リッジ回帰やラッソ回帰で因果推論できるのか？ - Qiita
はじめに 因果推論を行う手法の1つとして、線形回帰が挙げられます。今回は、その線形回帰の拡張とも言えるリッジ回帰(Ridge回帰)やラッソ回帰(Lasso回帰)を用いて因果効果を推定してみるとどうなるのか、Pythonによるシミュレーションと共にまとめました。内容に誤り等ございましたら、ぜひご指摘いただけますと幸いです。 結論 リッジ回帰やラッソ回帰を用いると、うまく因果効果を推定することができません。 これは、リッジ回帰やラッソ回帰を行うことで、線形回帰（線形回帰モデルをOLS推定）による推定値よりも汎化誤差が小さくなる一方で、不偏性と呼ばれる因果効果をバイアスなく推定するために必要な性質が失われてしまうからです。 通常の線形回帰における最小二乗法(OLS)では、下記の損失関数を最小化するパラメータを求めます。
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）
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
処理を実行中です
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
