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。
時系列性を考慮した因果探索手法VAR-LiNGAMの紹介｜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。 この記事では、これまで紹介したLiNGAMの派生形であるVAR-LiNGAM（Vector AutoRegression-LiNGAM）について紹介したいと思います。これは通常のLiNGAMにベクトル自己回帰モデル(Vector AutoRegression Model: VAR Model)の考え方を取り入れ、時系列性の因果も考慮した因果探索を行うものです。 今回の記事では分量の関係からGoogle Colabでの実装は割愛し、元論文[1]を参考にしながら主に理論的な部分の紹介を行います。 定式化VAR-LiNGAMの定式化を説明する前に論文の形式に倣ってまずはLiNGAMとVARそれぞれの定式化をおさらいします。個別の説明に入る前に全体像を以下に示します。 LiNGAM LiNGAMとはLinear Non-Gaussian A
はじめに この記事はLiNGAMの高速化を実装したものに加え、いくつかの拡張を行ったものです。 概要 統計的因果探索手法にLinear non-Gaussian Acyclic Model(LiNGAM)という手法があります。 これは下記仮定の下で因果関係を推定することができます。（仮定については条件付きで緩和が進められている） 未観測共通原因が存在しない 有向非巡回モデルである 各変数が連続変数である 各変数の誤差項は非ガウス分布に従う 各変数の関係は線形である 因果関係は下記構造方程式の$\boldsymbol{B}$を推定することで実現します。 $$\boldsymbol{x} = \boldsymbol{B}\boldsymbol{x} + \boldsymbol{e}$$ $\boldsymbol{B}$はICA（独立成分分析）による混合行列を上記仮定を用いて一意に特定します。
LiNGAMモデルの推定方法について - Qiita
機械学習プロフェッショナルシリーズ「統計的因果探索」の勉強の続き。 前回の投稿でLiNGAMモデルがなぜ識別可能なのかについて触れました。 今回は実際にLiNGAMモデルの係数行列 $B$ をどうやって推定するかについて、Pythonのソースコードと合わせて見ていこうと思います。 ※Pythonのソースコードは以下の本家(?)のサイトで紹介されているものを参考にしています。（ほぼそのまま写経してます） https://sites.google.com/site/sshimizu06/lingam 大まかな推定の流れ LiNGAMモデルの推定方法として ① 独立成分分析の手法を用いる ② 回帰分析と独立性評価を繰り返す の２つがあり、上記サイトで紹介されているソースコードは①の独立成分分析の手法を用いるパターンなので、ここでも独立成分分析の手法を紹介しようと思います。 前回の投稿で触れたよう
Fitbitデータで因果を探索してみる 〜独立成分分析によるLiNGAMモデルの推定〜 - mikutaifukuの雑記帳
はじめに 2018/2/11に日本経済新聞電子版にて以下のような記事が掲載されました。 元論文（日本経済研究センター JCER）の総論では、「博士増、生産性向上に結びつかず」と書かれており、大学教育や企業の活かし方に問題があるのでは、と問題提起をしています。 twitter等でも拡散され、盛り上がりました。 togetter.com 因果関係があるというのはなかなか難しく、疫学分野での因果推論の指標となっているヒルの因果関係ガイドラインを利用することが有用であると考えられています。 ヒルは事象Aが事象Bの原因であると結論付ける為に、以下の９つの規準 相関関係の強さ Aの生起とBの生起の間に強い相関関係がある 相関関係の一致性 相関関係の大きさは様々な状況で、対象や実証に利用よる手法が違っても一致している 相関関係の特異性 Bと「A以外に原因として想定される変数」の相関は高くない。またAと「
LiNGAMによる因果探索（基本編）
LiNGAMによる因果探索（基本編）# 本稿では因果分析において複数の変数（特徴量）間の線形の因果関係を表すモデルであるLinear Non-Gaussian Acyclic Model（以下LiNGAM）、およびそのパラメータ推定手法について説明します。 LiNGAMの定義# 今、\(d\)個の変数（特徴量）\(x_1, x_2, \dots, x_d\)が存在しており、それらの間に何らかの因果関係が存在するものとします。そのような因果関係が存在する変数群を表すモデルの1つがLiNGAMです。 LiNGAMでは変数\(x_1, x_2, \dots, x_d\)間の因果関係が重み付きの有向非巡回グラフ（以下DAG）で表されると仮定します。このDAGにおいて変数\(i\)から変数\(j\)への有向辺\((i, j)\)は変数\(i\)を原因（の1つ）として変数\(j\)が生じるという因果関
この記事はEnigmo Advent Calendar 2018の22日目です。 はじめに https://atarimae.biz/archives/7374 交番と犯罪件数が正の相関があるからといって、交番を減らして犯罪件数は減らないですよね。 さて、データ分析を行う上では、相関関係と因果関係を切り分けることが重要になることがあります。 例えば、KPIとある数値xが相関しているとします。 x → KPI という因果関係であれば、xの操作でKPI向上の施策を検討することができます。 逆に、KPI → x という因果関係であれば、xを操作してもKPIは変化しません。 y → x なのか、x → y なのか、xとyの相関関係の有無だけでは、因果関係は分かりません。 この記事では、機械学習ブロフェッショナルシリーズ、統計的因果探索を参考にしています。 なお、、z → x , z → y という
GitHub - cdt15/lingam: Python package for causal discovery based on LiNGAM.
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
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
統計的因果探索 LiNGAMの高速化 by using Python - Qiita
LiNGAM入門。気軽に因果関係を推定する(統計的因果探索) - エニグモ開発者ブログ