：PCアルゴリズム、LiNGAM）
🧠 SCMの実用例
🏥 医療：治療の効果推定
「薬Aが本当に症状改善に寄与したのか？」
→ do(薬Aを投与) で症状の変化をモデル化
📈 経済学：政策評価
「最低賃金引き上げが雇用に与える影響は？」
→ do(最低賃金 = x) による介入分析
🧬 バイオ：遺伝子ネットワーク
→ 因果グラフで遺伝子間の調節関係をモデリング
🤖 AI：因果強化学習・ロバスト推論
→ SCMを使った外挿性の高いモデルの構築が注目されている
🛠 PythonでのSCMツール
-
DoWhy: Microsoft製の因果推論ライブラリ -
CausalNex: Bayesian Networkベースの因果分析ツール -
dowhy.gcm: グラフィカル因果モデルの拡張 -
econml: 経済モデル × 機械学習の因果推論
📌 いずれも、SCM的なフレームワークで介入・反実仮想の推定が可能！
✅ まとめ
-
構造的因果モデル（SCM）は、変数間の因果構造をグラフと関数で明示的に定式化するモデル
-
条件付き確率だけでは扱えない「介入」「反実仮想」が可能
-
統計モデルと違って、操作・干渉のシナリオを数学的に表現できる！
-
医療・政策・AIなど、実世界の“なぜ”に答えるための基盤
次回は、**「do演算とは何か？ベイズとの違いは？」**をテーマに、介入を扱う数学的ツールとしてのdo演算を深掘りしていきます！
因果推論をさらに一歩進めたい方は、ぜひご期待ください📘✨