工場排煙による健康被害、公害訴訟、薬害問題、交通事故、医療事故。

これらの事件・事故では、最終的に必ず問われる論点があります。

「本当に因果関係はあったのか？」

です。

しかし、ここで興味深い問題があります。

現在の統計解析の多くは、平均値や発症率、有意差検定などの「要約統計量」を基盤としています。

例えば、

• 排煙地域の発症率は高かったか
• 廃液曝露群と非曝露群に有意差はあるか
• 相関係数は有意か

といった分析です。

もちろん重要な手法です。

しかし、これだけで因果関係を説明することは容易ではありません。

なぜなら、現実世界では人によって曝露量が異なり、年齢や既往歴も異なり、生活環境も異なるからです。

平均化した瞬間に、

「誰に、どの条件で、どのような経路を通じて影響が生じたのか」

という因果の構造が見えなくなります。

---

因果推論が求めているもの

近年の疫学や因果推論の分野では、単なる相関ではなく、

「どの経路で結果が生じたのか」

を明示する考え方が重視されています。

その代表例がDAG（Directed Acyclic Graph：有向非巡回グラフ）です。

DAGは、

• 何が原因か
• 何が結果か
• 何が交絡因子か
• 何が媒介因子か

を構造として記述し、因果関係を整理するための枠組みとして広く用いられています。

例えば、

工場排煙
↓
大気汚染
↓
曝露量増加
↓
生体反応
↓
疾患発症

という因果経路を明示できます。

DAGの価値は、単に図を描くことではありません。

どの変数を調整すべきか、どこにバイアスが存在するかを論理的に整理し、因果解釈を支援できる点にあります。

---

DSA＋DAGが補完するもの

しかし、DAGだけでは十分ではありません。

DAGは因果構造を表現できますが、

「その構造が実際のデータでどのように現れているのか」

までは示してくれません。

ここでDSA（Distribution Structure Analysis）の意義が生まれます。

DSAの視点では、

平均値ではなく、

• 分布
• 個体差
• 反応パターン
• 異質性

そのものに注目します。

つまり、

「被害者群」と「非被害者群」を平均で比較するのではなく、

どの条件下で反応が集中し、どの条件下では反応が起きないのか

を構造として捉えようとします。

---

「差があるか」から「なぜ起きたか」へ

従来統計の中心的な問いは、

「差があるか」

です。

一方、DSA＋DAGが目指す問いは、

「なぜ起きたのか」

です。

• 誰が影響を受けたのか
• なぜその人だけが影響を受けたのか
• どの経路で影響が伝播したのか
• どの条件が揃ったときに結果が発生したのか

を解析対象とします。

これは事件・事故の原因究明だけではありません。

医療、創薬、安全工学、品質管理、政策評価など、因果関係を説明する必要があるあらゆる分野に共通する課題です。

---

AI時代に求められる因果の再構築

AIは膨大なデータからパターンを発見できます。

しかし、

相関を見つけることと、因果を説明することは別問題です。

近年の因果推論研究でも、DAGを用いて因果構造を明示し、その上でデータを解釈する重要性が繰り返し指摘されています。

事件や事故の真相解明において本当に求められるのは、

「平均として差があった」

という結論ではなく、

「なぜその結果が生じたのかを説明できること」

ではないでしょうか。

DSA＋DAGは、因果を自動的に証明する手法ではありません。

しかし、

平均から構造へ、相関から因果へ、結果からメカニズムへ。

その方向へ進むための一つの学術的アプローチとして、大きな可能性を持っていると考えています。