因果フォレストとは？概要とビジネス活用事例を徹底解説！

近年、個々の属性に応じた施策の効果を正確に推定する因果推論に注目が集まっています。

特に因果フォレスト（Causal Forest）は、個人の性別・年齢・収入などの属性に基づいた異なる効果（異質性）を分析する手法のため、「誰に」「どのくらい」施策が効果的かを明確に示すことができることから、マーケティング分野などの意思決定において活用されています。さらには臨床試験、公共政策、経済学など、多岐にわたる分野での施策決定に非常に有効な手段となるため注目を集めています。

因果フォレストの前提

因果推論における因果効果の推定では、一般的に個人ごとに対して施策の効果を推定するのではなく、施策実施グループと施策非実施グループに対して目的変数（結果として見たい指標）の平均を求め、その差分を因果効果とする平均介入効果（ATE：AverageTreatment Effect）を求める手法が用いられます。

しかしながらATEでは、個人や属性ごとに異なる効果がある場合その測定ができません。
そこで今回は個人や属性ごとに異なる効果である「異質性」を推定する手法として因果フォレストについて紹介します。

因果フォレストとは

因果フォレストとは異質性による因果効果を推定できる手法になります。この手法を使用することで施策が「誰に」「どのくらい」効果があるのかを見ることができます。

例えば、若年層の男性向けにキャンペーンを実施した場合以下のように20代男性には4,000円の売上増加、20代女性には4,000円の売上減少、50代の男女では売上に因果効果がなかった事例を考えます。

ATEで見ると0円と因果効果がないという結果になりますが、異質性を考慮すると20代男性に因果効果があることが考えられます。この事例を実際の因果フォレストの結果として出力すると以下のようになります。

Y軸に因果効果（今回は円）で、X軸に年齢、男性女性で色分けして表現しています。
上図からも、男性は20~40代で年齢の正の因果効果が考えられ、女性は20~40代で年齢の負の因果効果があると考えられます。一方、男女共に50代以降は年齢の因果効果がないと考えられます。

このように因果フォレストを用いることで「誰に」「どのくらい」効果があるのかを推定することができます。これにより男性の20~40代にターゲットを絞りキャンペーンを実施することで、全員を対象に実施するよりコストが低く、かつ高い効果を期待することができます。

ビジネス活用事例

先述の通り、因果フォレストはマーケティング、CRM、臨床試験、公共政策など多岐にわたる効果測定で使用できるものです。以下の場面でも有効とされています。

製薬会社での事例

製薬会社の取り組みとして、「どのような属性を持つ人が目的変数に対してより効果的か」を分析するために、因果フォレストが使用された事例があります。具体的には、薬品の摂取を処置（介入）とした時に、身長や体重の大小、年齢や生活規則などどのような条件、属性が薬品の効果を高めるのかを明確にするという事例です。

これにより、薬品を摂取することが有効か、有効な場合どのような人に対して有効なのかを明確にすることができます。

本記事では条件や属性による効果の違いである異質性を証明するために因果フォレストを用いた分析事例について紹介します。

以下、データの概要です。

上記のデータに対して因果フォレストを用いて以下の手順で実施します。

上記のフロー図は、因果推論をおこなう際の手順になっております。この手順で実施することで、実際の因果効果に対して過剰、過小に推定してしまうバイアスを除去しながら実施し、間違った結論になってしまうことを防ぎます。

以上の因果推論の手順に沿って分析を実施しました。

実施手順や考慮すべき変数などは複雑ですが、これらのステップを経ることで解釈しやすい結果を得ることができます。因果フォレストの強みは、まさに解釈しやすいことにあります。

注意点

因果推論で正確な効果を推定するにあたって以下の点に注意が必要です。

データセットに問題はないか？

データの欠損やバイアスを含んでしまっていないか確認する必要があります。
特に発生・混入しやすい、情報バイアス（入力ミスや測定方法によってばらつきが生じることで発生）や選択バイアス（収集したデータに偏りがある場合に発生）が含まれていると、誤った結果となってしまいます。

因果構造に問題はないか？

因果構造に問題がないかをチェックするために以下のような点に注意が必要です。

◆DAGで表現している場合、次の要素が明確になっているか

• 共変量：処置変数や結果変数に影響を与え、かつ処置変数の影響を受けていない変数のこと。
  無視した場合、共変量の影響により因果効果を誤って推定してしまう可能性があります。
• 交絡因子：処置変数と結果変数の両方に影響を与える変数のこと。
  調整しない場合、説明変数と結果変数の間に因果関係がないにもかかわらず、因果関係があるように見せてしまう。見かけ上の因果関係が生じる可能性があります。
• 中間変数：処置変数の影響を受けており、その変数が結果変数に影響を与えているの変数のこと。
  誤った調整（モデルから除外など）をすると、因果経路が断たれ、処置変数の影響が過小評価される可能性があります。

Causal Forest DMLでは上記の変数を制御変数に含めることで調整可能です。

◆次の要素を識別できているか

• d分離：DAGにおける変数の独立性を判定するルールのこと。
  d分離を利用して交絡因子を調整することで、スプリアスな因果関係や交絡バイアスを防ぐことが可能になります。
• バックドア基準：処置変数から結果変数へ向かう交絡経路を遮断するために、調整すべき変数を特定するルールのこと。
  バックドア基準に基づいて適切な変数を調整することで、交絡因子による影響を除去し、因果推定の偏りを最小化することが可能になります。
• フロントドア基準：バックドア基準を利用できない場合（未観測の変数がある場合など）に中間変数を利用して因果効果を推定する方法のこと。
  フロントドア基準は、中間変数を活用することで、交絡因子が直接制御できない状況でも因果効果を推定可能になります。

識別仮定を満たしているか？

識別仮定を満たしているか確認するために、識別可能性とSUTVAを確認する必要があります。
識別可能性を確認するためには①独立性②正値性が成立しているかどうかを確認する必要があり、SUTVAを確認するために③相互作用の有無④一致性を確認する必要があります。

用語説明

識別可能性：観測データから母数が一意に推定できる状態

①独立性（交換可能性）
施策を実施した場合、実施していない場合に関わらず、結果が独立している状態
②正値性
施策実施される確率、施策実施しない確率のどちらかに割り当てられる確率が0でない状態

SUTVA：処置を受ける個体において処置の効果が安定している状態

③相互作用なし
潜在的結果変数が他の個体の処置状態に依存しない状態
④一致性
処置の結果が潜在的な結果と一致する状態

まとめ

因果フォレストでは異質性による因果効果を推定し、施策が「誰に」「どのくらい」効果があるのかを見ることができます。
この手法はマーケティング、臨床試験、公共政策、経済学など、多岐にわたる分野での施策決定に非常に有効であり、結果の解釈がわかりやすいため、データ分析について詳しくない方に対して強い説得力を与えるものとなります。

因果フォレストの特性や注意点を踏まえた、一歩深い分析の役に立てれば幸いです。

こちらもご覧ください