Размер видео: 1280 X 720853 X 480640 X 360
Показать панель управления
Автовоспроизведение
Автоповтор
いつも楽しい動画、ありがとうございます。わからないなりに最後まで見てしまいます。
因果推論の3つの制約1.DAG(非巡回グラフ)である。2.未観測共通原因がない。3.親、子孫の関係を守る。ノンパラメトリックアプローチ→関数形、誤差項の分布に仮定をおかない。パラメトリックアプローチ→関数形、誤差項の分布に仮定をおく。セミパラメトリックアプローチ→関数形には仮定をおく。誤差項の分布に仮定をおかない。LiNGAM(Linear Non-Gaussian acyclic Model) 線形 非ガウス 非巡回 モデル正規分布を使わず、巡回しない、線形のモデル
めちゃわかりやすかったです!次回作待ってます!
<効果検証入門>の動画を見て、チャンネル登録させて頂きました。企業分析を株投資の為にしているのでその観点から見ると、➀ノンパラメトリックアプローチ→式が非一次関数なので、パターンが多すぎるので、その 分だけパターンを作り考察しなければならない。②パラメトリックアプローチ→式が一次関数だが、企業の実際の代入される実データは、比 例関係では無いので、因果関係を推測出来ないのは当たり前に思えます。③セミパラメトリックアプローチ→式が一次関数で、企業の実際の代入される実データは、 比例関係では無いので、セミパトリックアプローチの概念と一致するので、因果関係の推 測が機能すると思います。(違いを見る為にも、XとYを入れ替えた場合、グラフの形が変わらないといけない。)この中で、③の概念に近いと思われる分析方法に、企業分析では、最小二(自)乗法があります。(一次関数を使い、主な目的が固定費を算出する方法です。)ただ、この方法は、データ量を細かく(時間軸を短く)、そして多くする事で精度を上げられます。(企業の場合不確実性により、大きな変動がある場合があるので、グラフ上のプロットが明らかに、おかしい場合はそのデータを除く事により、適正に近づけます。)また、無理やり、一次関数に直している事もあるので、誤差が必ず有るので、大雑把な値しか算出出来ません。それに対して、勘定科目(企業内の細かいデータ)を使って企業の固定費を算出する方法に対応すると思われるのが、動画で紹介された、<効果検証入門>の、バイアスを取り除く内容に当たると思います。どちらも、必要なデータが無いと出来ないのが欠点です。まだ、本は読んでいないですが、回帰分析に関連すると思われるのが、デュポン分析(企業分析の)だと思います。デュポン分析の原点は、ある式に例えば、A/Aをかけて、その式の成分を変化させて、Aの成分のみだった、式をC×Bに変化させて分析をする方法です。こちらも、必要なデータが無いと関連性を示せないのが欠点です。ですので、企業分析をしている点から言えば、<因果推論①_因果モデル&構造方程式>の動画中の、取得後のデータからバイアスを除く本を、<効果検証入門>以外にも探しているのですが、おすすめの本が有りましたら教えて頂ければ幸いです。間違っているかもしれませんが、色々と書かせて頂きました。
データサイエンスを専門的に行なっているわけではないのですが非常に興味深い内容でした。統計的因果探索買ってみようかな…
自分もブートストラップをブーストラップとよく言ってしまうのでパラメトリック言いにくいの共感します。
為になりました。有り難うございます。
おもろかったですセミパラメタリック100%噛んでましたねw
何ででしょうw普段は噛まないんですけどねw
LiNgam 很厉害的样子
いつも楽しい動画、ありがとうございます。わからないなりに最後まで見てしまいます。
因果推論の3つの制約
1.DAG(非巡回グラフ)である。
2.未観測共通原因がない。
3.親、子孫の関係を守る。
ノンパラメトリックアプローチ
→関数形、誤差項の分布に仮定をおかない。
パラメトリックアプローチ
→関数形、誤差項の分布に仮定をおく。
セミパラメトリックアプローチ
→関数形には仮定をおく。誤差項の分布に仮定をおかない。
LiNGAM(Linear Non-Gaussian acyclic Model) 線形 非ガウス 非巡回 モデル
正規分布を使わず、巡回しない、線形のモデル
めちゃわかりやすかったです!次回作待ってます!
<効果検証入門>の動画を見て、チャンネル登録させて頂きました。
企業分析を株投資の為にしているのでその観点から見ると、
➀ノンパラメトリックアプローチ→式が非一次関数なので、パターンが多すぎるので、その 分だけパターンを作り考察しなければならない。
②パラメトリックアプローチ→式が一次関数だが、企業の実際の代入される実データは、比 例関係では無いので、因果関係を推測出来ないのは当たり前に思えます。
③セミパラメトリックアプローチ→式が一次関数で、企業の実際の代入される実データは、 比例関係では無いので、セミパトリックアプローチの概念と一致するので、因果関係の推 測が機能すると思います。
(違いを見る為にも、XとYを入れ替えた場合、グラフの形が変わらないといけない。)
この中で、③の概念に近いと思われる分析方法に、企業分析では、最小二(自)乗法があります。(一次関数を使い、主な目的が固定費を算出する方法です。)
ただ、この方法は、データ量を細かく(時間軸を短く)、そして多くする事で精度を上げられます。(企業の場合不確実性により、大きな変動がある場合があるので、グラフ上のプロットが明らかに、おかしい場合はそのデータを除く事により、適正に近づけます。)
また、無理やり、一次関数に直している事もあるので、誤差が必ず有るので、大雑把な値しか算出出来ません。
それに対して、勘定科目(企業内の細かいデータ)を使って企業の固定費を算出する方法に対応すると思われるのが、動画で紹介された、<効果検証入門>の、バイアスを取り除く内容に当たると思います。どちらも、必要なデータが無いと出来ないのが欠点です。
まだ、本は読んでいないですが、回帰分析に関連すると思われるのが、デュポン分析(企業分析の)だと思います。デュポン分析の原点は、ある式に例えば、A/Aをかけて、その式の成分を変化させて、Aの成分のみだった、式をC×Bに変化させて分析をする方法です。こちらも、必要なデータが無いと関連性を示せないのが欠点です。
ですので、企業分析をしている点から言えば、<因果推論①_因果モデル&構造方程式>の動画中の、取得後のデータからバイアスを除く本を、<効果検証入門>以外にも探しているのですが、おすすめの本が有りましたら教えて頂ければ幸いです。
間違っているかもしれませんが、色々と書かせて頂きました。
データサイエンスを専門的に行なっているわけではないのですが非常に興味深い内容でした。統計的因果探索買ってみようかな…
自分もブートストラップをブーストラップとよく言ってしまうのでパラメトリック言いにくいの共感します。
為になりました。有り難うございます。
おもろかったです
セミパラメタリック100%噛んでましたねw
何ででしょうw
普段は噛まないんですけどねw
LiNgam 很厉害的样子