「因果関係」をとらえるために / To grasp causal relationshipブレインパッド社内勉強会での発表スライドを公開しました 本スライドは #OpenBP の活動の一環として公開しています https://twitter.com/search?q=%23OpenBP&src=hashtag_click #OpenBPとは→ https://note.mu/ysdyt/n/n46160f3348fe
Causal Inference: What If (the book)
Jamie Robins and I have written a book that provides a cohesive presentation of concepts of, and methods for, causal inference. Much of this material is currently scattered across journals in several disciplines or confined to technical articles. We expect that the book will be of interest to anyone interested in causal inference, e.g., epidemiologists, statisticians, psychologists, economists, so
統計的因果推論のためのPythonライブラリDoWhyについて解説：なにができて、なにに注意すべきか - Unboundedly
機械学習など主に予測を目的とした統計手法に強いイメージのPythonでしたが、統計的因果推論を行うためのライブラリ、“DoWhy”がついにリリースされました。 DoWhy | Making causal inference easy — DoWhy | Making Causal Inference Easy documentation これまで因果推論があまり浸透してこなかった*1データサイエンス界に新しい風が吹くのではと期待が高まります。 一方でこのパッケージが何を可能にし、逆に何ができないのかを理解しなければ、雑なデータ分析が増えて逆に有害なのではと思い、今回ブログを書くことにしました。 先に言っておくと、私自身はPythonをメインに使っているわけではありません（使ったことはあるので一応コードを読んで何が起こっているかくらいはわかります）。したがって本記事の目的は、DoWhyライブ
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 >
Propensity score analysis with partially observed confounders: how should multiple imputation be used?
Inverse probability of treatment weighting (IPTW) is a popular propensity score (PS)-based approach to estimate causal effects in observational studies at risk of confounding bias. A major issue when estimating the PS is the presence of partially observed covariates. Multiple imputation (MI) is a natural approach to handle missing data on covariates, but its use in the PS context raises three impo
因果効果の推定！Rで実践 - 傾向スコア，マッチング，IPW推定量 - - Data Science by R and Python
はじめに 先日，岩波データサイエンスvol.3が発売されました．私も，「傾向スコアを用いたバント効果の推定−−ノーアウト1塁のバントは，得点確率を有意に高めるか!?」と題した記事を寄稿させていただきました．興味がある方は，是非読んでください＆感想・コメントなどもTwitterなどで教えてください． 岩波データサイエンス Vol.3 作者: 岩波データサイエンス刊行委員会出版社/メーカー: 岩波書店発売日: 2016/06/10メディア: 単行本（ソフトカバー）この商品を含むブログ (1件) を見る 今回のテーマ 今回は，上記の記事に関連して，上記の本で用いているIPW推定量の推定方法を実際に実践してみます． 説明していく過程で，読んでくださる方に， ・2つの群の平均の比較で因果効果をきちんと推定できない例 ・傾向スコアの推定方法（ロジスティック回帰を今回は用います）とその周辺知識 ・マッチ
Imputing Missing Data with R; MICE package | DataScience+
Missing data can be a not so trivial problem when analysing a dataset and accounting for it is usually not so straightforward either. If the amount of missing data is very small relatively to the size of the dataset, then leaving out the few samples with missing features may be the best strategy in order not to bias the analysis, however leaving out available datapoints deprives the data of some a
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
How to use R for matching samples (propensity score) | DataScience+
HTTP 404: Not Found
[PDF]内橋堅志+(2016) ヘテロなデータに対する統計的学習を用いた傾向スコア推定