評価コンパスEvalCompass
因果推論・実験因果推論時系列政策評価集計データセグメント回帰

中断時系列分析

Interrupted Time Series Analysis
別名: ITS、時系列介入分析、Segmented Regression Analysis

単一グループ（または比較群と合わせて）の介入前後の時系列データを用い、介入が水準（level）やトレンド（slope）を変化させたかを統計的に推定する手法。集計的な行政記録・疾患統計でよく用いられる。

難易度 中級 ●●●費用 中 ●●●期間 データ収集に1〜4週間、分析に1〜2週間
中断時系列分析 設計・診断シートを開く →

概要

成果時間 →介入反事実トレンド水準・傾きの変化
介入の前後で時系列トレンドの水準・傾きがどう変化したかを見る。介入時点でのトレンドの折れを効果とみなす。

中断時系列分析（ITS）は、介入の前後で収集された複数の時点のデータを用い、介入によって時系列の「水準変化（レベルシフト）」と「傾きの変化（スロープシフト）」が生じたかを、セグメント回帰（segmented regression）で推定する手法。医療・公衆衛生・教育政策・法律改正の評価に広く使われており、ランダム化が困難な集計レベルの政策評価で現実的な選択肢となる。

対照群（同じ時期に介入を受けなかった比較地域・集団）のデータを組み合わせる「比較群つきITS（controlled ITS）」は、経時的な外部要因（季節変動・全国的なトレンド等）を除去でき、単純ITSより内的妥当性が高い。

手法の核心は「介入前のトレンドを外挿すれば介入後の反事実を推定できる」という仮定であり、介入前のデータが十分な時点数（最低8〜12時点が目安）あることが精度の鍵となる。

✓ こんな時に使う

  • 行政記録・疾患発生統計・犯罪統計など月次・年次の集計時系列データが存在し、法律改正・政策導入・プログラム開始の前後を比較したい
  • 全国または地域全体に一律に適用された政策で、対照群を設定しにくいが時系列データが長期にわたって入手できる
  • 医療・公衆衛生分野で、新薬承認・感染症対策・スクリーニングプログラム導入の効果を集計データで検証したい
  • 介入前に少なくとも8〜12時点以上のデータが確保できる場面

✕ 向かない場面

  • 介入前の時系列データが短く（5時点未満）、介入前トレンドの安定した推定ができない場合
  • 介入の時点で、政策以外の大きな外部ショック（他の政策変更・経済危機等）が同時に発生しており、両者の効果を分離できない場合
  • 個人レベルの差異や不均質な効果を推定したい場合（ITSは集計レベルの平均的変化しか示せない）

実施手順

  1. 結果変数と時系列データの確認
    測定する結果変数（例：月別救急搬送数・月次犯罪件数）とデータの時間単位（月次・四半期・年次）を決め、介入時点の前後を含む時系列データを収集・整理する。欠損・異常値を確認する。
  2. 介入時点の特定と時間変数のコーディング
    介入が実施された正確な時点（T）を特定する。分析用に「時間（t）」「介入ダミー（D=0介入前/1介入後）」「介入後経過時間（t*）」の3変数をコーディングする。
  3. 自己相関の確認
    時系列データには系列相関（自己相関）が発生しやすいため、Durbin-Watson統計量やACFプロットで確認する。ARIMA誤差モデルや Newey-West標準誤差など適切な補正を行う。
  4. セグメント回帰の実施
    結果変数を「介入前の水準（切片）・介入前の傾き・介入後の水準変化・介入後の傾きの変化」を推定するセグメント回帰モデルで分析する。各係数の実質的意味を解釈する。
  5. 結果の可視化
    時系列プロットに介入前後のフィット線と介入がなかった場合の反事実（介入前トレンドの延長線）を重ねて描き、視覚的にも効果を示す。
  6. 比較群での検証と感度分析
    比較群データが入手できる場合は比較群つきITSを実施し、外部要因の影響を分離する。季節調整・サブグループ分析・介入時点前後の複数の切り口でロバスト性を確認する。

長所と限界

長所

  • 既存の集計統計・行政記録を使用でき、新たな調査設計や対照群設定が困難な場面でも因果的評価が可能
  • 水準変化（即時効果）とトレンド変化（持続的効果）を区別して推定でき、政策効果の時間的プロファイルを明示できる
  • 全体への適用政策や集計データのみが入手可能な文脈（公衆衛生・都市政策等）に適している
  • 比較群つきITSでは外部要因の影響を除去でき、単純ITSより因果推論の信頼性が向上する

限界

  • 介入前のトレンドが介入後も続いていたはず、という反事実仮定は介入前データが短いほど不確か
  • 介入と同時に発生した他の外部ショックがあれば効果を分離できない（内的妥当性の主要な脅威）
  • 個人レベルの効果や不均質な効果は推定できない——集計レベルの平均的効果のみ
  • 時系列の自己相関を適切に処理しないと標準誤差が過小推定され、誤った有意差判定につながる

⚠ よくある落とし穴

  • 介入前データの時点数不足——8時点未満では介入前トレンドの安定した推定ができず、係数推定値の不確実性が急増する。短い時系列ではITSの適用自体を慎重に検討する
  • 自己相関の未処理——時系列データの誤差は通常相関しており、OLS標準誤差は過小推定になる。必ずDurbin-Watson検定やACFプロットを確認し、適切な誤差モデルを使う
  • 季節性の見落とし——月次データには季節変動があり、介入時点に特定の季節が重なっている場合に季節効果と介入効果を混同する。季節ダミーの投入や12か月以上のデータ確保が重要
  • 同時の政策変更の見落とし——介入と同時期に実施された他の政策変更（同じ日に他の規制が変わったなど）を確認しないと、帰属の誤りが生じる