傾向スコア（Propensity Score）とは。算出方法とメリットを理解しよう

はじめに

治療法の効果測定やマーケティング施策のインパクト評価において、「ある施策がどれだけ結果に寄与したか」を正確に把握することは重要です。

例えば、「重症な人ほど特定の治療を受ける」といった背景がある場合、単純にグループ間の結果を比較するだけでは、対象者の属性や状況の偏りによって正しい効果が見えなくなってしまいます。

こうしたデータに含まれる背景の偏りを統計的に確認し、比較を可能にする手法が「傾向スコア」で、本記事では、その基本的な考え方を解説します。

これらのデータ分析の際には適切な方法を進めていくことが重要です。これらについて、経験豊富な方とマンツーマンで学習していくのもオススメです。

傾向スコアとは、個々の対象者が**「あるアクション（治療や施策）を受ける確率」**を0〜1の数値で表したものです。

この数値は、対象者の属性をモデルに入力することで算出されます。

実際のデータでは、対象者が自ら選択したり、現場の判断で振り分けられたりするため、比較に偏りが生じます。

比較の偏り： 例えば「重症な人ほど新薬を飲む傾向」があるデータでは、新薬グループの回復率が低く見えることがあります。これは薬の効果ではなく、対象者の背景に差があるために生じる選択バイアスです。
傾向スコアの役割： 傾向スコアを用いることで、背景属性が似ている者同士を比較し、この偏りを統計的に調整して真の治療効果を推定することが可能になります。

推定されたスコアを活用し、以下の手法で効果を算出します。

手法	内容	メリット
マッチング法	スコアが近い治療群と非治療群の個体を1対1などでペアリングし、背景属性が揃った集団のみを抽出して比較する	「背景の似た者同士」の比較を再現でき、分析プロセスや結果の解釈が非常に直感的で理解しやすい
重み付け法 (IPW)	傾向スコアの逆数を重み（ウェイト）として各データに割り当て、属性の偏りを打ち消した仮想的な集団を構成する	手元にある全サンプルを分析に活用できるため、統計的な精度を維持しやすい

傾向スコアは、観察データから疑似的な比較群を作り出し、選択バイアスを調整するための統計的指標です。

対象者の属性から「施策を受ける確率」を算出することで、マッチングや重み付けといった手法を通じてグループ間の背景属性のバランスを整え、より客観的な比較を可能にします。

しっかりと傾向スコアを算出して、実践的で効果的な比較できる様に理解していきましょう。

こちらの書籍は傾向スコアを含め様々な効果検証方法が記載されています。傾向スコアだけでなく幅広く学びたい方にオススメです。

created by Rinker

技術評論社

傾向スコアは実際の検証などに用いられる重要な部分となるため、しっかりと理解することが重要です。難しいと感じる場合は、相談しながら進められるスクールもオススメです。