エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
YDC | 時系列データから手っ取り早く変数間の因果関係を調べる
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
YDC | 時系列データから手っ取り早く変数間の因果関係を調べる
京都大学教授 加納 学 製造業では、製品の品質を良くするため、あるいは不良品の発生を抑制するために... 京都大学教授 加納 学 製造業では、製品の品質を良くするため、あるいは不良品の発生を抑制するために、製品特性に影響を与える要因を明らかにしたいというニーズがあります。もちろん、何らかの対策を取る必要があることから、要因となる操業条件を明らかにしたいというのが本音です。これができれば、操業条件をうまく調整することで、製品の品質や歩留りを改善することができます。 製品が製造される過程で起こる現象を精査し、操業条件と製品品質の因果関係を明らかにする取り組みは重要ですが、複雑なプロセスに対しては決して容易ではありません。そこで、大量に保存されているデータを活用できないかと考えるわけです。 時系列データから手っ取り早く変数間の因果関係を調べることができれば、嬉しいですよね。 できます。それも簡単に。 今回紹介するのはグレンジャー因果(Granger Causality)です。2003年にノーベル経済