causal-inference-mixtape

Causal Inference: The Mixtape — コードスキル

Scott Cunningham の Causal Inference: The Mixtape リポジトリを基にした、実務者向けの因果推論スキルです。すぐに実行できる Python、R、Stata のコードテンプレートを使って、10 種類の識別戦略を扱います。

---

対応する手法

手法	Python	R	Stata	参照
OLS / 回帰	statsmodels	estimatr	reg/reghdfe	references/method-patterns.md §1
差の差法	statsmodels + C()	lfe/fixest	xtreg/reghdfe	references/method-patterns.md §2
イベントスタディ（動学的 DiD）	手動のリード／ラグ	estimatr	reghdfe	references/method-patterns.md §3
段階的 DiD / TWFE	statsmodels	bacondecomp	bacondecomp	references/method-patterns.md §4
回帰不連続デザイン	statsmodels 多項式	rdrobust	rdplot/rdrobust	references/method-patterns.md §5
操作変数法	linearmodels IV2SLS	AER/ivreg	ivregress 2sls	references/method-patterns.md §6
合成コントロール法	rpy2 → R Synth	Synth + SCtools	synth	references/method-patterns.md §7
マッチング / PSM / IPW	手動の logit + 重み	MatchIt + Zelig	teffects/cem	references/method-patterns.md §8
DAG / コライダーバイアス	dagitty（概念的）	dagitty/ggdag	—	references/method-patterns.md §9
ランダム化推論	置換ループ	ri2	ritest	references/method-patterns.md §10

---

基本的なワークフロー

因果推論手法を実装する

1. 上の表から手法を特定します
2. references/method-patterns.md から適切なテンプレートを読み込みます
3. 変数名、固定効果、クラスター化をユーザーのデータに合わせて調整します
4. ロバスト性チェックを追加します（DiD では平行トレンド、RDD では McCrary 検定、IV では第 1 段階の F 検定）

適切な言語を選択する

シナリオ	推奨
ML パイプラインとの統合	Python（statsmodels + linearmodels）
合成コントロール法	R（Synth パッケージ）または Stata（synth）— Python には成熟した実装がありません
Bacon 分解	R（bacondecomp）または Stata — Python に相当するものはありません
論文掲載用の表	Stata（outreg2/esttab）または R（stargazer/modelsummary）
粗化完全マッチング	Stata（cem）または R（MatchIt）— Python に相当するものはありません
素早いプロトタイピング	statsmodels を使った Python

言語間の対応関係

タスク	Python	R	Stata
ロバスト標準誤差を用いた OLS	smf.ols().fit(cov_type='HC1')	lm_robust()	reg y x, robust
クラスター標準誤差	fit(cov_type='cluster', cov_kwds={'groups': g})	`felm(y ~ x	0
双方向固定効果	数式中の C(id) + C(time)	`felm(y ~ x	id + time)`
IV / 2SLS	IV2SLS.from_formula('y ~ 1 + exog + [endog ~ inst]')	`ivreg(y ~ exog	inst)`
DiD	C(treat)*C(post)	数式中の treat:post	did_multiplegt または交互作用

---

主要な Python パターン

クラスター頑健標準誤差を用いた DiD

import statsmodels.formula.api as smf

model = smf.ols('y ~ C(treated)*C(post) + controls', data=df)
results = model.fit(cov_type='cluster', cov_kwds={'groups': df['firm_id']})

イベントスタディ（リード／ラグ）

# Create relative time dummies
for k in range(-4, 5):
    col = f'rel_{k}' if k >= 0 else f'rel_m{abs(k)}'
    df[col] = (df['relative_time'] == k).astype(int)

# Drop t=-1 as reference
formula = 'y ~ ' + ' + '.join([c for c in rel_cols if c != 'rel_m1']) + ' + C(id) + C(year)'

IV / 2SLS

from linearmodels.iv import IV2SLS

model = IV2SLS.from_formula('y ~ 1 + exog + [endog ~ instrument]', data=df)
results = model.fit(cov_type='clustered', clusters=df['cluster_var'])

---

ロバスト性チェックのパターン

手法	必須のチェック
DiD	平行トレンド（イベントスタディのプロット）、プラセボの処置時点
RDD	McCrary 密度検定、バンド幅のロバスト性（IK 最適バンド幅の半分／2 倍）、多項式のロバスト性
IV	第 1 段階の F > 10、除外制約の論拠、過剰識別検定
合成コントロール法	処置前の RMSPE、プラセボ分布、1 単位ずつ除外した分析
マッチング	共変量バランス表、キャリパー感度分析

---

よくある落とし穴

1. 段階的処置におけるTWFE — 標準的な二元固定効果は、処置のタイミングにばらつきがある場合、バイアスが生じます。Bacon 分解または Sun & Abraham / Callaway & Sant'Anna 推定量を使用してください。
2. 処置群が多数ある場合の合成コントロール法 — Synth パッケージは、処置群が1つの場合に対応しています。複数ある場合は、拡張合成コントロール法またはスタック法を使用してください。
3. McCrary 検定を行わないRDD — 推定の前に、必ずカットオフでの操作の有無を検定してください。
4. IVの弱い操作変数 — 第1段階のF統計量を報告してください。10を下回る場合は、弱い操作変数によるバイアスが示唆されます。
5. Python版Synthの不足 — 成熟したPython版Synthパッケージはありません。rpy2を使ってPythonからRのSynthを呼び出してください。

---

追加リソース

リファレンスファイル

• references/method-patterns.md — 10種類すべての手法について、完全な例を含む詳細なコードテンプレート
• references/r-stata-comparison.md — 言語間のパッケージ比較と、手法の対応範囲に関するギャップ

プロンプトファイル

• prompts/01-implement-method.md — あらゆる因果推論手法の実装に使えるコピー＆ペースト用プロンプト
• prompts/02-robustness-checks.md — 頑健性検定のコード生成に使えるコピー＆ペースト用プロンプト