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
統計的因果推論(2): 傾向スコア(Propensity Score)の初歩をRで実践してみる - 六本木で働くデータサイエンティストのブログ
さて、統計的因果推論についてだらだらと独習していくこのシリーズですが、今回はDonald Rubinが考案したRubinの因果モデルで用いられる、傾向スコア(Propensity Score)を取り上げてみようと思います。「お前岩波DS3で事前に原稿読んで中身は知っているはずじゃないのか」とかいうツッコミはご勘弁ください（笑）。 元々は観察データ（つまりRCTを含む実験データではない）から因果関係を推定するための手法ということで、いかにして観察データに隠れた影響を与える共変量を突き止め、その共変量から及んでくる影響をバランスさせ、真の因果効果を推定するか、というのが主眼でした。つまり、RCTを実践できないような疫学データや社会科学的データに対する適用がメインだったようです。 しかしながら、最近は例えば広告やマーケティングといった「ある程度の介入（処置）*1はできても事実上RCTを徹底するこ
統計的因果推論による傾向スコアとIPW推定量の基本的な考え方 | トライフィールズ
統計的因果推論による因果効果を調べる手段として、傾向スコアとIPW推定量という概念があります。ここでは、なぜ傾向スコアを考えるのか、傾向スコアの逆数の重み付けはどのような意味があるのかを、複雑な数式を用いずに具体例を通してご説明します。 さっそくですが、次の具体例を考えます。 受験生が塾に通う場合と通わない場合で、テストの点数がどの程度異なるのか このとき、下記のデータが得られたとします。塾に通う受験生を通学のA1～A4で表し、塾に通わない受験生を独学のB1～B2とします。 受験生 点数 勉強時間
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
