集団全体への介入効果を推定するStandardizationとIPWの実力〜RとPythonにて〜 - データの裏側を歩く
前回は因果推論の王道テクニックである傾向スコアを使った回帰分析とマッチングについて紹介しました。今回も傾向スコアを使った解析手法の一つであるIPWと、傾向スコアは使いませんが理論的には同じになるStandardzationの紹介をしていきます。 www.medi-08-data-06.work この二つのモデルは、今まで扱ってきたモデルとは少し違い集団全体の因果効果(Marginal effect)を推定するモデルになります。集団全体の因果効果であるため、交絡因子の層ごとに要因の結果の関係性が異なっていたとしても、効果を推定することができます。 具体的な解析手法のみが気になる方は後半にRとPythonコードをのせてありますので、そちらをご参照ください。 そもそも因果推論ってなんぞ？って方はこちら www.medi-08-data-06.work Marginal effectとCondit
因果推論の王道テクニック”傾向スコア”を丁寧に考えてみる~RとPythonにて~ - データの裏側を歩く
世の中の事象における真の因果関係は神のみぞが知り、それに抗うために多くの因果推論テクニックが作られてきました。その中でも傾向スコアというのは、ランダム化検証ができない事象でも、データをゴニョゴニョすることで、理論上ランダム化に等しいことができてしまうという夢のようなテクニックです。 www.medi-08-data-06.work 今回はそんな傾向スコアが前提としている仮定や、傾向スコアを使う際の注意点、RとPython使っての解析方法などについて書いていきます。 解析方法を手っ取り早く知りたいという方は後半からご覧ください。 今回のデータ 簡単に回帰分析 CMとプレイ時間の関係に影響を及ぼすのは？ 全ての変数を調整することはできない 傾向スコアマッチング マッチング後は分布を確認 マッチングの結果は？ 傾向スコアマッチングの注意点（重要） 傾向スコアを変数として使う Rでの実践 Pyth
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
