今回は，変数間の因果関係に関する仮説を整理して伝える上で有用なアプローチである，DAGダグ（Directed Acyclic Graph：非巡回有向グラフ）^1～3）について説明します。

DAGとは何か？

　解析の際にどの変数をモデルに入れるか困ったことはありませんか？　DAGを用いることで，曝露がアウトカムに与える影響を評価するためにどの変数で調整すべきかを検討しやすくなります。なお，第2回に登場した「条件付け」は，統計学的に変数で調整するアプローチの一つです。

　DAGでは変数同士を矢線で結ぶことで，変数間の因果関係に関する仮説を可視化します。また，巡回した経路（X⇆Yなど）を作らないのがDAGのルールで，これにより因果の逆転が起こらないことを仮定します。

　グラフィカルモデルを用いた因果関係の検討は20世紀前半から徐々に認知されてきましたが，2000年代に入りDAGが疫学の世界で本格的に用いられるようになりました^1）。DAGを扱う際の基本事項は図1をご覧ください。

　ではX（曝露）からY（アウトカム）への因果効果を推定する上で，DAGがどのように役に立つのでしょうか？　図2の例から一緒に考えてみましょう。

　例えば図2-Aのように，Xに向かう矢線を含む経路がある場合には，XからYへの因果効果を歪める可能性のあるこの経路は「バックドア経路」と呼ばれます。またこの時生じる因果効果の歪みを「交絡」，その現象の原因となる因子を「交絡因子」と呼びます。したがって，XとYの因果関係を正しく評価するには，Z₁で調整してバックドア経路を閉じる必要があります。図2-B・Cの場合もX←（U₁）→Z₂→Y，X←Z₃←（U₂）→Yとバックドア経路が開いているため，それぞれZ₂，Z₃で調整して経路を閉じることで，XからYへの因果効果を評価します^4）。ちなみに完璧なランダム化比較試験では，介入をランダムに割り付けることでDAG上においてXに向かう矢印が存在しない（＝バックドア経路が存在しない）状況を作っているととらえられます。

　次に，調整すべきでない変数について考えてみましょう。XからYへの効果の一部がM（中間因子）を介在する場合は，図2-Dのように描くことができます。この場合にMで調整すると，X→M→Yの経路が閉じてしまい，XがMを介してYに与える影響を評価することができ...