はじめに 線形回帰による因果推論について、Pythonによる実装を交えてまとめました。回帰分析の特性の導出や理論的な背景については記述しておりません。内容について誤り等ございましたら、コメントにてご指摘いただけますと幸いです。 回帰分析の概要 回帰分析とは、説明変数Xを1単位増減させたときに、被説明変数Yがどの程度変動するかを出力する分析手法です。 因果推論における回帰分析 因果推論の文脈では、何らかの処置を表す変数D(以下、処置変数)が、被説明変数Yにどれだけの効果を与えているかを検証する際に回帰分析を利用します。例えば Y = b_0 + b_DDというような回帰モデルを作成し、 帰無仮説を「b_D = 0」として検定を行い、処置変数Dが被説明変数Yに影響を与えていると言えるか パラメータb_Dを推定して、処置変数Dが被説明変数Yにどれくらいの影響を与えているか などを検討します。 処
![Pythonで因果推論(4)~回帰分析を用いた効果検証~](https://cdn-ak-scissors.b.st-hatena.com/image/square/778fc927e434c4f8850c516135095ea4036d87d2/height=288;version=1;width=512/https%3A%2F%2Fres.cloudinary.com%2Fzenn%2Fimage%2Fupload%2Fs--H0pcGiSn--%2Fc_fit%252Cg_north_west%252Cl_text%3Anotosansjp-medium.otf_55%3APython%2525E3%252581%2525A7%2525E5%25259B%2525A0%2525E6%25259E%25259C%2525E6%25258E%2525A8%2525E8%2525AB%252596%2525284%252529~%2525E5%25259B%25259E%2525E5%2525B8%2525B0%2525E5%252588%252586%2525E6%25259E%252590%2525E3%252582%252592%2525E7%252594%2525A8%2525E3%252581%252584%2525E3%252581%25259F%2525E5%25258A%2525B9%2525E6%25259E%25259C%2525E6%2525A4%25259C%2525E8%2525A8%2525BC~%252Cw_1010%252Cx_90%252Cy_100%2Fg_south_west%252Cl_text%3Anotosansjp-medium.otf_37%3A%2525E3%252581%252586%2525E3%252581%2525A8%2525E3%252581%252597%2525E3%252582%252593%252Cx_203%252Cy_121%2Fg_south_west%252Ch_90%252Cl_fetch%3AaHR0cHM6Ly9zdG9yYWdlLmdvb2dsZWFwaXMuY29tL3plbm4tdXNlci11cGxvYWQvYXZhdGFyLzU5MTQzZGRhZmYuanBlZw%3D%3D%252Cr_max%252Cw_90%252Cx_87%252Cy_95%2Fv1627283836%2Fdefault%2Fog-base-w1200-v2.png)