「アイスクリームが売れると熱中症患者が増える。」
「スマートフォンを長く使う生徒ほど成績が低い。」
「コーヒーを飲む人は長生きする。」
このような話をニュースやインターネットで見かけたことはないでしょうか。
一見すると、「アイスクリームが熱中症を引き起こす」「スマートフォンが学力を下げる」「コーヒーが寿命を延ばす」と考えてしまいそうです。しかし、統計学では、このような結論をすぐに導くことはできません。
なぜなら、「一緒に変化していること（相関）」と、「原因と結果の関係（因果）」はまったく別の概念だからです。
統計学を学ぶうえで、この違いを理解することは非常に重要です。実際、研究論文やニュース記事を読み解く際にも、「相関がある」という結果を「因果がある」と誤解してしまうことは少なくありません。
本記事では、相関と因果の違いを身近な例を交えながらわかりやすく解説します。
相関とは何か
**相関（Correlation）**とは、2つの変数が一緒に変化する関係のことです。
例えば、
- 身長が高い人ほど体重も重くなる傾向がある
- 勉強時間が長い人ほどテストの点数が高い傾向がある
- 気温が高いほどエアコンの使用量が増える
これらは相関の例です。
重要なのは、「必ずそうなる」という意味ではなく、「全体としてそのような傾向が見られる」ということです。
統計学では、この関係の強さを相関係数で表します。相関係数については、第4部「相関係数」で詳しく学びます。
因果とは何か
**因果（Causation）**とは、一方が原因となって、もう一方に結果が生じる関係を指します。
例えば、
- ワクチンを接種したことで感染率が下がる。
- 運動を続けることで筋力が向上する。
- 肥料を与えることで植物が成長する。
このように、「原因」と「結果」が明確に結び付いている関係が因果です。
つまり、
原因 → 結果
という一方向の関係が存在します。
相関があっても因果とは限らない
ここが統計学で最も重要なポイントです。
相関があることは、「一緒に変化している」ことを意味するだけであり、その原因までは分かりません。
例えば、
夏になると、
- アイスクリームの売上が増える
- 熱中症患者も増える
という相関があります。
しかし、
「アイスクリームを食べたから熱中症になった」
とは言えません。
実際には、
気温が高くなる
という共通の原因が存在します。
このように、第三の要因が両方へ影響を与えていることがあります。
第三の変数（交絡因子）
このような「本当の原因」を統計学では**交絡因子（Confounder）**と呼びます。
例えば、
「運動する人ほど長生きする」
という調査があったとします。
もちろん運動は健康へ良い影響を与える可能性があります。
しかし、
- 年齢
- 食生活
- 喫煙
- 飲酒
- 所得
- 医療へのアクセス
なども寿命へ影響します。
もし運動する人ほど健康意識が高いのであれば、「運動」だけが原因とは言えません。
交絡因子を考慮せずに因果関係を判断すると、誤った結論になる可能性があります。
因果があるのに相関が見えないこともある
逆に、因果関係が存在していても、相関が見えにくい場合もあります。
例えば、新薬が血圧を下げる効果を持っていたとしても、
- 参加人数が少ない
- 個人差が大きい
- 測定誤差がある
などの理由で、統計的に明確な相関が確認できないことがあります。
つまり、
相関がないから因果もない
とは限らないのです。
因果関係を調べるにはどうすればよいか
因果関係を明らかにするには、単純な観察だけでは不十分です。
例えば、新しい学習方法が成績を向上させるかを調べたいとします。
もし希望者だけが新しい学習方法を使えば、もともと勉強熱心な学生が多く参加する可能性があります。
そのため、
「学習方法が良かった」
のか、
「勉強熱心だった」
のか区別できません。
そこで研究では、
ランダム化比較試験（Randomized Controlled Trial：RCT）
が行われます。
参加者を無作為に2つのグループへ分けることで、年齢や能力、性格などの違いをできるだけ均等にし、原因と結果の関係を検証します。
医学研究でRCTが「最も信頼性の高い研究デザイン」とされる理由はここにあります。
観察研究では「因果」と断定しない
新聞記事や研究論文では、
「〇〇と関連していた」
「〇〇との関連が認められた」
という表現がよく使われます。
これは、「相関」は確認されたものの、「因果」は証明できていないことを意味する場合が多くあります。
一方、
「〇〇によって改善した」
「〇〇が原因である」
という表現には、より強い証拠が必要になります。
研究者が慎重な表現を使うのは、相関と因果を区別しているからなのです。
AI時代だからこそ因果を考える
近年はAIが大量のデータから規則性を見つけることが得意になっています。
しかし、多くのAIは「相関」を学習しているのであって、「因果」を理解しているわけではありません。
例えば、
「雨の日は傘が売れる」
というデータを学習しても、
「傘をたくさん売れば雨が降る」
とは考えません。
AIを活用する時代だからこそ、人間が相関と因果を区別する力を持つことがますます重要になっています。
例題①（基礎）
ある調査で、
「読書時間が長い生徒ほど国語の点数が高い」
という結果が得られました。
この結果から言えることとして最も適切なのはどれでしょうか。
A. 読書をすると必ず国語の点数が上がる。
B. 国語が得意だから読書をするとは考えられない。
C. 読書時間と国語の点数には相関がある可能性がある。
D. 読書以外の要因は存在しない。
解答
正解はCです。
この調査から分かるのは、読書時間と国語の点数に関連がある可能性です。しかし、家庭環境や学習習慣、もともとの読解力など、他の要因が影響している可能性もあるため、因果関係までは断定できません。
例題②（応用）
ある企業では、「在宅勤務の日数が多い社員ほど仕事の成果が高い」という結果が得られました。
この結果について、「在宅勤務が成果を向上させた」と結論づけることは適切でしょうか。
解答
この結果だけでは適切とは言えません。
例えば、
- 成果の高い社員ほど在宅勤務を認められている。
- 管理職より専門職のほうが在宅勤務を利用しやすい。
- 職種によって在宅勤務のしやすさが異なる。
などの交絡因子が考えられます。
在宅勤務そのものが成果を向上させたのか、それとも別の要因が影響しているのかを区別するためには、研究デザインの工夫や交絡因子を考慮した統計解析が必要になります。
まとめ
相関とは、2つの変数が一緒に変化する関係であり、因果とは、一方が原因となって他方に影響を与える関係です。相関があるからといって、必ずしも因果関係があるとは限りません。そこには交絡因子と呼ばれる第三の要因が存在することも多くあります。
研究やニュースでは、「関連がある」という結果を「原因である」と誤解しないことが重要です。因果関係を明らかにするためには、適切な研究デザインや統計解析が必要になります。
統計学は「数字を見る学問」ではなく、「数字の背景を考える学問」でもあります。相関と因果を区別できるようになることは、統計リテラシーを身につけるうえで欠かせない第一歩です。
▼第一部の掲載記事一覧（リンク）
コメント