統計的因果推論と因果探索について｜M3 Data Science Blog
こんにちは。エムスリーデータ分析グループの中島です。 本記事ではマーケティングやデータサイエンスの文脈で重要度が高まっている統計的因果推論への足掛かりをデータ分析グループの業務と結び付けながらご紹介したいと思います。 1. はじめに「A→Bの因果関係がある」とは、Aへ介入する（Aを変化させる）ことよって、要因Bを変化させることができることを意味します。 具体例で考えると、投薬（A）の有無によって病気の治癒率（B）が変化する場合、投薬→治癒率の因果関係があるといえるわけです。 このような因果関係をデータを活用して解き明かそうとするのが統計的因果推論の目的ですが、大別するとさらに次の２つに分類されます。 (1) 因果の方向を既知のものとして因果の大きさを評価(因果推論) (2) 因果の方向の決定・探索(因果探索) これらの基本的な考え方と手法について紹介をしたいと思いますが、その前に重要な概念
Pythonの因果分析ライブラリCausalNexの紹介
概要 ベイジアンネットワークは、ディープラーニング(深層学習)等とは違い変数間の因果関係を捉える事が出来るため、病気の原因分析、気象予測、マーケティングなどで活用されています。 今回は、カリフォルニア大学アーバイン校(UCI)が提供しているポルトガルの学生の成績データを使用して、ベイジアンネットワークの構築、評価、介入のシミュレーションを行いました。 目次 CausalNexのインストール方法 用語解説 データ概要 ベイジアンネットワークの構築 DAG(有効非循環グラフ)の構造学習 CPD(条件付き確率分布)の学習 ベイジアンネットワークの評価 介入のシミュレーション 参考リンク CausalNexのインストール方法 今回使用するPythonの因果分析ライブラリCausalNexは以下のコマンドでインストールできます。 Python3.6~3.8で動きます。(今回はPython3.8.9を
非ガウスSVAR（VAR-LiNGAM）で描く時系列グラフィカルモデリング（Python版）
グラフィカルモデリングとは、多変量データ（変数が複数あるデータセット）の変数間の構造を表す統計モデルをグラフによって表現したもので、小難しくいうと、確率変数間の依存関係をグラフ表現したものです。 変数間の関係を無向グラフや有向グラフなどで表現することで、視覚的に変数間の関係を把握することができます。 多変量時系列データに対するグラフィカルモデリングの1手法として、グレンジャー因果性に基づく方法があります。 グレンジャー因果性とは、ある時系列データAの過去の値が別の時系列データBの将来の値を予測する能力を有するというもので、予測的因果関係とも言われています。 多変量時系列データに対するグラフィカルモデリングを作るとき、相互相関を利用するのが一番簡単です。 前々回、「相互相関で描く時系列グラフィカルモデリング」というお話しをしました。 相互相関で描く時系列グラフィカルモデリング（Python版
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
因果探索と因果推論を調べて試してみました～ベイジアンネットワーク・ランダムフォレストで～ - CCCMKホールディングス TECH Labの Tech Blog