『因果推論』（金本拓：オーム社）は因果推論に留まらず現代的なマーケティング分析手法まで網羅したバイブル - 渋谷駅前で働くデータサイエンティストのブログ
因果推論: 基礎から機械学習・時系列解析・因果探索を用いた意思決定のアプローチ 作者:金本 拓オーム社Amazon 著者の金本さんからご指名でご恵贈いただいたのが、こちらの『因果推論 ―基礎から機械学習・時系列解析・因果探索を用いた意思決定のアプローチ―』です。正直に白状しますと、因果推論とタイトルにつく技術書はここ数年でゴマンと出版されており、本書も紙冊子で頂戴したものの僕はあまり期待せずにページをめくり始めたのでした（ごめんなさい）。 ところが、ほんの数ページめくっただけでその内容に僕は仰天しました。グラフィカルで実務家にとっての分かりやすさを重視した因果推論の解説と実践にとどまらず、現代的なマーケティング分析では必須の種々の手法についてまで懇切丁寧に解説とPythonによる実践例が付された本書は、文字通り「マーケティング分析実務家にとってのバイブル」になり得る素晴らしい一冊だと直感し
傾向スコアを用いたOverlap weighting - 統計学入門一歩先へ
はじめに 傾向スコアを用いた解析の代表的な方法の一つとして、個人ごとの傾向スコアの推定値*1による重み付け解析があります。 重み付け解析としては、傾向スコア推定値の逆数で重み付けを行う「逆確率重み付け法(Inverse probability of treatment weighting; IPTW)」が有名で広く利用されていますが、この方法は傾向スコアの推定値に0または1に近いものがあった場合（つまり、重みが非常に大きくなる場合）に、推定のバラツキが大きくなってしまうという難点があります。そのため、例えば極端な重みの値を持つ個人を解析から除外する「トリミング(Trimming)」などの方策がこれまでにも提案されてきました。 一方で最近では、新しいタイプの重み付け手法である「Overlap weighting」が提案されています。この方法については、Liらの2018年の論文（参考資料[1]
STAT 286/GOV 2003: Causal Inference
Substantive questions in empirical scientific and policy research are often causal. Does voter outreach increase turnout? Are job training programs effective? Can a universal health insurance program improve people's health? This class will introduce students to both statistical theory and applications of causal inference. As theoretical frameworks, we will discuss potential outcomes, causal graph
京都大学、因果推論の手法と理論を学べる講座が無料に 臨床統計学の講師が担当 | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
回帰モデルを用いた因果推論のための推定手法について講義資料を公開しました - Unboundedly
日本疫学会開催のセミナーで因果推論について60分のショートレクチャーをしました。 講義資料を公開します（本記事の一番下）。 質疑も盛り上がり楽しかったです、参加してくださった方ありがとうございました。 ボストン時間3AM~だったのでなかなかキツかったですが・・・ 初学者向けの内容で、以下のような話をしました。 「第一部」では因果効果識別のための条件や、DAGについて解説していただきました。 関連する記事はこちら。 「第二部」では主に識別の仮定が成立したあとどのように因果効果を推定するのか、そのための方法について議論しました。 以前公開した因果推論の講義資料の後半部分について、少し詳しく話をした感じです。 関連する記事はこちら。 傾向スコアを用いた方法と（アウトカムに対する）重回帰分析の比較は面白いのでは、と思っています。 口頭での講義資料であり、読みながらの学習に最適化していないこと あく
Google Colabで統計的因果探索手法LiNGAMを動かしてみた｜Dentsu Digital Tech Blog
電通デジタルでデータサイエンティストをしている中嶋です。 前回の記事は「Airflow 2.0でDAG定義をよりシンプルに！TaskFlow APIの紹介」でした。 Advent Calendar 10日目となる本記事では因果探索の一手法であるLiNGAM(Linear Non-Gaussian Acyclic Model)の解説及び、Google Colabでの分析例について紹介します。 因果探索とは最近のトレンド 最近、広告配信やマーケティング分析の文脈で施策の効果を適切に評価する手法として実験計画法や因果推論が注目を浴びています。産業界でも株式会社ソニーコンピュータサイエンス研究所、クウジット株式会社、株式会社電通国際情報サービスの三社が提供するCALCという要因分析ツールや、最近はNECの因果分析ソリューション causal analysisも出ていたりと盛り上がりを見せています。
)
Pythonで因果推論したい(CausalImpact) - あれもPython,これもPython
タイトルの通り、CausalImpactをPythonで試してみます。 下記本を元にし、RからPythonで書き直し、同様の効果が推定できるか試してみます。 導入 pyが最初につくのに注意します。 pip install pycausalimpact データの作成 statsmodelsのcigarデータを使います。 CausalImpactはデータフレームの一番左をyとし、それ以降が予測に使う変数となるため、その形となるようにpivotと並び替えを行います。 import statsmodels.api as sm df = sm.datasets.get_rdataset('Cigar', 'Ecdat').data #上記本の初期加工を関数化しておく def create_data(df): tmp = df[(df['year']>=70) & (~df['state'].isin
バンディットアルゴリズムの評価と因果推論 | | AI tech studio
この1-2年でアドテクスタジオでもMulti-Arm-BanditやContextual-Banditといった単語がプロダクトとのMTGの中で飛び交うようになり、社内における応用例も徐々に増えてきました。 Banditそれ自体も非常に面白いのですが、個人的には「それをどの様に評価・比較するのか？」という問題が非常に面白いと考えています。 その大きな理由の一つは評価に因果推論の発想を用いる必要性が生じている事にあります。 今回は、Contextual-Banditの様なPolicyの評価方法について簡単なイントロを行えればと思います。 1. セットアップ 広告の画像をContextual-Banditで選択している様な状況を考えます。 すでに何らかの広告を見せる事が決まっているリクエスト(i)が来るたびに、そのリクエストを発生させたユーザーのcontext(X)が手に入り、それを元に報酬(r
『バックドア基準の入門』＠統数研研究集会
3. 本日の話（もくじ） 3 I. 6ステップで説明するバックドア基準入門 III. いちユーザー視点からの「実質科学上の意義」 1. 前置き 2. バックドアパスをイメージしよう 3. まずは2変量(x,y)を考える ネオニコチノイド系農薬のミツバチコロニーへの影響についての 既往研究論文（Budge et al. 2015）の再解析 4. 3変量(x,y,z)で見る基本的論理 5. 4変量以上の場合を見る 6. "まとめ"としてのバックドア基準 ＊個人の感想です。また、ものすごく「分野による」話です II. 環境リスク分野でのバックドア基準の”使用”例 (時間が余れば)：バックドア基準と多重線形性の関係の説明 4. 本日の話（もくじ） 4 I. 6ステップで説明するバックドア基準入門 III. いちユーザー視点からの「実質科学上の意義」 1. 前置き 2. バックドアパスをイメージしよ
統計学における因果推論（ルービンの因果モデル）
（ドナルド・ルービン教授と筆者。筆者撮影） 因果関係を理解したり、証明したりするには考え方の体系的な枠組み（フレームワーク）が必要です。ある2つの事象が因果関係にあると主張するのは勝手かもしれませんが、それが事実なのか、それとも”言い張っているだけ”なのかを判断するためには、それを評価するためのルールが必要になります。どんな条件を満たせば因果関係にあると証明することができて、何が足りないと因果関係を述べることができないのか、を理解しましょう。学問の分野によって考え方はまちまちです。ここでは、専門分野に関わらず普遍的な因果推論（因果関係にあるということを証明する方法）の考え方を理解するために、（１）統計学（ルービン）、（２）心理学（キャンベル）、（３）疫学（パール）の3つの分野における因果推論を順番に説明し、必要に応じて対比させていきたいと思います。今回はその中でも（１）統計学における因果推
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
Statistical inference for one-sample proportion
非ガウス性を利用した�因果構造探索