中断時系列分析（ITS）とは？介入効果を時系列データから推定する因果分析

中断時系列分析とは

中断時系列分析（Interrupted Time Series Analysis、以下ITS）とは、ある介入（政策の施行、プログラムの導入、制度の変更など）の前後における時系列データの変化パターンを統計的に分析し、介入の因果的効果を推定する準実験デザインの手法です。ランダム化比較試験（RCT）が実施できない状況における、最も強力な準実験的因果推論手法の一つとされています。

ITSの本質は「もし介入がなかったら、データはどのように推移していたか」という反事実（counterfactual）を、介入前のトレンドの延長線として推定する点にあります。介入後の実績値と反事実の推定値の差を介入効果として定量化します。

この手法が特に有用なのは、公衆衛生政策、医療制度改革、規制導入、税制変更といった大規模な介入の効果評価です。これらの介入は対照群の設定が困難であり、かつ介入の時点が明確に特定できるため、ITSの適用条件を満たしやすいのです。コンサルティングにおいても、クライアントが導入した施策の効果を定量的に検証する場面で強力なツールとなります。

構成要素

基本モデルの構造

ITSの基本モデルは、以下の4つのパラメータで介入効果を記述します。

ベースラインレベル（β0）は介入前のアウトカム水準を表し、ベースラインの傾き（β1）は介入前の時間トレンド（1期あたりの変化量）を示します。レベル変化（β2）は介入直後のアウトカムの急激な変化量であり、傾き変化（β3）は介入後のトレンドの傾きが介入前と比べてどれだけ変化したかを表します。

回帰式は Yt = β0 + β1・Time + β2・Intervention + β3・Time_after_intervention + εt と表現されます。ここで Time は時間変数、Intervention は介入後を1とするダミー変数、Time_after_intervention は介入後の経過時間です。

レベル変化と傾き変化

介入効果はレベル変化と傾き変化の2つの次元で捉えます。レベル変化は介入直後の即時的な効果を反映し、傾き変化は介入後の長期的なトレンド変化を反映します。たとえば喫煙規制の導入であれば、施行直後の喫煙率の急激な低下がレベル変化、施行後の喫煙率低下速度の変化が傾き変化に相当します。

反事実の推定

介入がなかった場合の推定値（反事実）は、介入前のトレンドを介入後に外挿することで得られます。この反事実と実際のデータの差が介入効果の推定値となります。反事実の推定精度はITS全体の結論の妥当性を左右するため、介入前のデータポイントの数と質が極めて重要です。

実践的な使い方

ステップ1: 介入と評価指標を明確に定義する

介入の時点を正確に特定し、評価するアウトカム指標を決定します。介入の時点が曖昧な場合（段階的に導入された場合など）はITSの適用が困難になります。また、データの取得頻度（日次、週次、月次、四半期）と介入前後のデータポイント数を確認します。一般的に、介入前後それぞれ最低8ポイント、できれば24ポイント以上が推奨されます。

ステップ2: データの準備と事前検証

時系列データの特性を事前に検証します。季節性の有無、自己相関の構造、外れ値の存在を確認します。季節性がある場合は季節調整を行うか、季節ダミー変数をモデルに含めます。自己相関が存在する場合は、通常の最小二乗法ではなく一般化最小二乗法やニューウェイ・ウェスト標準誤差を使用する必要があります。

ステップ3: セグメント回帰モデルの構築

介入前と介入後の2つのセグメントにデータを分割し、セグメント回帰モデルを推定します。統計ソフトウェア（R、Stata、Python）を使用し、レベル変化と傾き変化のパラメータの点推定値と信頼区間を算出します。Rであればnlmeパッケージのgls関数、Pythonであればstatsmodelsのitsパッケージが利用可能です。

ステップ4: モデル診断と感度分析

モデルの妥当性を複数の観点から検証します。残差の自己相関検定（ダービン・ワトソン検定）、残差の正規性検定、介入時点の感度分析（介入時点を前後にずらしたときの結果の安定性）、先行トレンドの検定（介入前にすでにトレンド変化が起きていないかの確認）を実施します。

活用場面

政策効果の検証: 規制導入、法改正、税制変更などの政策介入が目標指標に与えた因果的効果を定量化します
プログラム評価: 研修プログラム、業務改善施策、新システム導入の効果を時系列データから客観的に評価します
医療介入の評価: 診療ガイドラインの変更、処方規制の導入、公衆衛生キャンペーンの効果を検証します
マーケティング施策の効果測定: 大規模なキャンペーンやブランドリニューアルの効果を、売上や認知度の時系列データから推定します
コスト削減施策の検証: コスト構造改革や調達方針変更の効果を、月次コストデータの変化パターンから定量化します

注意点

同時イベント（共発生）の問題

介入と同時期に別のイベント（競合他社の参入、経済環境の変化、別の政策変更など）が発生していた場合、観察された変化が介入によるものか同時イベントによるものかの区別が困難になります。この脅威を緩和するために、対照群を設定したControlled ITS（CITS）の採用や、既知の同時イベントを共変量としてモデルに含める方法が有効です。

介入前データの不足

介入前のデータポイントが少ないと、ベースラインのトレンドが安定的に推定できず、反事実の信頼性が低下します。また非線形なトレンドを線形モデルで近似することになり、バイアスが生じる可能性があります。

介入の段階的導入への対応

多くの実務的介入は一時点で完全に導入されるわけではなく、段階的・地域的に導入されます。このような場合は、介入のフェーズを複数のダミー変数で表現する多段階ITSモデルや、導入率を連続変数として扱うモデルに拡張する必要があります。

まとめ

中断時系列分析は、明確な介入時点の前後で時系列データのレベル変化と傾き変化を推定することで、介入の因果的効果を評価する手法です。RCTが困難な実務場面での政策・施策評価に特に有用であり、適切なデータがあればExcelでも基本的な分析が可能です。共発生イベントの統制とデータポイント数の確保が分析の信頼性を左右する最重要要因です。