senryakuken

高市内閣が高い支持率を背景に解散総選挙に踏み切りました。この判断は吉と出るのか、凶と出るのでしょうか。政治の世界では暗黙知や経験則が語られがちですが、ここではあえて「因果モデルで占う」という前提に立ちます。支持率がとか野党がとか2値で語られることが多いですが、分析の鍵は、支持率という“平均値”をそのまま信じないことです。

小選挙区制では、全国支持率の高さは勝利の十分条件ではありません。勝敗を分けるのは、接戦区に票がどれだけ集中するか、無党派がどの条件で動くか、そして投票率がどの層で上がるか。DSA（分布構造分析）は、支持や得票の分布を尖り・裾・多峰性として可視化し、支持が「薄く広く」なのか「勝てる帯域に厚い」のかを見極めます。支持率が高くても、分布の裾が安全区に偏れば議席には変換されません。

一方、DAG（因果グラフ）は“見かけの因果”を剥がします。年齢別支持の背後には、投票率、都市・地方の居住、所得や雇用、情報接触、争点の当事者性といった交絡が横たわる。解散のタイミングも同様です。経済指標や外交イベント、政策発表、メディア露出が同時に動く中で、「解散そのもの」の効果を他のショックと混同しない設計が不可欠になります。

DSA＋DAGで占うと、問いはこう変わります。支持率は“どの分布”で、どの選挙区の接戦帯を厚くしているのか。動く無党派は、どの条件が揃ったときに投票に転ぶのか。解散は、その条件を強める介入になっているのか――それとも外部要因に埋もれるのか。吉凶の分かれ目は、支持率の高さではなく、因果の通り道が「議席」に向いているかどうかにあります。平均から分布へ、印象から構造へ。因果モデルは、解散判断の“勝ち筋”と“落とし穴”を同時に照らします。

1) 目的とEstimand（占う対象）を固定します

まず「吉凶」を1行で定義します。

  • 主要アウトカム ：与党（または内閣支持基盤）の議席数（小選挙区・比例別でも可）
  • 介入 ：解散の実施（＋タイミング：例「今月解散」 vs 「半年後」）
  • Estimand（因果効果）：

＝「解散を選んだ世界」と「解散しなかった世界」の議席差

ここが揃うと、評論は「好き嫌い」ではなく「効果の推定」に変わります。

2) DAGテンプレ（ノード設計）

最低限、次のノード群を置きます（括弧は代表的な観測変数例）。

介入と結果

  • ：解散（実施・タイミング）
  • ：選挙結果（議席、得票率、勝敗）

主要な因果経路（媒介：M）

解散が結果に効くなら、途中で何かが動きます。

  • ：投票率（全体・年齢別・地域別）
  • ：無党派の投票先分配（浮動層のスイング）
  • ：争点サリエンス（何が主要争点になるか）
  • ：候補者・選挙区力学（候補者調整、接戦区の集中）

交絡（C：TにもYにも効く“混ざり物”）

ここを塞がないと、相関を因果と誤認します。

  • ：政権状態（内閣支持・不支持、党支持、スキャンダル）
  • ：マクロ環境（物価・賃金・景気、国際情勢、災害など外生ショック）
  • ：選挙区構造（都市/地方、過去の得票分布、接戦度、人口動態）
  • ：対抗側の状態（野党の候補者調整・分裂、連立の枠組み）
  • ：調査・情報環境（メディア露出、SNS話題、世論調査モード差）

基本DAG（文字で表す骨格）

  • （支持率や経済が“解散判断”に影響）
  • （同じ要因が“選挙結果”にも影響）
  • （解散が投票率や無党派を動かし議席へ）

3) 調整セット（何をコントロールし、何をしないか）

ここが「相関→因果」を決める核心です。

まずやる：バックドアを塞ぐ（推奨の調整）

  • 調整する（C）：
    内閣/党支持のトレンド、経済指標、外生イベント、選挙区構造、対抗側の状態、情報環境（最低限 proxy でも）
  • 調整しない（M：媒介）：
    投票率や無党派スイングは、解散の効果そのものの通り道なので、基本は調整しません（やるなら別Estimand＝「直接効果」にします）。

これで「支持率が高いから勝つ」という相関の短絡を避けられます。
「支持率が高い“から”解散し、同時に勝ちやすかっただけ」という混同（交絡）を潰します。

4) DSA設計（“平均の支持率”を分布に分解して勝敗変換を点検）

DAGで構造を固定した上で、DSAで「議席に変換される形か？」を見ます。

可視化①：選挙区別の“接戦帯”分布

  • 指標：与党（または主要党）の選挙区得票率分布
  • 見る形：45–55%帯の厚み、裾の伸び、尖り
  • 解釈（占いのルール）
    • 接戦帯が厚い：小さな揺れで議席が大きく動く → 吉凶の振れ幅が大
    • 安全区に尖る：票が積み上がっても議席は増えにくい → 凶寄り（変換効率が悪い）

可視化②：地域偏在（山がどこに立つか）

  • 都市/地方、ブロック別に分布を並べる
  • 解釈：支持が「増える場所」と「議席が増える場所」が一致しているか

可視化③：無党派の“分布分解”

  • 「支持なし」を1つにせず、
    常時無党派 vs 浮動無党派（直前変動しやすい層）
    を分ける（代理変数でもOK）
  • 解釈：解散が動かすのはどちらか（動く層が多いほど“解散の効果”は出やすい）

可視化④：年齢別支持×投票率（ここで“見かけの年齢効果”を剥がす）

  • 年齢別「支持」だけでなく、投票率で重み付けした分布を見る
  • 解釈：若年支持が強くても投票に変換されなければ議席影響は小さい

5) 「吉と出る／凶と出る」を因果モデルで言い換えると

主観の代わりに、次の2条件で結論を出します。

  • 条件A（DAG）：交絡を塞いだ後も、 の道が太い
    （解散が投票率・無党派・争点を動かす見込みがある）
  • 条件B（DSA）：その動きが 接戦帯 と 議席増加が起きる地域に集中している

AもBも満たす → 吉
AはあるがBがない（安全区に偏る等）→ 凶
Aが弱い（解散しても何も動かない）→ 凶
Aは強いが不確実（接戦帯が極厚で多峰性）→ ハイリスク・ハイリターン