年齢などを調整した比較なら、政策の効果が分かる？

同じ条件の比較を模型で補う

支援を利用した人と利用しない人で年齢構成が違う場合、全体平均だけを比べると、支援と年齢の違いが混ざり得ます。結果を支援と年齢などで回帰する方法では、年齢等が同じ水準で、利用ありとなしの平均を比べる狙いがあります。

単純な直線のモデルなら、支援の係数は他の条件をモデル上一定にした平均差に対応します。しかし年齢によって支援との関連が違うモデルでは、年齢に応じた項も必要です。一つの係数が、どの集団にも同じ差を表すとは限りません。

調整後という言葉を読む際は、入れた変数、関係の形、比較する結果の単位を確認します。条件付きの差を示したのか、全体の平均にまとめたのかも分けます。条件付き係数を無条件で全員に共通の平均効果とは読みません。

何を調整したかで意味が変わる

HernánとRobinsの著者教材は、観察データの因果推論に、十分な交絡調整を可能にする測定変数があるという仮定を置きます。支援の利用と結果の両方に関わる違いを、必要な範囲で捉えられているかが問題です。

例えば就職支援の利用と就職の両方に本人の意欲が関わり、それが測定されていなければ、年齢を調整しただけでその違いは消えません。大人数のデータは推定のばらつきを小さくできても、未測定の違いを自動的に除けません。

同じ条件の人に利用ありとなしの両方が存在する比較可能性、明確に定義された支援、正しい測定とモデルの指定も必要です。ある年齢では全員が利用しているなら、同じ年齢で利用なしの結果を補うことには追加の根拠が要ります。

変数を増やせばよいとは限らない

調整変数を多くすれば必ず因果推論が改善するわけではありません。支援が技能を高め、それによって就職へつながる場合、支援の結果である技能を一定にすると、知りたい総効果の経路を遮る可能性があります。

別々の原因から影響を受ける共通の結果、いわゆるcolliderで条件をそろえると、もともとない関連を作り、偏りを生じさせる場合もあります。変数が記録されていることと、調整すべきことは同じではありません。

時間の前後だけで選ぶのでなく、支援、結果、候補変数がどう関係するかを先に考えます。ここで知りたいのが支援の総効果か別の経路かによって、適切な比較も変わります。式の当てはまりだけで調整の妥当性は決まりません。

調整済みの報告で探す情報

何を結果とし、どんな支援を比べ、何を調整したかを読みます。次に未測定の違いをどう検討したか、同じ条件で比較できるか、モデルの形を変えた場合の確認があるかを見ます。調整という語を結論の代わりにしません。

具体的な因果効果は、その研究の設計と仮定に依存します。観測された差を説明する方法を知ることと、ある政策を導入すべきと判断することも別です。調整が扱える違いと残る仮定を言葉にして読むことが大切です。

年齢を合わせても残る違い

就職支援の利用者の方が若いという架空の例です。年齢による違いをモデルへ入れ、同じ年齢の水準で結果を比べようとします。これは全体平均の比較より、何をそろえたいかを明確にする方法です。

ただし本人の意欲が利用と就職の両方に関わり、測定していないなら、その違いは残り得ます。年齢調整済みという情報だけで支援の効果と確定しません。この例は効果の数値を推定せず、必要な仮定を確認するためのものです。

持ち帰る見方

• 調整は測定した条件をそろえるモデル上の比較。
• 未測定の違いとモデル・比較可能性の仮定を読む。
• 記録がある変数を何でも調整すればよいわけではない。

次に広がる疑問

• 二つの数字が一緒に動けば、原因が分かる？
• 政策の前後の変化から、景気全体の変化をどう差し引く？
• 支援を利用しなかった人も、効果の比較に含めるのはなぜ？
• どの集団でも改善したのに、全体の割合が悪化することはある？

出典

• Causal Inference: What If（Miguel A. Hernán / James M. Robins（著者サイト））https://miguelhernan.org/s/hernanrobins_WhatIf_19aug26.pdf

  確認日：2026-10-04