因果メディエーション分析とは？媒介効果の分解手法を解説

因果メディエーション分析とは

因果メディエーション分析（Causal Mediation Analysis）は、ある原因（処置）が結果に影響を及ぼす経路を「直接効果」と「間接効果」に分解する統計手法です。間接効果とは、原因が媒介変数（メディエーター）を経由して結果に至る経路の効果を指します。

たとえば「研修プログラムが業績を向上させる」という因果関係を考えるとき、研修が直接業績に効くのか、それとも研修がスキル向上を媒介して業績に影響するのかを区別できます。Baron & Kenny（1986）が提唱した古典的な手法を起点に、Imai, Keele, Tingley（2010）らが因果推論の枠組みで一般化しました。

構成要素

因果メディエーション分析は、3つの変数と2つの効果から構成されます。

3つの変数

変数	役割	例
処置変数（T）	原因となる介入や要因	研修の実施有無
媒介変数（M）	処置と結果を仲介する変数	スキルレベル
結果変数（Y）	最終的な成果	業績評価スコア

2つの効果

直接効果（ADE: Average Direct Effect）: TがMを経由せずYに影響する経路です
間接効果（ACME: Average Causal Mediation Effect）: TがMを変化させ、MがYに影響する経路です
全体効果 = 直接効果 + 間接効果の関係が成り立ちます

実践的な使い方

ステップ1: 因果モデルを定義する

処置、媒介変数、結果変数の関係を有向非巡回グラフ（DAG）として描きます。ドメイン知識に基づいて、媒介変数の候補を特定することが重要です。

ステップ2: 媒介モデルと結果モデルを推定する

2つの回帰モデルを構築します。

媒介モデル: M = f(T, X) … 処置が媒介変数に与える影響
結果モデル: Y = g(T, M, X) … 処置と媒介変数が結果に与える影響

Xは交絡を制御するための共変量です。

ステップ3: 効果を分解し推定する

媒介モデルと結果モデルの推定結果をもとに、ACMEとADEを算出します。RのmediationパッケージやPythonのDoWhyなどのツールで、ブートストラップ法による信頼区間も取得できます。

ステップ4: 感度分析を行う

逐次的無視可能性（Sequential Ignorability）の仮定が成立しない場合の影響を、感度分析で検証します。未観測の交絡がどの程度存在すると結論が覆るかを定量的に評価します。

活用場面

マーケティング施策の効果経路分析: 広告が認知を経由して購買に至る経路と、直接購買を促す経路を分離します
人事施策の効果検証: 研修がスキル向上を媒介して業績に効くのか、モチベーション向上を媒介するのかを特定します
医療介入の機序解明: 治療が生理指標の変化を経由して予後に影響する経路を分析します
政策評価: 教育政策が学力テストを媒介して就業率に影響する経路を検証します

注意点

逐次的無視可能性の仮定

媒介分析の因果解釈は「逐次的無視可能性」（処置の割り当てと媒介変数の両方が条件付きで無作為化に近い状態）を前提とします。この仮定は観察データでは検証できないため、感度分析が不可欠です。

媒介変数の選定バイアス

ドメイン知識なく媒介変数を恣意的に選ぶと、偽の媒介効果を検出してしまいます。理論的根拠のある変数を選ぶことが重要です。

処置後交絡の問題

処置が媒介変数だけでなく他の変数も変化させ、その変数が結果に影響する場合、間接効果の推定にバイアスが生じます。DAGによる因果構造の慎重な検討が必要です。

まとめ

因果メディエーション分析は、単に「効果があるか」だけでなく「なぜ効果があるのか」を理解するための手法です。ビジネス上の介入がどの経路を通じて成果に結びつくかを明らかにすることで、施策の最適化や理論の精緻化に貢献します。ただし、因果的な仮定が強いため、感度分析と合わせて結論の頑健性を確認することが実務上の鍵となります。

因果メディエーション分析とは？媒介効果の分解手法を解説