傾向スコア分析とは？観察データから因果効果を推定するマッチング手法

傾向スコア分析とは

傾向スコア分析（Propensity Score Analysis）とは、ランダム化比較試験（RCT）を実施できない観察データから、施策や介入の因果効果を推定するための統計手法です。1983年にポール・ローゼンバウム（Paul Rosenbaum）とドナルド・ルービン（Donald Rubin）が発表した論文で提唱されました。

傾向スコア（Propensity Score）とは、ある個体が処置群（施策を受けるグループ）に割り当てられる確率のことです。観察データでは、施策を受けるかどうかが無作為ではなく何らかの要因で決まるため、処置群と対照群の間に系統的な偏り（セレクションバイアス）が生じます。傾向スコアを用いてこの偏りを補正することで、あたかもRCTに近い条件で因果効果を推定する、というのがこの手法の核心です。

コンサルタントにとって傾向スコア分析が重要な理由は、ビジネスの現場ではRCTが実施できない場面が圧倒的に多いからです。研修プログラムの効果検証、マーケティング施策のROI算出、経営施策の導入効果の評価など、「施策を受けたグループと受けなかったグループを公平に比較したい」場面は無数にありますが、過去のデータを用いた事後分析にならざるを得ないケースがほとんどです。傾向スコア分析は、こうした観察データから「できる限りフェアな比較」を実現する手法です。

構成要素

傾向スコアの推定

傾向スコアはロジスティック回帰を用いて推定するのが最も一般的です。目的変数を「処置を受けたか否か（0/1）」、説明変数を「処置の割り当てに影響する共変量」として回帰モデルを構築し、各個体が処置群に入る予測確率を算出します。近年では、ランダムフォレストやブースティングなどの機械学習手法を用いた推定も増えています。

共変量（交絡因子）

傾向スコア分析の精度を左右するのが、モデルに含める共変量の選定です。共変量は、処置の割り当てとアウトカム（結果変数）の両方に影響する交絡因子を網羅的に含める必要があります。

共変量の種類	説明	含めるべきか
交絡因子	処置とアウトカムの両方に影響	必須
リスク因子	アウトカムにのみ影響	含めると推定精度が向上
操作変数	処置にのみ影響	含めると推定精度が低下する場合あり
中間変数	処置からアウトカムへの経路上	含めてはいけない

マッチング手法

傾向スコアを用いた因果効果の推定には複数の手法があります。最近傍マッチング（スコアが最も近い対照群個体とペアを組む）、キャリパーマッチング（許容幅を設定して一定範囲内でマッチング）、IPTW（Inverse Probability of Treatment Weighting、逆確率重み付け）、層別分析（スコアの範囲で層に分け各層で効果を推定）などが代表的です。

実践的な使い方

ステップ1: 因果の問いを明確にし共変量を選定する

まず「何の因果効果を知りたいのか」を明確に定義します。「研修を受けた社員は受けなかった社員より生産性が高いか」「キャンペーンに接触した顧客は非接触顧客よりLTVが高いか」のように、処置とアウトカムを特定します。次に、処置の割り当てに影響しうる共変量を、業務知識と先行研究をもとに網羅的にリストアップします。年齢、性別、部署、過去の実績、地域、入社年次など、セレクションバイアスの原因となりうる要因をすべて含めることが理想です。

ステップ2: 傾向スコアを推定する

選定した共変量を説明変数として、ロジスティック回帰モデルを構築します。目的変数は処置の有無（0/1）です。モデルの適合度（AUCなど）を確認しつつ、各個体の予測確率（傾向スコア）を算出します。処置群と対照群のスコア分布が重なっている領域（共通サポート領域）が十分にあるかを確認し、重なりが極端に少ない場合はモデルの再検討や対象の限定が必要です。

ステップ3: マッチングまたは重み付けを適用する

推定した傾向スコアを用いて、処置群と対照群のバランスを調整します。最近傍マッチングでは、処置群の各個体に対してスコアが最も近い対照群の個体をペアとして選びます。IPTWでは、傾向スコアの逆数を重みとして各個体に付与し、重み付き分析を行います。どの手法を選ぶかは、サンプルサイズ、処置群と対照群の比率、分析の目的（ATE vs ATT）によって判断します。

ステップ4: バランスを検証し因果効果を推定する

マッチングや重み付けの後、処置群と対照群の共変量分布が均衡しているかを検証します。標準化平均差（SMD）が0.1以下であれば良好なバランスとされます。バランスが不十分な場合は、モデルの修正や異なるマッチング手法の適用を試みます。バランスが確認できたら、マッチングされたサンプルまたは重み付けされたサンプルを用いて、処置群と対照群のアウトカムの差（因果効果）を推定します。

活用場面

• 研修プログラムや人材育成施策の効果を、受講者と非受講者の比較から推定する場面
• マーケティングキャンペーンのROIを、接触顧客と非接触顧客の購買行動から評価する場面
• 新規制度（在宅勤務制度、インセンティブ制度等）導入の効果を事後的に検証する場面
• M&A後の統合施策が業績に与えた影響を、統合企業と非統合企業の比較から分析する場面
• 医療・ヘルスケア分野で、治療法の効果を患者の観察データから推定する場面
• 政策評価において、施策の対象地域と非対象地域の成果を比較する場面

注意点

傾向スコア分析の最大の限界は、「観測されていない交絡因子」への対処が原理的にできない点です。モデルに含まれていない変数がセレクションバイアスの原因となっている場合、傾向スコアでは補正できません。この「隠れた交絡」の存在を完全に否定することはできないため、傾向スコア分析の結果を「因果関係の証明」として過度に解釈すべきではありません。感度分析（Sensitivity Analysis）を併用して、結果の頑健性を検証することが推奨されます。

また、共通サポート領域の問題にも注意が必要です。処置群と対照群でスコア分布がほとんど重ならない場合、マッチング可能なペアが極めて少なくなり、推定の信頼性が低下します。この場合は、対象を共通サポート領域内に限定するか、研究設計自体を見直す必要があります。

さらに、傾向スコア分析は「処置の割り当てが共変量で説明できる」という仮定（強い無視可能性の仮定）に依存しています。この仮定が成り立たない場面では、操作変数法や回帰不連続デザインなど他の因果推論手法の方が適切な場合があります。

まとめ

傾向スコア分析は、ランダム化実験ができない観察データから因果効果を推定するための統計手法です。共変量の選定、傾向スコアの推定、マッチングまたは重み付け、バランス検証という4つのステップを通じて、セレクションバイアスを補正し公平な比較を実現します。観測されない交絡因子への対処が原理的にできないという限界を理解した上で、ビジネス施策の効果検証ツールとして適切に活用することが重要です。