データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
前回の記事ではVARモデルの基礎までを取り上げました。ということで、今回はVARモデルに基づいて異なる時系列同士の因果関係を推定する3つの手法について取り上げてみようと思います。 ということで毎回毎回しつこいですが、使用テキストはいつもの沖本本です。 経済・ファイナンスデータの計量時系列分析 (統計ライブラリー) 作者:竜義, 沖本朝倉書店Amazon 以下タイトルにのっとってRで各モデルの挙動を見ながらやっていきます。 必要なRパッケージ＆サンプルデータ {vars}をインストールして展開して下さい。なお、Granger因果のグラフ構造表現及び偏Granger因果は、実はそもそもRでは実装されていません。ここだけMatlabの話題になりますので、悪しからずご了承を。。。 それから今回のサンプルデータですが、また{vars}同梱のCanadaでは芸がないので違うデータを使うことにします。沖
統計的消去で擬似相関を見抜こう！ - ほくそ笑む したがって、年齢と算数能力は、真の相関関係にあると言えます。 強調は私が施しました。 うーん、違和感があるのですよね。真のという所に。真の相関関係とはどのような概念なのでしょうか。あるいは、真で無い相関関係とは。 ある2変数に関連があった時に、その2変数両方に関連していそうな変数の影響をパーシャルアウトしたら関連が消える場合、それを疑似相関と呼ぶ。まあこれは、教科書的な、よくある説明です（私はそのような表現はしませんけれども）。 では、それを踏まえると、真の相関関係というのは、他に関連しているであろう変数の影響を悉く除去しても見いだせる相関関係、となるのでしょうか。でも、影響を与えていそうな要因というのは、未知のものも含め、数え切れないほどある訳ですよね。 もしそれが可能だとして、他の影響を除去し切った時に現れる関連というのは、因果関係とは
「ビッグデータ」がもたらす「因果関係」から「相関関係」へのシフト—理由なんてどうでもいいんです - ihayato.書店 | ihayato.書店 今一つ主張が解らない、と言うよりは、そもそもそれぞれの言葉の指す意味が判然としない感じです。その言葉というのは、 相関関係 因果関係 理由 結論 原因 こういったものですね。 リンク先は書評エントリーですから、どういう事が本で書かれていて、どのような認識を書評の書き手が持っているのか、というのは切り分けておく必要があると思いますが、引用文（つまり本に書かれている事）を見ても、ちょっとピンとこないものがあります。 たとえば、「オレンジジュースとアスピリンの組み合わせで癌が治る」というのが、相関関係を見出した例として出されていますが、これは、○○によって××が起こる、という言明ですから、因果関係を示す表現ではないかと思うのですが、どうでしょうか。こ
「〜の変化は…でＸ割説明がつく」という言い回し - 発声練習 ピアソンの積率相関係数を割合や確率として扱うのは論外ではないかと思いますが、それは措いて、決定係数（寄与率）に関して、説明出来るとか説明がつくといった表現は、結構見るように思います。 そこで、手許にある統計の本を参照して、この用語がどのように解説されているかを引用してみます。自分の知識の整理にもなりますし。 尚、引用文中にある決定係数の数式は省略し、<数式>と書きます。 ※強調は原文のまま 工学・品質管理・実験計画系 F検定によって，有意性を検定するだけでなく，要因によるばらつきが，全体の変動Srのどのくらいを占めているかを調べることがある。それには，寄与率を求めればよい。 例えば，<数式> したがって，全体のばらつきの43.4%を成形温度という要因で説明できることがわかる。 谷津『すぐに役立つ実験の計画と解析 基礎編』（P56
どもっす。林岳彦です。ファミコンソフトの中で一番好きなのは『ソロモンの鍵』です*1。 さて。 今回は、因果関係と相関関係について書いていきたいと思います。「因果関係と相関関係は違う」というのはみなさまご存知かと思われますが、そこをまともに論じていくとけっこう入り組んだ議論となります。 「そもそも因果とは」とか「因果は不可知なのか」のような点について論じるとヒュームから分析哲学（様相論理）へと語る流れ（ここのスライド前半参照）になりますし、統計学的に因果をフォーマルに扱おうとするとRubinの潜在反応モデルやPearlのdo演算子やバックドア基準（ここのスライド後半参照）の説明が必要になってきます。 その辺りのガッツリした説明も徐々に書いていきたいとは考えておりますが（予告）、まあ、その辺りをいちどきに説明しようというのは正直なかなか大変です。 なので今回は、あまり細かくて遭難しそうな話には
3. 今回のもくじ イントロ -『相関と因果』再訪 基礎編 - 因果概念の変遷： 心の習慣 から 反事実 へ - 因果と確率論を繋ぐ：Pearlのdo演算子 実務編 - 重回帰とは因果構造分解酵素である - バックドア基準による変数選択 考察 - 因果推論の不可能性, モデル選択の３視点 4. 相関と因果は一致しない 86 女 性 84 の 平 82 均 寿 80 命 78 （歳） 30 34 38 NHKの放送受信契約数（百万） http://www.stat.go.jp/data/nihon/02.htm 元データ→ http://pid.nhk.or.jp/jushinryo/know/pdf/toukei2010.pdf 5. 相関と因果は一致しない 86 p < 0.00000002 女 2 性 84 R = 0.99 の 平 82 均 寿 80 命 78 （歳） 30 34 3
皆さまこんばんは。今回から数回のあいだは、久しぶりに統計的因果推論ネタについて書いていきたいと思います。 今回の具体的なテーマは「Judea Pearlのdo演算子」になります。マニアックです。 このテーマについては自分でも完全に理解しているわけでは全くないので、「解説」というよりも「半可通が書いた公開勉強メモ」というかんじになりますが、その旨ご了承いただければ幸いです。 （＊例によって今回もまためちゃくちゃ長いエントリーとなりますが、何卒よろしくお願いいたします。また、間違いなどがありましたらその旨ご指摘いただければ大変幸甚でございます＞本物の識者の方々） まえおき：Judea Pearlって誰すか？ はい。ではそもそもその「Judea Pearlって誰すか？」というところから書いていきたいと思います。 結論から言うと私もよく知りません。ですが、周辺的手がかりからヒューリスティックに判断
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