The Effect: An Introduction to Research Design and Causality | The Effect
Click here to order your copy of The Effect from Chapman & Hall now! You can use code NHK20 to get a 20% discount. The book can also be ordered on Amazon or Barnes and Noble. Welcome to the web version of The Effect. The Effect is now out in published form from Chapman & Hall, but they have allowed this free Bookdown version to remain here on theeffectbook.net. This Bookdown version will continue
Causal Inference The Mixtape
This is the online version of Causal Inference: The Mixtape Causal inference encompasses the tools that allow social scientists to determine what causes what. In a messy world, causal inference is what helps establish the causes and effects of the actions being studied—for example, the impact (or lack thereof) of increases in the minimum wage on employment, the effects of early childhood education
Causal Inference in R
Preface Welcome to Causal Inference in R. Answering causal questions is critical for scientific and business purposes, but techniques like randomized clinical trials and A/B testing are not always practical or successful. The tools in this book will allow readers to better make causal inferences with observational data with the R programming language. By its end, we hope to help you: Ask better ca
Rで学ぶ計量経済学と機械学習
Rで学ぶ計量経済学と機械学習 Contents Rの基礎 データ整理 test_scores.xlsx データの可視化 回帰分析 計量経済学１：回帰分析とマッチング 計量経済学２：操作変数法 計量経済学３：回帰不連続デザイン（+モンテカルロ・シミュレーション入門） 計量経済学４：固定効果モデル 計量経済学５：差の差(DID)法 機械学習１：線形回帰・ロジスティック回帰 機械学習２：リッジ回帰・Lasso 機械学習３：決定木・アンサンブル学習 機械学習４：ニューラルネットワーク・ディープラーニング・大規模言語モデル Authors 安藤道人（立教大学） 三田匡能（株式会社 GA technologies）
MarketMatching Package Vignette
Introduction If you ever spent time in the field of marketing analytics, chances are that you have analyzed the existence of a causal impact from a new local TV campaign, a major local PR event, or the emergence of a new local competitor. From an analytical standpoint these type of events all have one thing in common: the impact cannot be tracked at the individual customer level and hence we have
施策効果測定におけるメタアナリシスの応用 - ほくそ笑む
はじめに マーケティング施策を行うときに、その施策効果を測定するために、コントロールグループ（施策を適用しないユーザ）を作る場合がある。 例えば、販促メールを送るという施策を行うときに、一部のユーザには送らないようにする。 仮にメールを送らなかったユーザの平均売上が1000円であり、メールを送ったユーザは平均1100円だとすると、その差である100円が1人あたりの施策効果となる。 しかし、施策を適用しないユーザの数を増やすと、全体の売上効果はそれだけ減少してしまう。 つまり、全体のユーザ数を1万人とすると、全員にメールを送れば100万円の売上効果があるが、半分の5千人をコントロールとすると売上効果も半分の50万円となる。 したがって、コントロールグループに割り当てる人数はなるべく小さくしたいという要求がある。 ただし、コントロールグループの人数を少なくすると、効果測定の精度が落ちるという問
[R] R で二段階最小二乗法 (操作変数法) - ill-identified diary
概要 今回は大した内容ではない sem パッケージで二段階最小二乗法をする tsls() 関数の構文がちょっとわかりづらかったのでメモ書き程度に残しておく 操作変数 のようなモデルがあるとして, が内生変数である, つまり 誤差項 と相関するとき, 通常の最小二乗法より二段階最小二乗法 (two-stage lease squares; 2SLS) を利用したほうがよい場合がある. 二段階最小二乗法が何かという話は, Rで学ぶ観察データでの因果推定 を参照してほしい (リンク先では操作変数法ということで紹介されている). より厳密な数式を知りたいなら, 浅野・中村 (2009) 『計量経済学』第2版がよい. 二段階最小二乗法では, まず1段階目で, 内生変数を被説明変数とし, 元の式 (1) の,内生変数以外の説明変数と, 操作変数 を説明変数とした回帰式, を推定し, (1) 式の に,
統計的因果推論(3): 傾向スコア算出を機械学習に置き換えてみると - 渋谷駅前で働くデータサイエンティストのブログ
この記事は以下の記事の続きです。 前回の記事では普通にロジスティック回帰で傾向スコアを求めたのですが、傾向スコアというのは元はと言えば「共変量に基づいてそれぞれの群に割り付けられる確率値を求めたもの」なので、やろうと思えば機械学習分類器で代替しても良いわけです。実際、岩波DS3にもそのように書かれています。 岩波データサイエンス Vol.3 岩波書店Amazon ということで、前回記事のCM接触データセットに対して任意の機械学習分類器を用いて傾向スコアを算出した歳の、各種効果指標の違いを見ていこうかと思います。なおデータセットは前回から引き続きdというデータフレームに入っているとします。またAUCを求めるに当たっては{ROCR}パッケージを用いています。下準備として以下のようにインデックスを用意しておきます。 > ivec1 <- d$cm_dummy # Treated group >
岩波データサイエンスvol.3のCM接触の因果効果を他の方法で推定してみた(2) - YuRAN-HIKO
岩波データサイエンスvol.3 Causal Forest Causal Forest による因果効果の推定 おわりに 統計的因果推論の関連記事 岩波データサイエンスvol.3 岩波データサイエンスvol.3のCM接触の因果効果を他の方法で推定してみた、第二弾です。今回は「非均質性を伴った処置効果(Heterogeneous Treatment Effects)」の推定で数年前に提唱された Causal Forest を用いてみたいと思います。なお、岩波データサイエンスvol.3のCM接触の因果効果を他の方法で推定してみた(1) - YuRAN-HIKOでも傾向スコアマッチングを用いた記事があります。ご興味のある方は併せてお読みください。 使用するデータや用いる説明変数に関しては前回の記事と同様になります。では、早速分析を進めていきたいと思います。今回も R言語を用いることとします。 Ca
Causal Treeはどうやって個別の因果効果を推定しているのかを整理(しきれなかった) - 名前はまだない
はじめに ここ最近で機械学習と因果推論の融合が有名になってきました。 その中で、決定木(回帰木)のアルゴリズムを用いて条件付き処置効果(CATE)を推定するCausal Treeという手法の話がでてきています。 しかし、概要を聞いても何をしているのかよくわからないので、Causal Treeの提案者であるS.Atheyが書いた論文を読みました。 arxiv.org Causal Treeでどのように条件付き処置効果(CATE)を推定しているのかまとめてみました。 といっても個人的なメモに過ぎません(免責事項)。 いつも通り、少しずつ修正を加えていきます。 正直これらのスライドの方が簡潔でわかりやすいです。 私も参考にさせていただきました。 計量経済学と 機械学習の交差点入り口 （公開用） 勉強会準備資料備忘：causal forest & r-learner - Speaker Deck
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
GitHub - migariane/TutorialComputationalCausalInferenceEstimators: Tutorial_Computational_Causal_Inference_Estimators
Day2: マッチング
ecnometrics/PS2.R at master · ykaneko1992/ecnometrics
dowhy library exploration - Just be-cause
GitHub - xnie/rlearner: Quasi-Oracle Estimation of Heterogeneous Treatment Effects
The mr_uplift package in R: A Practitioners Guide to Trade-Offs in Uplift Models
An introduction to Causal inference
Causal inference with DAGs in R – Paolo Eusebi
Program Evaluation: Interrupted Time Series in R | DataScience+
Causal inference with the g-formula in Stan