内生性（Endogeneity）とは何か計量経済学における因果推論の課題と解決策

データ分析や経済モデルを用いて「何が原因で何が起きたか」を明らかにしようとする際、避けて通れないのが内生性（Endogeneity）という問題です。簡単に言えば、分析で原因（説明変数）として扱っている要素が、実は結果（被説明変数）からも影響を受けている状態を指します。

例えば、「教育水準が高いほど所得が増える」という仮説を検証する場合、教育が所得を上げるのは確かですが、同時に「所得が高い家庭に生まれたからこそ、より高い教育を受けられた」という逆の流れが存在するかもしれません。このように原因と結果が互いに影響し合っていると、単純な分析では正確な因果関係を導き出せず、結果に偏り（バイアス）が生じてしまいます。

Key Facts

• 内生性の定義：説明変数がモデルの誤差項と相関を持っている状態。
• 主な原因：同時決定（双方向の因果関係）、欠落変数（重要な変数の漏れ）、測定誤差の3点が代表的。
• リスク：最小二乗法（OLS）による推定値にバイアスが生じ、一貫性が失われる。
• 解決策：操作変数法（IV法）やヘックマンの選択補正などの手法を用いて、外生的な変動のみを抽出する。

内生性と外生性の基礎概念

計量経済学では、変数を大きく「内生変数」と「外生変数」に分けて考えます。外生変数（Exogenous variable）とは、モデルの外部で決定され、誤差項とは無関係な変数のことです。一方、モデル内部のメカニズムによって値が決まり、誤差項と相関を持つものが内生変数（Endogenous variable）です。

ガウス・マルコフの定理が前提とする「外生性条件」が満たされない場合、通常の回帰分析（OLS）では信頼できる推定値を得ることができません。特に実験的なデータではなく、現実の社会データを用いた非実験的研究では、この問題が見落とされやすく、誤った政策提言につながるリスクがあります。

内生性が生じる3つの主要なメカニズム

なぜ説明変数が誤差項と相関してしまうのか、その代表的な理由を解説します。

1. 欠落変数バイアス（Omitted Variable Bias）

本来モデルに含めるべき重要な変数が、データ不足などの理由で除外されている場合に起こります。除外された変数（欠落変数）が、モデル内の説明変数と結果変数の両方に影響を与えていると、その影響がすべて誤差項に吸収されます。その結果、説明変数と誤差項の間に相関が生まれ、あたかも説明変数が結果に直接影響を与えているかのように見えてしまいます。

2. 測定誤差（Measurement Error）

独立変数を正確に測定できず、「真の値」に「ノイズ（測定誤差）」が加わった状態で分析を行うケースです。観測された変数には誤差が含まれているため、この誤差が誤差項の一部となり、結果として説明変数と誤差項が相関します。これにより、推定される係数が本来の値よりも小さくなる（下方バイアス）傾向があります。なお、被説明変数（y）側の測定誤差は分散を増大させますが、内生性の直接的な原因にはなりません。

3. 同時決定（Simultaneity）

2つ以上の変数が互いに影響を及ぼし合っている状態です。例えば、需要と価格の関係では、「価格が上がれば需要が減る」一方で、「需要が増えれば価格が上がる」という双方向の因果関係が存在します。このような構造方程式モデルにおいて、一方の式だけを単独で推定すると、内生性によって推定値が歪みます。

動的モデルにおける外生性の分類

時系列データを用いた分析では、時間の経過に伴う影響を考慮するため、外生性の定義がより詳細に分かれます。

厳格な外生性（Strict Exogeneity）

誤差項が、過去・現在・未来のすべての説明変数の値に関わらず、期待値がゼロであるという非常に強い条件です。フィードバック効果が存在するマクロ経済データなどでは、この条件を満たすことは困難です。

弱い外生性（Weak Exogeneity）

誤差項が「現在および過去」の説明変数とは相関しないが、「未来」の値とは相関してもよいという条件です。これは「事前決定（Predetermined）」とも呼ばれます。例えば、ある時点の消費額は過去の所得には影響されますが、未来の予期せぬ所得ショックによって調整されるため、未来の変数とは相関します。このような性質を持つ変数を扱うため、Arellano-Bond推定法などの手法が開発されました。

内生性のまとめ

内生性の原因と影響のまとめ

原因	メカニズム	推定への影響
欠落変数	共通の要因が両変数に影響	係数にバイアスが発生
測定誤差	観測値にノイズが混入	係数が過小評価される傾向
同時決定	双方向の因果関係（逆因果）	一貫性のない推定値となる

Frequently Asked Questions

内生性がある状態でOLS（最小二乗法）を使うとどうなりますか？

推定される回帰係数にバイアス（偏り）が生じ、統計的に一貫性のない結果となります。つまり、サンプルサイズを増やしても真の値に収束せず、誤った因果関係を結論づける危険があります。

操作変数法（IV法）とはどのような解決策ですか？

内生的な説明変数とは相関しているが、誤差項（および結果変数）とは直接相関していない第三の変数（操作変数）を導入する手法です。これにより、内生変数の中にある「外生的な変動分」だけを取り出して分析することが可能になります。

「弱い外生性」と「厳格な外生性」の決定的な違いは何ですか？

未来の変数との相関を許容するかどうかです。厳格な外生性は全期間の変数と無相関であることを求めますが、弱い外生性は現在までの変数と無相関であればよく、将来的なフィードバック（調整）を認めています。

被説明変数（y）に測定誤差がある場合も内生性の問題になりますか？

いいえ、被説明変数の測定誤差は誤差項の分散を大きくしますが、説明変数と誤差項の相関を生むわけではないため、内生性の原因にはなりません。

内生性を完全に排除することは可能ですか？

現実のデータ分析において完全に排除することは困難ですが、適切な操作変数の選定や、モデルの構造を精査することで、バイアスを最小限に抑え、信頼性の高い因果推論を行うことができます。