（帰納には、仮説作成能力はありません）
１）科学的な推論
科学的な推論の方法を整理します。
（S1）推論では検証可能なコイン型の因果モデルをつくります。
一般的な因果モデルは、「もし（原因A）があれば、（結果B)になる」とかけます。
コイン型の因果モデルは、さらに、「もし（原因A）がなければ、（結果B)にならない」を含みます。
（S2)因果モデルは、特定のCasual Universe（母集団）に対して設定されます。
Casual Universeは、要素（インスタンス）の集合として定義されます。
Casual Universeにオブジェクト名をつけることができます。
オブジェクト名から、インスタンスを作成する場合には、Casual Universe（母集団）が変化しますので、注意が必要です。
（S３）推論（因果モデル）は、ファクトによって検証されます。
物理学では、ファクトは実験によって収集されました。
しかし、実験が困難な分野の方が一般的です。
この場合には、サンプリングに伴うバイアスが発生します。
RCTは、サンプリング・バイアスを回避する方法です。RCTが出来ない場合には、近似的な手法を採用します。
サンプリング・バイアスとは、母集団のCasual Universeと、サンプルのCasual Universeのズレを意味します。
つまり、サンプルのCasual Universeに対して検証された因果モデルと、母集団のCasual Universeに対する因果モデルの不一致を意味します。
このように、サンプリング・バイアスは、Casual Universeの設定問題の一部です。
２）アブダプション
検証可能なコイン型の因果モデルをつくるための推論の基本は、アブダプションです。
これは、因果モデルを作成するための推論が、アブダプションになるためです。
帰納は、因果モデルを作成するための推論ではありません。
帰納で推論を行った場合のCasual Universeと、演繹を行う場合のCasual Universeは通常は一致しません。つまり、帰納には、検証は含まれません。
帰納で作成した推論が、アブダプションで作成した推論より優れている点はありません。
逆に、帰納で作成した推論は、アブダプションで作成した推論より、因果モデルの作成には向いていません。
帰納は、必ずしも、因果モデルを作成しないので、科学的な推論ではありません。
データを集めて帰納する方法は、（T1）因果モデルを作ることが難しい、（T2）検証ができていないことから、科学的な方法ではありません。
帰納の典型的な誤用法に、時系列データがあります。時系列解析や、トレンド分析は、因果モデルではありません。人口予測は、因果モデルのコフォート解析でかなり正確に行うことが可能ですが、トレンド分析は当てになりません。
３）車輪を発明しない
池上彰氏は、最近、「池上彰が大切にしている タテの想像力とヨコの想像力」という本を出版しました。
池上氏は、ヨコの想像力を次のような意味で使っています。
＜
「データはあるんだろうな」。企画提案の際、自分の頭にインプットされているこの言葉。
今や当たり前と言えるロジックやデータに基づく意思決定。日本の会社で求められるのは「地に足のついた提案」です。
＞
これから、ヨコの想像力とは帰納であることがわかります。
日本の会社は、科学的文化のリテラシーが欠如している（あるいはデータサイエンスが理解できない）ために、帰納による推論を検証と勘違いしています。
過去のデータのCasual Uiverseと将来のデータのCasual Uiverseは一致しませんので、過去のデータに基づく意思決定はナンセンスです。
前例主義が気にならない人は、科学的文化のリテラシーがかけています。
池上氏は、タテの想像力を次のような意味で使っています。
＜
「タテの想像力」をビジネスとして成功させてきた企業といえば、アメリカの巨大ITプラットフォーム企業GAFAが代表例でしょう。彼らは、「タテの想像力」を駆使し、ITを活用した「たどり着きたい未来」を想像し、そのために着々と行動してきたのです。
＞
これは、目的（「たどり着きたい未来」、結果）を設定して、そのための原因を準備する手法ですので、因果モデルです。
結果（「たどり着きたい未来」）から、原因を推測しますので、この推論は、アブダプションです。
池上氏は次の様にも、いっています。
＜
「データに基づく意思決定がクセになり、新しいチャレンジをするようなモチベーションが薄れていく」自分に気づきます。
＞
この言葉から、仮説検証が正しく理解されていないことがわかります。
エビデンスベース（データに基づく意思決定）のデータは、過去のデータではありません。
過去のデータは、サンプリング・バイアスが多くて使えません。
EBMでは、新薬の効果を調べます。データは、将来のデータです。
ここでは、薬を開発してから、治験によりエビデンスの計測をします。
GAFAMが、新しい製品やサービスを開発する時には、徹底したエビデンスベースの意思決定をします。これは、新製品を何段階にも分けてテストして、テスト段階で、計画的に採取したエビデンスデータをもとに因果モデルを点検して、必要であれば、修正する手続きです。
池上氏は、GAFAMの成功の理由を以下のようにまとまています。
＜
「タテの想像力」を発揮するときにも、自分の中での想像力の「リミッター（制限するもの）」を、意識的に外していくことが大切です。
その外し方は、子どもが持っている遊び心、いたずら心を、大人になっても持ち続けることです。
＞
お気づきだと思いますが、池上氏の推論は、帰納であって、アブダプションではありません。また、命題も検証可能な因果モデルではありません。
池上氏の命題は、以下です。
「企業のCEOが、子どもが持っている遊び心を持っていれば（原因）、企業は成長する（結果）」
この命題は、検証できませんので、形而上学です。
GAFAMの経営は、科学に基づいていて、形而上学に基づいている訳ではないと思います。
これは、パース以来のプラグマティズムの伝統です。
問題は、帰納とアブダプション、あるいは、人文的文化と科学的文化の違いで説明できます。「 タテの想像力とヨコの想像力」という車輪を発明する必要はありません。
４）帰納の呪い
ここでは、池上氏を非難している訳ではありません。
1959年に、スノーは、「２つの文化と科学革命」の中で、人文的文化ではなく、科学的文化が理解できなければ、経済成長しないといいました。日本では、「２つの文化と科学革命」のトンデモ解釈が蔓延して、人文的文化（形而上学）で、科学的文化の問題を解決できると、スノーとは真逆の主張がなされています。
「データに基づく意思決定」とは、科学的文化に基づく意思決定が、人文的文化に基づく意思決定に優るという主張です。パースの「ブリーフの固定化法」のリニューアル版です。
「データに基づく意思決定」は、帰納ではありません。
仮説を作ったら、演繹法を使って実験して、データを取って検証しましょうという主張です。
人文的文化の人は、帰納の呪いにかかっていて、科学的な推論ができていません。
このため、「データに基づく意思決定」の意味を正しく理解できません。
つまり、問題は、池上氏の主張にあるのではなく、「人文的文化（形而上学）で、科学的文化の問題を解決できる」いう蔓延している帰納の呪いにあると考えます。
問題解決は簡単です。形而上学の人文的文化を捨てて、科学的文化を採用することです。
利害関係者がいますが、他に科学的な選択肢はありません。
引用文献
池上彰が大切にしている タテの想像力とヨコの想像力 (講談社+α新書) 2023/8/23 池上彰
日本企業が求める「地に足のついた提案」が停滞を招いた。「たどり着きたい未来」を想像する方法とは何か 2023/09/05 池上彰
https://gendai.media/articles/-/115632
