相関関係のバイアスとは？　相関と因果を見誤る理由を具体例でわかりやすく解説

売上が高い顧客ほど営業担当者の訪問回数も多い。従業員満足度が高い企業ほど業績も良い。こうした数字を見ると、私たちは「では、訪問を増やせば売上も伸びる」「満足度を高めれば業績も上がる」と、原因と結果まで一気につなげたくなります。

数字には、複雑だった状況を整理してくれる安心感があります。しかも、自分たちが動かせそうな指標と成果がきれいに連動していれば、「原因が分かった」と感じ、早く施策へ移りたくなるでしょう。

しかし、二つの事象が一緒に動いていることと、一方がもう一方を引き起こしていることは別の問題です。この記事では、相関から因果を早急に読み取ってしまう問題を便宜上「相関関係のバイアス」と呼び、統計上の構造から人の心理、KPIや実務上の意思決定まで順を追って考えます。

中心となる考え方は明確です。因果を知りたいとき、相関だけでは答えになりません。相関は、原因を詳しく調べ始めるための重要な手掛かりです。

TABLE OF CONTENTS

目次

目次を開く

相関関係のバイアスとは

本記事でいう相関関係のバイアスとは、二つの事象が統計的または経験的に連動している事実から、その間に原因と結果の関係まで存在すると早急に判断してしまう思考や意思決定の偏りです。

ただし、「相関関係のバイアス」という名称を、心理学全体で統一された単一の標準用語として使っているわけではありません。本記事では、相関と因果の混同、逆因果、見かけ上の相関などに関わる判断上の問題を理解しやすくまとめるための、便宜上の表現として用いています。

心理学には近い概念として「錯誤相関（illusory correlation）」がありますが、完全な同義語ではありません。OpenStaxでは錯誤相関を、実際には存在しない二つの事象の関係を、存在するものとして認識してしまう現象として説明しています。

一方、本記事で中心的に扱うのは、実際にデータ上の相関が観測されているにもかかわらず、その事実だけから「AがBを引き起こした」と因果関係まで断定してしまう問題です。

たとえば、ある会社で「訪問回数が多い顧客ほど売上が高い」というデータが得られたとします。

管理職がそれを見て、「売れている顧客ほど訪問が多い。ならば全員の訪問件数を増やせばよい」と考えること自体は不自然ではありません。訪問回数なら測定しやすく、そのまま目標にも設定できるため、複雑だった問題が急に扱いやすくなったように感じるからです。

しかし、本当に訪問回数が売上を増やしたのでしょうか。

大型受注が見込める顧客だからこそ、営業担当者が何度も訪問していたという可能性があります。成果を生み出していたのは訪問の回数ではなく、その場で行われていた課題整理や改善提案の質だったのかもしれません。

さらに、営業能力の高い担当者ほど訪問回数も多く、同時に提案の質も高かったという別の背景も考えられます。

つまり、データから直接確認できたのは「訪問回数と売上が連動している」というところまでです。「訪問回数を意図的に増やせば売上も伸びる」という部分には、観察結果を越えた因果の推論が加わっています。

相関を見るときに大切なのは、データが示した事実と、自分が頭の中で付け加えた説明を分けることです。 ここが曖昧になると、分析だけでなく、その後の施策や評価制度までずれていきます。

相関関係と因果関係は何が違うのか

相関関係とは、二つの変数が一定の傾向を持って一緒に変化している関係です。一方、因果関係とは、一方の変化が原因となり、直接または何らかの経路を通じて、もう一方の変化を引き起こしている関係を指します。

ここで決定的なのは、「一緒に動いている」という観察と、「一方を変えればもう一方も変わる」という因果の主張の間には、追加の検証が必要になることです。

正の相関

一方の値が大きくなるにつれて、もう一方の値も大きくなる傾向を正の相関と呼びます。

たとえば、中間試験で高得点を取った人ほど期末試験でも高得点を取る傾向があれば、二つの点数には正の相関があると表現できます。散布図にすれば、全体として右上がりの形が現れるでしょう。

ただし、この結果だけから「中間試験で高得点を取ったことが、期末試験の得点を高めた」とは言えません。

もともとの学力、日々の学習量、授業への参加状況、家庭での学習環境など、双方へ関係する別の要因があるという可能性があります。

負の相関

一方の値が大きくなるほど、もう一方が小さくなる傾向は負の相関です。

ある集団で、ゲームをする時間が長い人ほど試験の得点が低い傾向が確認された場合、ゲーム時間と得点には負の相関があると表現できます。

とはいえ、「ゲーム時間が増えたため成績が下がった」と即断することはできません。勉強時間が短い人ほどゲーム時間が長くなっているのかもしれず、睡眠時間や生活習慣、学習への関心などが双方へ関係しているという可能性もあります。

無相関と相関係数が0に近い状態

統計用語としての「無相関」は、一般に相関係数が0である状態を指します。

ピアソンの相関係数で考える場合、値が0なら二つの変数に線形相関がないことを意味し、0に近い場合には少なくとも強い線形相関は確認しにくいと考えます。NISTも、標準的な相関係数について二変数の線形関係を測る指標とし、線形関係がない場合には0になると説明しています。

ここで重要なのは、「ピアソンの相関係数が0だから、二つの変数にはあらゆる意味で関係がない」とは言えないことです。

たとえば、Xがある範囲まで増えるとYも増えるものの、それを越えるとYが減少するような曲線的関係があれば、両者には明確な関係が存在していても、線形相関は小さくなる場合があります。

また、「相関係数」という言葉には順位相関など別の指標も含まれます。そのため、直線的な関係について説明する場面では「ピアソンの相関係数」と限定すると、意味を正確に保ちやすくなります。

相関関係と因果関係の違い

疫学でも、観察された関連をそのまま因果関係と解釈しないことが重視されています。CDCは、統計的な関連が確認されたとしても、偶然、選択バイアス、情報バイアス、交絡などが説明になっていないかを検討し、その後に時間的順序や他研究との整合性などを考える必要があるとしています。

「一緒に動いている」と「一方がもう一方を動かしている」は同じ意味ではありません。 この違いを押さえることが、相関を正しく読む出発点です。

相関関係のバイアスが起こる3つのパターン

相関から誤った因果関係を作ってしまう場面は、まず三つの構造に整理すると理解しやすくなります。

ここでは全体の地図をつかみ、第三の変数や交絡については後ほど詳しく見ていきます。

1 AがBを生んでいると思ったが逆だった

一つ目は逆因果です。

AがBを引き起こしていると考えたものの、実際にはBがAへ影響しているという構造になります。

たとえば、ある地域で「警察官の巡回が多い場所ほど犯罪認知件数も多い」というデータが確認されたとします。

表面だけを見れば、

という関係にも見えるでしょう。

しかし実際には、犯罪が多い地域だからこそ、治安対策として巡回回数が増えているという可能性があります。

つまり、

という逆方向です。

企業のデータでも、「問い合わせ回数の多い顧客ほど契約継続率が高い」という相関があったからといって、問い合わせを意図的に増やせば継続率が上がるとは限りません。サービスを積極的に利用している顧客だからこそ、問い合わせも多くなっているのかもしれないからです。

A→Bを思いついたら、一度B→Aへ矢印を反転させてみます。 逆向きでも自然な説明が成立するなら、まだ因果の方向を決める段階ではありません。

2 第三の要因が両方を動かしていた

二つ目は、AとBの双方に関係する別の要因Cが存在するケースです。

たとえば、暑い季節にアイスクリームの売上と水辺での事故件数が一緒に増えていたとします。

二つだけを並べれば、かなり強く連動しているように見えるでしょう。

しかし、

と同時に、

という構造があれば、アイスクリームそのものが事故を引き起こしていると考える必要はありません。

OpenStaxでも、相関が存在するときに第三の変数が双方を動かしている可能性を示し、相関だけでは因果を確立できないと説明しています。

ただし、第三の変数すべてが統計学上の交絡因子になるわけではありません。ここではまず、「AとBの背後に、双方へ関係している別の要因はないか」と考えることが重要です。

3 偶然に相関していただけだった

三つ目は、直接的な因果関係や重要な共通要因がないにもかかわらず、限られたデータの中で偶然似た動きが現れたケースです。

多くの指標を大量に比較すれば、実質的な意味がなくても、高い相関を示す組み合わせが見つかることがあります。

対象期間を少し変えると関係が消えたり、別の地域や集団では再現しなかったりするなら、偶然という説明も残しておくべきでしょう。

国立がん研究センターも、観察された関連を因果として評価する際には、偶然やバイアス、交絡といった複数の可能性を検討する必要があると説明しています。

同じ「Aが増えるとBも増える」という結果からでも、考えるべき構造は一つではありません。

相関を見た時点では、答えが決まったのではなく、候補となる説明が並び始めたと考えることです。 そう捉えるだけでも、最初に思いついた物語へ飛びつきにくくなります。

第三の変数と交絡の違い

相関関係を読み違えないためには、第三の変数という視点が役立ちます。

ただし、「第三の変数」と「交絡因子」は完全な同義語ではありません。第三の変数はAとB以外に存在する別の変数を指す広い表現であり、その変数が因果構造のどこに位置するかによって意味が変わります。

CDCは交絡を、第三の要因によって曝露と結果の関連が歪められることとして説明しています。交絡因子になり得る第三の要因は、結果と独立に関連し、曝露とも関連している一方で、曝露の結果として生じたものではないという条件を満たす必要があります。

さらにCDCは、第三の変数によって関係の強さが集団ごとに異なる「効果修飾」も、交絡とは別の概念として説明しています。

したがって、「第三の要因が見つかった＝交絡因子が見つかった」とすぐ決めるのではなく、まず背景要因を広く探し、その後で因果構造上の役割を考えるほうが安全です。

年齢と年収と血圧を例に考える

ある集団で、年収が高い人ほど血圧も高い傾向が確認されたとします。

年収と血圧だけを見れば、「所得の高い生活に、血圧へ影響する何かがあるのではないか」と考えたくなるかもしれません。

ところが、年齢という第三の変数を加えると見え方が変わります。

ある集団では、年齢が高いほど年収も高い傾向があるかもしれません。同時に、年齢と血圧にも関連があるとします。

すると、

と、

という二つの関係によって、年収と血圧まで同じ方向へ動いているように見えるという可能性があります。

ここでの目的は、年収と血圧について医学的な因果を断定することではありません。第三の要因を考慮すると、最初に見えていた二変数の関係について、解釈そのものが変わり得ることを理解するための例です。

健康情報ほど第三の要因を意識する

食品や飲料、生活習慣と病気についての情報を見ると、人は早く結論を知りたくなります。

「この飲み物をよく飲む人ほど、ある病気が多い」という情報を目にすれば、自分や家族の健康が気になり、「今日からやめたほうがよいのだろうか」と不安になるでしょう。

しかし、人の健康には年齢、喫煙、飲酒、運動、職業、所得、既往歴など、多数の要因が関係しています。

CDCも、観察された関連について、偶然や交絡だけでなく、選択バイアスや情報バイアスなどを検討する必要があると説明しています。

また、国立がん研究センターは、交絡要因に関する情報が収集されていれば統計的に補正できる場合がある一方、情報を収集していない要因や未知の要因については補正が難しくなることを説明しています。

つまり、高度な計算へ進む前に「何を測っていたのか」が重要になります。

見えていない変数は、後から数式だけですべて取り戻せるとは限りません。 第三の変数を考えることは、最初の説明を否定するためではなく、見えていなかった説明にも検討の余地を与えるためにあります。

ピアソンの相関係数が高ければ因果関係と言えるのか

結論から言えば、ピアソンの相関係数の絶対値が1に近くても、それだけで因果関係があるとは言えません。

NISTは、相関係数を二つの変数の線形関係を測る指標として説明しています。完全な正の線形関係ではプラス1、完全な負の線形関係ではマイナス1となり、線形関係がない状態では0になります。

ピアソンの相関係数が測るもの

ピアソンの積率相関係数は、一般に次の形で表されます。

r = \frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})} {\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2} \sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}

値の絶対値が大きいほど、二つの変数は散布図上で直線に近い形で連動します。

しかし、この式の中には「どちらが先に起きたか」を判断する仕組みはありません。第三の要因が双方へ影響しているかどうかについても、二変数の相関係数だけでは分からないでしょう。

したがって、相関係数が0.98だったとしても、「Aを人為的に変えればBも変わる」と証明されたことにはなりません。

強い相関の基準は一律ではない

「0.7以上なら強い相関」といった目安が紹介されることがあります。

初心者が数値の感覚をつかむには便利ですが、「強い」と評価する基準は分析目的や研究分野によって異なります。

小さな関連でも重要になる分野がある一方、企業施策ではかなり大きな変化がなければ投資に見合わない場合もあるでしょう。

そのため、相関係数だけを見て機械的に判断するのではなく、散布図、サンプル数、測定方法、対象集団、背景知識などを合わせて確認することが大切です。

強い相関が教えてくれるのは「強く一緒に動いている」という事実であり、「なぜ一緒に動いたのか」という答えではありません。

偏相関係数で第三の変数を調整する

第三の変数が関係している可能性を検討する方法の一つに、偏相関係数があります。

この部分は相関と因果の基本を理解するだけなら必須ではありませんが、第三の変数を統計的にどう扱うのかまで知りたい人にとっては有用です。

NISTは偏相関を、追加の変数の影響を取り除いた後で、残る二変数の相関を見る方法として説明しています。

三つの変数X、Y、Zがあるとき、Zを調整したXとYの偏相関係数は、次の形で表されます。

r_{xy\cdot z} = \frac{r_{xy}-r_{xz}r_{yz}} {\sqrt{1-r_{xz}^{2}}\sqrt{1-r_{yz}^{2}}}

XとYには強い単純相関があったものの、Zとの線形関係を調整すると偏相関が0に近づいたとします。

その場合、「最初に見えていたXとYの関連には、Zとの関係が大きく影響していたのではないか」と考える材料になります。

ただし、ここで「真の因果関係が分かった」と結論づけることはできません。

測定していない変数は調整できない

分析者が把握しておらず、データとして収集していない要因は、偏相関の計算へ入れられません。

年齢を調整したとしても、生活習慣や職業、別の社会的要因などが残っているという可能性があります。

因果の方向は決まらない

偏相関を求めても、X→Yなのか、Y→Xなのかという因果の向きは自動的に決まりません。

第三の変数との統計的な関係を調整することと、原因と結果の方向を決めることは別の問題です。

偏相関も線形関係を見る

NISTは偏相関について、追加変数の影響を除いた後の二変数間の線形相関として説明しています。

現実の関係が複雑な非線形であったり、集団によって関係の大きさが異なったりする場合には、偏相関だけでは十分に捉えられないという可能性があります。

偏相関係数は因果を証明する道具ではなく、第三の変数との関係を整理するための統計的な補助手段です。 計算方法が高度になるほど安心したくなりますが、分析の複雑さと因果の確かさは同じではありません。

なぜ人は相関を見ると因果関係を作ってしまうのか

ここまで見てきたのは、主として統計上の構造です。

しかし、相関から因果へ飛躍してしまう背景には、人が情報を理解し、意思決定しようとするときの心理も関係すると考えられています。

原因が分からない状態を終わらせたい

人は、出来事の理由を知りたくなります。

「なぜ売れたのか」「なぜ失敗したのか」「なぜこのチームだけ成績が良いのか」と問われたとき、「現時点では原因を断定できません」と答えるより、一つの筋の通った説明があるほうが安心できるでしょう。

そこで二つの数字がきれいに連動していれば、「これが原因なのだ」と考えたくなります。不確実な状態を早く終わらせられるからです。

分かりやすい物語は納得しやすい

ある会社が新しい営業支援システムを導入した翌月、売上が大きく伸びたとします。

すると、

という説明は非常に分かりやすく感じられます。

導入を決めた担当者にとっても、「自分たちの判断は正しかった」と思えるため、受け入れやすい物語でしょう。

ところが、同じ時期に競合企業が供給トラブルを起こしていたという可能性があります。季節的な需要増加が重なったのかもしれませんし、大口案件の売上計上月が偶然一致しただけとも考えられます。

一つの説明できれいに話がつながると、別の説明を探す必要がないように感じてしまいます。

自分の判断を正当化したくなる

自分で決めた施策であれば、なおさら「効果があった」と考えたくなるでしょう。

新制度を導入した責任者が、その後に業績上昇のグラフを見れば、「やはり制度が効いた」と感じるかもしれません。

一方で、同じ期間に変化した市場環境や商品構成、競合企業の動きには目が向きにくくなるという可能性があります。

OpenStaxは、錯誤相関が生じる背景として、自分の予想を支持する情報へ注意を向け、反する情報を無視しやすい確証バイアスにも触れています。

人は誤った説明を求めているのではなく、理解しやすく、周囲へも説明しやすい答えを早く手に入れたいのではないでしょうか。 この心理を知っておけば、相関と因果の混同を他人の分析ミスとしてではなく、自分にも起こり得る問題として捉えやすくなります。

相関関係のバイアスの具体例

ここからは、先ほど整理した構造が現実の意思決定でどのように現れるのかを見ていきます。

この章の目的は仕組みを繰り返すことではなく、数字から施策を決めるときに、どこで判断がずれるのかを具体的に確かめることです。

営業訪問数と売上

あるBtoB企業で過去の営業活動を分析したところ、顧客への訪問回数が多い担当者ほど売上も高いという結果が出たとします。

会議では売上改善策が求められていたため、責任者が「売れている人は多く訪問している。全員の訪問回数を増やそう」と判断しました。

数字に基づく施策に見えますし、訪問件数なら管理もしやすいため、現場へ指示を出す側としては魅力的でしょう。

ところが、大型受注が見込める案件ほど仕様調整や提案の機会が増え、その結果として訪問回数も多くなっていたのかもしれません。

つまり、

ではなく、

という構造です。

また、予算規模の大きい顧客ほど営業側が時間をかけるため、顧客規模が訪問回数と売上の双方へ関係しているという可能性もあります。

さらに訪問の中身まで見れば、本当に重要だったのは回数ではなく、顧客課題を聞き出す力や改善提案の質だったのかもしれません。

それでも会社が訪問件数だけを目標にすると、現場は評価へ合わせて行動を変えます。

ある営業担当者は、一社の課題をじっくり聞くより、短時間の訪問を何件も行ったほうが評価されると感じるでしょう。成約可能性の低い顧客へ形式的に顔を出し、訪問件数だけを積み上げる行動が生まれるという可能性もあります。

その結果、訪問件数は増えたのに売上は変わりません。

管理職には「これだけ訪問しているのに、なぜ成果が出ないのか」という焦りが残り、現場には「言われた通りに動いているのに評価されない」という疲労感が積み重なります。

従業員満足度と企業業績

従業員満足度が高い企業ほど業績も良いというデータを見ると、「満足している人ほど意欲的に働くため、企業業績も高くなる」と考えたくなります。

人を大切にする企業が成果を出すという説明は理解しやすく、経営者にとっても受け入れやすいでしょう。

しかし、反対方向も考えられます。

業績が良い企業だからこそ、賞与、職場環境、福利厚生へ投資する余裕が生まれ、その結果として満足度が高くなっているのかもしれません。

さらに、優れた商品や事業モデル、市場での競争優位性などが、業績と働きやすさの双方へ影響しているという可能性もあります。

だからといって、従業員満足度を高めることに意味がないわけではありません。問題は、「満足度と業績に相関がある」という観察結果から、「満足度を高めれば業績も上がる」という施策効果まで一気に確定してしまうことです。

指導者と選手の成績

ある有名なコーチのもとから優秀な選手が次々に生まれていれば、「このコーチに教われば強くなれる」と感じるでしょう。

実際に、高い指導力が成果へつながっているという可能性はあります。

一方で、実績のあるコーチだからこそ才能ある選手が集まり、その選手が結果を出すことでコーチの評判がさらに高まり、また有望な人材が集まるという循環も考えられます。

優れた指導法だけを別のチームが取り入れても同じ成果が再現しないことがあるのは、選手層や練習環境などの背景条件が異なるからかもしれません。

市場シェアとブランド力

市場シェアが高い企業ほどブランド力も高いという関係も、一方向だけでは整理できません。

多くの人が使うようになった結果として認知や安心感が高まり、ブランドが強くなった可能性があります。

反対に、もともとブランドへの信頼が高かったため消費者に選ばれ、市場シェアが伸びたとも考えられるでしょう。

現実には、

という循環が起こる可能性もあります。

相関を示す二本のグラフだけでは、このような相互作用までは読み取れません。

相関関係のバイアスを避ける5つの確認

相関と因果の違いを理解しても、実際に数字を見た瞬間に何をすればよいのか分からなければ、実務では使いにくいでしょう。

そこで、相関を見つけた直後に確認したいポイントを五つに整理します。

1 原因と結果を逆にして考える

最初にA→Bを思いついたら、B→Aを考えます。

「訪問回数が多いから売上が高い」と感じたなら、「売れそうな顧客だから訪問が増えているのではないか」と問い直します。

「従業員満足度が高いから業績が良い」と考えたなら、「業績が良いから待遇へ投資でき、満足度が高まったのではないか」と反転させるわけです。

可能であれば、時系列も確認します。原因と考えている変化が結果より後に起きているなら、少なくとも想定していた因果の方向には問題があります。

2 双方に関係する第三の要因を探す

次に、AとBの双方へ関係する背景要因がないかを考えます。

営業なら顧客規模、案件確度、市況、担当者の経験などが候補になるでしょう。人事なら給与、職種、企業規模、事業成長率、上司との関係などが双方へ関連するという可能性があります。

ここで、見つけた第三の変数をすぐ「交絡因子」と決める必要はありません。

まず候補を広く洗い出し、その後で、どのような因果構造に位置する変数なのかを確認します。

3 データの取り方に偏りがないか確認する

分析方法が正しくても、元のデータが偏っていれば結論も歪みます。

たとえば、現在もサービスを利用している顧客だけを対象に満足度調査をした場合、すでに不満を持って解約した顧客が調査から抜け落ちているかもしれません。

その状態で「利用者の満足度は高い」と判断すれば、現実より良い姿を見てしまうでしょう。

質問の方法が回答を誘導していないか、測定方法が途中で変更されていないか、特定の集団だけデータが欠けていないかといった点も確認します。

CDCも、選択バイアスや情報バイアスが観察された関連を歪める可能性を説明しています。

4 偶然ではないか確認する

一か月だけ強い相関が現れたのなら、期間を変えても同じ関係が残るでしょうか。

ある部署だけで確認されたのなら、別の部署でも再現するでしょうか。

多数の指標を組み合わせて調べれば、実質的な関係がなくても偶然強い相関が現れることがあります。

そのため、一度見つかった関係だけで結論を決めず、別の期間、別の集団、追加データでも傾向が残るかを確かめます。

5 施策を実行した後に結果を確かめる

実務では、分析結果を施策へ変えることが目的になる場合があります。

それなら、「相関が見つかった」という資料を作った時点で分析を終了してはいけません。

訪問回数を増やす施策なら、一部の地域やチームから始め、売上、成約率、担当者の時間配分がどう変わったのかを確認します。

条件が許せば、介入したグループと介入していないグループを比較する方法も考えられるでしょう。

もちろん、すべての業務を無作為化して実験できるわけではありません。倫理、費用、顧客対応、事業運営などの制約があるためです。

それでも、「施策を実施したのだから効果があったはず」と考えるのではなく、実施後に何が変化したのかを確かめることはできます。

良い分析とは、最初の仮説を必ず当てることではなく、現実の結果を見ながら仮説を修正できる分析です。 仮説が外れても、「原因だと思っていたものが違った」と分かれば、本当の要因へ一歩近づけます。

相関をそのままKPIにすると何が起こるのか

相関関係の読み違いがビジネスで特に厄介なのは、分析結果がKPIや評価制度へ変換された瞬間、組織の人々がその数字へ合わせて行動し始めることです。

ある会社で、成績上位の営業担当者ほど一日の架電数が多いというデータが見つかったとします。

経営側は「架電が売上を生んでいる」と判断し、一日100件の電話を全社員の目標にしました。

すると、現場にとって重要なのは顧客との会話の質だけではなく、「100件へ到達すること」になります。

本来なら30分話す価値のある見込み顧客との会話でも、件数を増やしたほうが評価上有利だと感じれば、早く切り上げる人が現れるかもしれません。

結果として架電数は増えたのに、成約率は下がります。

管理職には「これだけ電話しているのに、なぜ売れないのか」という焦りが生まれ、担当者側には「言われた通りに動いているのに成果が出ない」という徒労感が残るでしょう。

問題の出発点は、架電数を測定したことではありません。

「成績が高い人ほど架電数も多い」という観察上の相関を、「架電数を人為的に増やせば成績も高くなる」という介入効果へ読み替えたことです。

グッドハートの法則との関係

こうした状況は、現在広くGoodhart's Lawとして知られている考え方と重ねて理解できます。

FireとGuestrinの研究では、一般化されたGoodhart's Lawとして「測定指標が目標になると、良い指標として機能しにくくなる」という趣旨を紹介し、1億2000万本を超える学術論文のデータから、評価指標が目標化された環境で指標の有用性が損なわれる問題を分析しています。

営業の例でも、もともとは「優秀な担当者ほど架電数も多い」という観察結果でした。

しかし架電数を評価目標にした瞬間、人は「売上につながる電話をする」だけでなく、「架電件数を達成するために電話をする」ようになるという可能性があります。

すると、最初に観察されていた架電数と売上の関係そのものが変質してしまいます。

相関からKPIを作るときには、「この数字を人為的に増やしても、本当に目的の成果は同じように動くのか」と問い直す必要があります。 測りやすい数字と、本当に動かすべき原因は同じとは限りません。

実務で相関データを見たときの意思決定フレーム

ここまでの内容を仕事へ落とし込むなら、相関を見つけた後の判断を三段階に分けると扱いやすくなります。

第1段階 観察事実だけを言葉にする

最初は、因果を含めずにデータを表現します。

たとえば「訪問回数が多い顧客ほど、売上も高い傾向があります」と報告します。

ここでは「訪問したから売れた」とは言いません。

この違いは小さく見えますが、会議の方向を大きく変えます。最初から因果の言葉を使うと、その後の議論が「では、訪問をどう増やすか」に固定されやすくなるからです。

第2段階 複数の説明を並べる

次に、少なくとも複数の仮説を出します。

訪問が売上を増やしたのか、それとも売れそうだから訪問が増えたのか。顧客規模など別の要因が双方へ関係しているのか、あるいは特定期間だけに現れた偶然なのかを考えます。

この段階で正解を決める必要はありません。

むしろ「何を調べれば、これらの説明を区別できるのか」と考えることが目的です。

第3段階 小さく確かめる

最後に、有力な仮説をできる範囲で検証します。

訪問回数を増やすのであれば、いきなり全社へ導入せず、小さな範囲から試す方法があります。過去データを時系列で確認したり、顧客規模や案件確度が近い対象同士を比較したりすることも考えられるでしょう。

そして実施後には、「本当に目的の数字が動いたのか」を確認します。

ある会社で研修時間と営業成績に相関が見つかったとしても、直ちに全員の研修時間を倍へ増やす必要はありません。

成績の高い人ほど自発的に研修へ参加しているのかもしれず、会社から期待されている社員ほど研修機会を与えられているという可能性もあります。

同じ担当者について研修前後の変化を追ったり、研修内容によって成果が違うかを確認したりすれば、相関をより実務に役立つ情報へ変えられます。

相関を見たら「答えが出た」ではなく「次に調べる場所が見つかった」と考えることです。 この姿勢なら、相関を軽視することなく、過信することも避けられます。

よくある質問

相関関係のバイアスとは何ですか？

本記事では、二つの事象が連動している事実から、それだけで一方が原因、もう一方が結果だと判断してしまう思考や意思決定の偏りを、便宜上「相関関係のバイアス」と呼んでいます。

心理学で統一された一つの標準名称として提示しているわけではなく、相関と因果の混同を説明するための実務的な表現です。

錯誤相関とは同じ意味ですか？

完全な同義ではありません。

錯誤相関は、実際には存在しない関係を、存在するものとして認識してしまう現象として説明されています。

一方、本記事が中心的に扱うのは、実際に観測された相関から、因果関係まで早急に推論してしまう問題です。

相関関係と因果関係の違いは何ですか？

相関関係は、二つの変数が一定の傾向を持って一緒に変化している状態です。

因果関係は、一方の変化が原因となり、もう一方の変化を引き起こしている構造を指します。

したがって、相関が確認されたことだけで因果関係まで証明されたとは言えません。

ピアソンの相関係数が0なら無相関ですか？

ピアソンの相関係数が0であれば、二つの変数に線形相関がない状態です。NISTも、線形関係がない場合には相関係数が0になると説明しています。

ただし、曲線的な関係など別の形の関連が存在する可能性までは否定できません。

そのため、「ピアソンの相関係数が0＝二つの変数は完全に無関係」と解釈しないことが重要です。

ピアソンの相関係数が高ければ因果関係がありますか？

ピアソンの相関係数が高いだけでは、因果関係の存在を判断できません。

逆因果、第三の要因、データ収集上の偏り、偶然などによっても、高い相関が観測されるという可能性があります。

ピアソンの相関係数は二変数の線形関係の強さを測る指標であり、原因と結果の方向そのものを測定するものではありません。

第三の変数はすべて交絡因子ですか？

いいえ。

第三の変数は広い表現であり、三つ目の変数がすべて交絡因子になるわけではありません。

CDCは交絡と効果修飾を別の概念として扱っており、第三の変数が因果構造の中でどのような位置にあるのかによって解釈が変わります。

まずは背景にある第三の要因を探し、その後で役割を考えることが大切です。

偏相関係数を使えば因果関係が分かりますか？

偏相関係数だけで因果関係を確定することはできません。

特定の第三変数の影響を取り除いた後で、残る二変数の線形相関を見るためには役立ちます。

しかし、測定していない要因は調整できず、原因と結果の方向も偏相関だけでは決まりません。

相関関係のバイアスはどう防げますか？

最初に原因と結果を逆向きに考え、双方へ関係する第三の要因がないかを探します。

そのうえで、データ収集に偏りがないか、別の期間や集団でも再現するかを確認し、可能であれば施策を小さく試した後に結果を検証します。

最初の説明を否定することが目的ではありません。複数の説明を残したまま、データによって可能性を絞っていくことが重要です。

まとめ

相関関係を扱うときに注意したいのは、二つの数字がきれいに連動した瞬間に「原因を発見した」と感じ、その説明を十分に確かめないまま施策やKPIへ変えてしまうことです。

相関が見つかったら、A→Bという説明だけで終わらせません。

B→Aではないか、双方へ関係する第三の要因はないか、データの取り方に偏りはないか、それとも限られたデータの中で偶然似た動きが現れただけなのかを考えます。

また、第三の変数すべてが交絡因子になるわけではありません。変数が分析の中でどのような役割を持つのかによって、解釈も変わります。

ピアソンの相関係数が高くても、それだけで因果関係は証明されません。偏相関係数で第三の変数との関係を調整しても、測定されていない要因や因果の方向まで自動的に解決できるわけではないでしょう。

それでも、相関分析に価値がないわけではありません。

予測や関連性の把握そのものが目的なら、相関が重要な答えになる場面もあります。ただし、因果を知りたいときには、相関だけでは答えになりません。

売上と訪問回数が一緒に動いていたら、すぐ訪問目標を引き上げるのではなく、「本当に訪問が先なのか」「売れそうな顧客だから訪問が増えたのではないか」「顧客規模や提案力が双方に関係していないか」と問い直します。

その確認に少し時間がかかっても、原因を取り違えたまま組織全体を動かすより、結果的な負担は小さくなるでしょう。

相関は、思考を止めるための答えではありません。何が起きているのかを深く調べる入口として扱うことで、数字は人を振り回すものではなく、より良い意思決定へ近づくための材料になります。

参考資料

OpenStax Psychology「Analyzing Findings」
相関研究から因果関係を直接導けない理由、第三の要因、錯誤相関、確証バイアスについて確認できます。
OpenStaxの相関と錯誤相関の解説を読む

NIST「CORRELATION」
ピアソン型の相関係数が二変数間の線形関係を測る指標であることや、プラス1からマイナス1までの基本的な性質を確認できます。
NISTの相関係数資料を読む

NIST「PARTIAL CORRELATION」
追加変数の影響を取り除いた後で二変数の相関を見る、偏相関係数の定義と計算方法を確認できます。
NISTの偏相関係数資料を読む

CDC Field Epidemiology Manual「Analyzing and Interpreting Data」
交絡、効果修飾、選択バイアス、情報バイアス、偶然、時間的順序など、観察された関連を因果として解釈する前に確認すべき論点が整理されています。
CDCのデータ分析と解釈の資料を読む

国立がん研究センター がん対策研究所「総論 疫学研究の方法」
観察研究における偶然、バイアス、交絡、因果性や、研究デザインの基本的な考え方を確認できます。
国立がん研究センターの疫学研究資料を読む

Fire and Guestrin「Over-optimization of academic publishing metrics: observing Goodhart's Law in action」
評価指標が目標化されたときに行動が指標へ最適化され、指標としての有用性が損なわれる問題を、1億2000万本を超える学術論文データから検討したオープンアクセス研究です。
PMCでGoodhart's Lawの研究を読む