疑似相関（擬似相関）とは？因果関係との違いと見抜き方を例で図解

こんにちは、シラスです。

回帰分析を使って $y = ax + b$ という数式を作ると、私たちはついこう考えてしまいます。

しかし、ここに大きな落とし穴があります。
統計学において、「相関関係（一緒に動くこと）」と「因果関係（原因と結果）」は全くの別物だからです。

もしここを履き違えると、良かれと思ってやった対策が全くの無駄に終わるどころか、事態を悪化させることさえあります。

今日は、データ分析者が最も警戒すべき罠、「擬似相関（ぎじそうかん）」について解説します。

相関と回帰分析そのものの基礎（散布図・相関係数 r・単回帰の式）は、相関と回帰分析の基礎｜単回帰・散布図・相関係数で図解しています。

1. 有名なパラドックス：アイスクリーム殺人事件

統計学の世界で、あまりにも有名な例え話があります。

回帰分析をすれば、見事な右肩上がりの直線が引けます。
$R^2$（決定係数）も非常に高い値が出るでしょう。

では、市長であるあなたは、水難事故を減らすために以下の政策を実行すべきでしょうか？

……もちろん、違いますよね。
アイスを禁止しても、水難事故は1件も減りません。

2. 真犯人：「交絡因子」の存在

なぜアイスと事故が連動していたのか？
それは、両方の背後に隠れた「第三の要因」がいたからです。

アイスと事故の間には、直接的な関係（因果）はありません。
共通の原因である「気温」によって、あたかも関係があるかのように見えていただけなのです。

このように、隠れた第三者（交絡因子）のせいで見えるニセモノの相関を、「擬似相関（Spurious Correlation）」と呼びます。

3. 回帰分析の限界：因果の壁

ここで重要な事実をお伝えします。

計算ソフトは優秀ですが、常識を持っていません。
「アイス」と「事故」の数字を与えれば、喜んで「強い関係があります！」と計算してしまいます。

だからこそ、最後に判断するのは「人間のドメイン知識（現場の知見）」なのです。

• 「物理的に考えて、アイスが人を溺れさせるメカニズムはあるか？」
• 「他に影響している要因（気温など）はないか？」

この「疑う力」こそが、データサイエンティストに求められる最大のスキルです。

まとめ

「データドリブン（データ駆動）」は素晴らしいことですが、「データだけ」見て判断するのは危険です。

回帰直線を引いた後は、必ず一度立ち止まって、「これは本当に因果関係なのか？ 別の黒幕がいるんじゃないか？」と自問してみてください。

その慎重さが、あなたと組織を誤った意思決定から守ってくれるはずです。