1)因果モデルと探求の方法
因果モデルで、原因(C)と結果(R)を考えます。
因果モデルは、C=>R
if C then R
と書けます。
この因果モデル(仮説)を作成する方法を「探求の方法」と呼ぶことにします。
推論とは、既知から未知を推定する方法です。
CとRのいずれかが既知で、残りが未知になります。
(1)Rが既知で、Cが未知の場合
アブダクション(Abduction)になります。
(2)Cが既知で、Rが未知の場合
一般の名称はありませんが、ここでは、逆アブダクションと呼ぶことにします。
2)既知と未知
既知とは、文字どおり知られていること、情報を得ていることになります。
問題は、未知です。全く未知なものは、因果モデルの構成要素にすることはできません。
数学で、未知変数と言う場合には、変数名はわかっていますが、その値がわからない場合を指します。
同様に、因果モデルの未知の意味は、原因または、結果の要素名は既知だが、値が未知である場合と考えます。
ここで、原因集合(n要素)と結果集合(m要素)を考えます。
仮説の候補を作成することは簡単です。
以下では、最も単純な、1原因、1結果モデルを対象にします。
(1)総当たり法
原因集合と結果集合から1要素ずつをピックアップします。
組合せは、mxn通りあります。
(2)逆アブダクション
原因が既知で、結果が未知の場合です。
原因集合の要素を固定して、結果集合から
1要素ずつをピックアップします。
組合せは、m通りあります。
(3)アブダクション
結果が既知で、原因が未知の場合です。
結果集合の要素を固定して、原因集合から
1要素ずつをピックアップします。
組合せは、n通りあります。
>
推論では、原因と結果の片方が既知で、残りが未知を前提にしています。
したがって、「総当たり法」は、対象外になります。
そうすると、仮説をまとめることができるのは、「逆アブダクション」か「アブダクション」になります。
「総当たり法」に見られるように、仮説の候補を作ることは容易です。
問題は、候補を絞り込むことです。
ちょっと考えれば、わかりますが、「逆アブダクション」では、仮説の候補を絞り込むことはできません。絞り込む判定基準がありません。
「アブダクション」の場合には、ある程度絞り込むことが可能です。
「探求の方法」には、「アブダクション」だけが使えます。
3)よくある間違い
パースは、帰納法と仮説を混乱していたと述べています。
帰納法は、仮説を一般化する推論です。
帰納法では、仮説を作ることはできません。
帰納法と演繹法は、仮説があれば、仮説を一般化したり、仮説を実装することが出来ますが、仮説をつくることはできません。
現地調査で、データを集めて、そこから、仮説を導き出そうとする人がいます。
仮説を導き出す作業は、帰納法ではありません。
推論の既知と未知の区別を考えずに、集めたデータから、総当たり法で、仮説をまとまられると考えている人も多くいますが、全くの無駄です。
研究費と時間の浪費にしかなりません。
サンマの漁獲量が減っています。
ここで、結果は、サンマの漁獲量の減少です。
集めたデータから、その原因を探しますが、原因は容易には見つかりません。
温暖化の影響、中国の漁船の乱獲など、データを集めた後で、「アブダクション」をしても、原因候補のデータが入手できるものは殆どありません。
これは、仮説をつくる唯一の方法が、「アブダクション」であることを無視しているためです。
中には、計測結果を並べるだけで、仮説を提示しないゴミ研究も多くみられます。
仮説に関与しないデータはゴミにすぎません。
生態学のモデルのような複雑なモデル(仮説)では、仮説に含まれないデータは少なく、多くのデータが必要です。しかし、に使うデータに要求される属性値は多く、正確な位置と時間のないデータは、使えないゴミになります、
4)応用例
少子化対策が問題になっています。
ここでは、出生数が少ないが結果です。
「アブダクション」では、未知変数の原因を評価します。
生産年齢人口の女性数は、直ぐには増えません。
出生数を増やすためには、婚姻率をあげるしかありません。
子育て支援は、婚姻率に比べれば、2次的な影響しかないことは直ぐにわかります。
子育て予算を増やすことと、出生率には直接的な関係はありません。
不妊治療に保険適用をしても、増加する出生率はわずかで、効果は限定的です。
これは、減少する人口速度に追いつかない弱形式の(時間稼ぎの)問題解決にすぎません。
婚姻率をあげるためには、若年層の所得をあげる必要があります。
若年層の所得は、労働生産性と配分率で決まります。
DXをしないで非正規雇用を増やせば、労働生産性は下がり続けます。
年功型雇用で、若年層への配分率を下げれば、所得は更に減少します。
子ども予算増の財源を社会保険料にとれば、更に所得は減少します。
婚姻率が下がっていることは、社会構造が崩壊していることを意味しています。
「アブダクション」を使えば、仮説をかなり絞りこむことができます。
もちろん、最終的には、科学的な検証によって、仮説(ブリーフ)の固定をする必要があります。しかし、重要な仮説の候補を見落とす可能性は低くなります。
子ども予算では、「アブダクション」が使われていないことがわかります。
雇用形態を変えなければ、婚姻率は上がりません。
問題があった時に、「アブダクション」を使えば、無駄を大きく減らすことができます。
「アブダクション」を特殊な推論のように説明してる例も多いですが、その説明者は因果モデルが理解できてないことになります。
重要なブリーフを見落として、重要でないブリーフ(政策)を実行しても、効果はあがりません。
それは、The fixation of beliefのテーマです。