相関と​因果を​混同しないための​金融​データ​分析｜見せかけの​相関を​見抜く​視点

結論：相関が​ある​ことは​「一緒に動く」ことの​証明であり​「原因」の​証明ではない

相関係数が高い、あるいは2つの折れ線グラフが同じように動いている。この事実だけから「片方がもう片方の原因になっている」と結論づけるのは、財務分析でもっとも起きやすい誤読の一つです。相関係数が示しているのは、あくまで2つの数値が「同じ方向、あるいは逆方向に一緒に動く度合い」であり、なぜ一緒に動くのかという理由（因果のメカニズム）は一切説明していません。

ここから先は、財務データで実際に起きやすい誤読を「疑似相関」「第三因子（交絡変数）」「逆因果」の3パターンに分け、説明用の仮設例で数値を検算しながら確認します。そのうえで、生成AIが分析コメントを書くときに相関を因果と言い切ってしまう典型的な癖、因果関係に近づくための実務的な考え方（自然実験・差分の差分法）、そしてKPIと業績の相関を検算するときのチェックリストまでを扱います。相関係数そのものの計算方法や、回帰分析による推定は回帰分析入門｜財務予測と​ベータ推定を​OLSの​仕組みから​理解するに譲り、本記事は「相関という結果をどう解釈するか」という一段手前の視点に絞ります。相関の高さだけを根拠に回帰法のような予測手法を選ぶ前に、まずその相関が何によって生じているのかを疑うことが出発点になります。

相関係数の​読み方と、​強さの​解釈が​誤りやすい​理由

相関係数（ピアソンの相関係数）は−1から+1の範囲を取り、+1に近いほど強い正の直線的関係、−1に近いほど強い負の直線的関係、0に近いほど直線的な関係が弱いことを示します。ただしここで注意すべき点が2つあります。1つ目は、相関係数が測っているのはあくまで「直線的な」関係の強さだという点です。2つ目は、サンプル数が少ないと、偶然のばらつきだけでも相関係数の絶対値が大きくなりやすいという点です。相関係数そのものをExcelでどう計算するか（CORREL・PEARSON関数の使い分けや、共分散との関係）はCORREL・​PEARSON・​COVARIANCE​関数で​相関分​析を​行うで扱っており、本記事はその数値をどう解釈すべきかに絞ります。

非線形の​関係は、​相関係数では​低く​出る

以下は説明用の仮設例です。ある工場の稼働率（%）と、製品1個あたりの製造単価（円/個）の関係を考えます。稼働率が低いと固定費を少ない生産量で割ることになり単価は上がり、稼働率が高すぎると残業や突発対応のコストがかさんで単価が再び上がります。単価が最も低くなるのは稼働率が中程度の水準です。つまり実際には「U字型」のはっきりした関係があります。

このデータで相関係数を計算すると、r≈0.16という弱い値しか出ません。稼働率と単価の間に明確な関係があるにもかかわらず、相関係数だけを見ると「ほとんど関係がない」と誤読してしまいます。理由は単純で、相関係数は「右肩上がり／右肩下がりの直線にどれだけ近いか」しか測っておらず、U字型やV字型のような非直線的な関係を捉える仕組みを持っていないからです。散布図を描かずに相関係数の数字だけを見て「関係なし」と結論づけるのは、この意味で危険です。

サンプル数が​少ないと、​偶然だけで​相関係数は​動く

月次データが6か月分、四半期データが4四半期分しかない、といった短い期間の比較では、たまたま2つの系列が同じ方向に動いただけでも相関係数は簡単に0.9を超えます。次の見出しで扱う「疑似相関」は、この性質が典型的に現れるケースです。相関係数を報告するときは、係数の値と同時に「何件のデータから計算したか」を必ず添えるべきです。データ数が少ない相関係数の高さは、関係の強さではなく、単に確認できていないことの裏返しである場合が多いためです。少ないデータ点にぴったり合う直線や曲線を「発見」してしまう危うさは、機械学習でいう過学習と根っこの原因が似ています。

疑似相関・​第三因子・​逆因果の​3パターンを​財務データの​設例で​見る

相関があるのに因果がない状況は、原因の違いによっておおむね3つに分類できます。以下はいずれも説明用の仮設例で、数値は本文・表・図で一致させています。

パターン1：疑似相関​（偶然の一致）

以下は説明用の仮設例です。ある会社の本社ビル清掃委託費と、その会社の自社株価を四半期ごとに並べてみます。両者に業務上のつながりは考えられません。

この6四半期分の数値で相関係数を計算すると、r≈0.997というほぼ完全な正の相関になります。もちろん清掃委託費が株価を動かしているはずはありません。ここで起きているのは、清掃委託契約の年次エスカレーション（契約単価の緩やかな上昇）と、その期間がたまたま株式市場の上昇局面に重なっていたという偶然です。どちらも「右肩上がりの系列」というだけの共通点しかなく、期間を延ばせば相関は簡単に崩れます。短い期間・少ないサンプルで2つの右肩上がり（または右肩下がり）の系列を並べると、無関係でも高い相関係数が出やすいという典型例です。時系列​データの​自己相関・​定常性・​季節性の​基礎で扱うように、トレンドを持つ時系列同士は本質的に相関しやすい性質があります。株式データの分析では、上場を維持している銘柄だけを対象にすることで生じるサバイバーシップバイアスが、この種の疑似相関をさらに強めてしまう場合もあります。

パターン2：第三因子​（交絡変数）

図1パネルAで示した残業時間と旅費精算額の関係を、もう一段深く見ます。以下は説明用の仮設例です。

残業時間と旅費精算額の相関係数はr≈0.97です。この数字だけを見ると「残業が旅費を生んでいる」あるいは「出張が多いから残業が増える」という因果関係を想像したくなりますが、両者を直接つなぐ業務上の経路はそれほど強くありません。実際には、稼働日数（第三因子）が両方を同時に押し上げています。稼働日数と残業時間の相関係数はr≈0.96、稼働日数と旅費精算額の相関係数はr≈0.94で、いずれも稼働日数との相関の方が強いことが分かります。稼働日数の多い月は残業時間も旅費精算額も自然に増えるため、残業と旅費という2つの結果同士が、原因を共有しているだけで強く相関して見えるのです。この場合、旅費を減らすために残業を規制しても旅費は動きません。稼働日数という共通の駆動要因を見なければ、対策の的が外れます。

パターン3：逆因果

以下は説明用の仮設例です。コールセンターの人員数と解約率を並べたときに、素直に読むと矛盾した結論に見えることがあります。

同じ月同士で相関係数を計算するとr≈0.80で、要員を増やした月ほど解約率が高いという、直感に反する正の相関になります。ここから「増員しても解約は防げていない」「むしろ増員が逆効果」と読むのは早計です。要員数を1か月前の解約率と突き合わせると、相関係数はr≈0.99まで上がります。つまり実態は、解約率が上がった翌月に増員するという対応の順序であり、増員が先に起きて解約率が動いたわけではありません。原因と結果の向きを取り違えると、本来効果を確認すべき「増員から数か月後の解約率の変化」ではなく、「増員した当月の解約率」という筋の違う数字を見て対策を評価してしまいます。

生成AIが​「相関があるので原因」と​言い​切ってしまう​典型パターン

生成AIに月次データの表を渡して「傾向を分析してください」と頼むと、多くの場合、相関係数や2系列の連動を見つけた瞬間に、因果関係を含んだ言い切りの文章を返してきます。「〇〇の導入により△△が改善しました」「〇〇が増加したことが原因で△△が悪化しています」といった言い回しがその典型です。これは生成AIが悪意を持って断定しているわけではなく、次の2つの性質から生じます。1つ目は、学習データに含まれる分析コメントの多くが、断定的な因果表現で書かれていることです。もっともらしく聞こえる文章を生成する仕組み上、根拠が弱くても「原因は〇〇です」という言い切りの形を選びやすくなります。2つ目は、生成AIには相関係数と因果関係を区別する明示的なチェック機構が組み込まれていないことです。データを見て相関を検出することはできても、それが疑似相関か、第三因子によるものか、逆因果かを自動で見分けているわけではありません。

この癖への実務的な対処は、質問の仕方を変えることです。「原因を教えてください」ではなく、「この相関について、疑似相関・第三因子・逆因果それぞれの可能性を挙げたうえで、因果と言い切れない理由を説明してください」と指示すると、AIの出力は言い切り型から検討型に変わりやすくなります。あわせて「この結論を確かめるには、あとどのデータが必要ですか」と続けて聞くことで、次に何を検証すべきかという実務的な材料が得られます。生成AIの出力そのものを検証する手順は生成​AI​出力の​検証手順｜ハルシネーションの​見抜き方と​数値照合の型、モデルの前提が不合理でないかを点検する手順はAIで「不合理な予測前提」を検出する｜モデルのレッドフラグ点検12項目と差戻しコメントで扱っています。

因果関係に​近づく​ための​実務的な​手当て：自然実験と​差分の​差分法

完全な意味での因果関係の証明には、対象をランダムに2群へ割り付けて比較するランダム化比較試験が理想とされますが、企業の財務データや業務データでそれを行うのは現実的ではありません。実務でよく使われるのが、意図せず条件が分かれた状況を利用する「自然実験」の考え方です。ある施策が、業績と無関係な事情（システム更改のスケジュール、拠点ごとの導入時期のずれなど）によって一部にだけ先に適用された場合、その「先に適用されたグループ」と「まだ適用されていないグループ」を比較することで、施策そのものの効果に近づけます。

その代表的な比較の型が「差分の差分法（Difference-in-Differences）」の考え方です。導入グループの施策前後の変化から、非導入グループの同じ期間の変化を差し引くことで、両グループに共通する市場全体の動き（季節要因や景気の波）を取り除き、施策固有の効果だけを取り出そうとします。

式
施策効果の推定値 ≈（導入グループの施策後−施策前）−（非導入グループの施策後−施策前）

以下は説明用の仮設例です。ある会社で、一部の営業拠点だけが先に新しいCRMシステムを導入し、残りの拠点は数か月後の全社展開を待っている状況を考えます。CRM導入拠点の商談成約率は導入前20％から導入後27％へ7ポイント上昇しました。単純にこの7ポイントをCRMの効果と読みたくなりますが、同じ期間、まだCRMを導入していない拠点でも成約率は18％から21％へ3ポイント上昇しています。これは市況の改善や季節要因など、CRMとは関係のない全社共通の要因によるものと考えられます。差分の差分法では、7ポイント−3ポイント＝4ポイントを、CRM導入に固有の効果の推定値として扱います。単純な前後比較（7ポイント）は、CRM以外の要因まで含んだ数字であることが分かります。自然実験を設計するときは、比較対象の選び方にも注意が必要です。導入後の結果を先に見てから「導入グループ」と「非導入グループ」を選び直すと、後から分かった情報で条件設定をゆがめるルックアヘッドバイアスと同じ構造の誤りが入り込みます。

この考え方は、統計的な有意性の検定や信頼区間の考え方と組み合わせて使うことで、より確からしい推定になります。差の大きさをどこまで「意味のある差」として扱えるかはt検定と​p値の​読み​方｜仮説検定の​枠組みと​多重検定の罠で扱う領域です。また、相関を​考慮した​シナリオ設計のように、複数の変数の連動を前提にモデルを組む場面でも、まず個々の変数間に本当に因果的なつながりがあるのかを整理しておくことが土台になります。

財務分析での​誤読事例：KPIと​業績の​見せかけの​相関を​検算する

KPIツリーや月次のFP&A資料では、特定のKPIと営業利益率の相関が高いことを根拠に「このKPIを伸ばせば利益率が上がる」という説明がされることがあります。以下は説明用の仮設例です。ある会社の6つの営業拠点について、研修受講時間（KPI）と営業利益率の関係を確認します。

研修受講時間と営業利益率の相関係数はr≈0.999と、ほぼ完全な相関です。この数字だけを本部に報告すると「研修を増やせば利益率が上がる」という説明になりがちですが、6拠点の内訳を見ると、A・B・Eの3拠点は本部から重点支援対象に指定されており、研修だけでなく増員・販促予算・システム投資など複数の支援を同時に受けています。C・D・Fはいずれの支援も受けていません。つまり研修受講時間は、重点支援という一括りの施策パッケージの中の一項目にすぎず、研修時間そのものが利益率を押し上げている因果的な主役かどうかは、この相関係数だけでは分かりません。図3のように支店を重点支援の有無で色分けすると、データが2つの塊（クラスター）に分かれているだけで、1本の滑らかな因果関係の線を描いているわけではないことが見えてきます。

相関係数そのものは、株式のベータのように株式リターンと市場リターンの連動を測る実務上の指標としても使われており、相関自体が無意味というわけではありません。ただしベータが示すのも「連動の度合い」であって、市場が個別銘柄を動かす因果のメカニズムそのものではない点は同じです。このようなKPI相関を検算するときは、まず相関係数の裏側にあるサンプルの内訳（拠点属性、支援の有無、規模など）を確認し、KPIを分解した構造で見ることが有効です。KPIツリーのように営業利益をより細かい現場KPIへ分解しておくと、どのKPIが本当に利益率を動かしているのか、それとも複数のKPIが共通の施策によって同時に動いているだけなのかを切り分けやすくなります。

分析​コメントを​書く​ときの​チェックリスト

相関関係を根拠に分析コメントを書く前に、次の項目を確認します。

よく​ある​質問​（FAQ）

まとめ

相関係数が高いことは、2つの数字が一緒に動くという事実を示しているだけで、なぜ一緒に動くのかという理由を説明するものではありません。財務データでは、偶然による疑似相関、共通の第三因子による見せかけの相関、原因と結果の向きを取り違えた逆因果という3つのパターンで、相関が因果と混同されやすくなります。生成AIに分析コメントを書かせるときも、相関を見つけた瞬間に因果を言い切る癖があることを前提に、疑似相関・第三因子・逆因果の可能性を挙げさせる質問の仕方が有効です。自然実験や差分の差分法の考え方、そしてKPIの内訳を分解して確認する姿勢が、相関を根拠にした分析コメントの精度を上げます。

出典・参考​（2026年9月確認）

• 総務省統計局「なるほど統計学園」複数の変量の関係を探る（「見せかけの相関」の定義、相関係数が0でも関係が無いとは言い切れない旨の解説） stat.go.jp
• Tyler Vigen「Spurious Correlations」（見せかけの相関の実例集） tylervigen.com

※本記事は教育目的の一般的な解説であり、法務・税務・投資助言ではありません。設例は理解のための仮設例です。