本書では因果推論の活用を通じて、効果検証や相関と因果関係の違いといった、データ分析の現場でよくある問題を解決する方法を紹介します。
さらに、因果推論の基礎から、機械学習や時系列解析との組み合わせ、さらに因果探索まで学習することにより、因果推論を軸として幅広い問題に対応可能になります。これにより、データ活用の価値を高められます。
本書では、具体的な事例や豊富な図を用いて、因果推論の基本的な概念や手法を分かりやすく解説します。また、Pythonコードを用いた実装を通じて、因果推論を実務に応用するスキルを身につけることができます。
本書の特徴
・実践的な学習と活用
因果推論の基礎だけでなく、ビジネスケースでの活用方法まで、分析手法や企業での活用例の解説をし、Pythonコードを用いた実装を通じてデータ分析のスキルを深めます。
・直感的な理解のための全体像の把握と図解
因果推論、機械学習、時系列解析を図で構造的に解説します。
・意思決定のためのガイドライン
最適な分析を行い、より良い意思決定に導くための具体的なガイドラインを提供し、データドリブンな意思決定を支援します。
https://www.ohmsha.co.jp/book/9784274231230/
正誤表やDLデータ等がある場合はこちらに掲載しています
はじめに
第1章 因果の探求から社会実装
第2章 因果推論の基礎
第3章 基本的な因果推論手法
第4章 因果推論高度化のための機械学習
第5章 因果推論と機械学習の融合
第6章 感度分析
第7章 因果推論のための時系列解析
第8章 因果構造をデータから推定する因果探索
はじめに
第1章 因果の探求から社会実装
1.1 因果とは
1.2 因果推論の活用と価値創造
1.2.1 Uberも使用する因果推論.
1.3 因果推論を活用した意思決定
第2章 因果推論の基礎
2.1 相関関係から因果関係へ
2.1.1 相関関係
2.1.2 因果関係
2.2 ランダム化比較試験とは
2.2.1 あるべき検証方法
2.2.2 RCTの問題点
2.3 因果推論
2.4 因果効果
2.4.1 因果効果とは−反実仮想で因果効果を考える−
2.4.2 因果効果の種類（ATE、CATE、ITE）
2.4.3 因果推論の重要な仮定：識別仮定
（識別性条件＋SUTVA）
2.5 因果効果推定のためのグラフ
2.5.1 データの背景理解の重要性−シンプソンのパラドックス−
2.5.2 交絡因子・共変量
2.5.3 グラフィカルモデルを用いた因果の表現
2.5.4 グラフィカルな識別
第3章 基本的な因果推論手法
3.1 分析の全体像と各種手法の前提
3.1.1 因果推論の分析全体像
3.1.2 分析手法の全体像
3.2 回帰分析に基づく手法
3.2.1 回帰分析の概要
3.2.2 構造方程式モデルの概要
3.2.3 構造方程式モデルの実行手順
3.2.4 構造方程式モデルの課題
3.3 共変量調整・傾向スコア
3.3.1 共変量調整の基礎
3.3.2 傾向スコアの概要
3.3.3 傾向スコア分析の実行手順
3.3.4 傾向スコア分析の課題
3.4 二重にロバストな推定法
3.4.1 二重にロバストな推定法の概要
3.4.2 二重にロバストな推定法の実行手順
3.4.3 二重にロバストな推定法の課題
3.5 自然実験（準実験）の全体像
3.6 回帰不連続デザイン
3.6.1 回帰不連続デザインの概要
3.6.2 回帰不連続デザインの実行手順
3.6.3 回帰不連続デザインの課題
3.7 操作変数法
3.7.1 操作変数法の概要
3.7.2 操作変数法の実行手順
3.7.3 操作変数法の課題
3.8 差分の差分法
3.8.1 差分の差分法の概要
3.8.2 差分の差分法の実行
3.8.3 差分の差分法の課題
3.9 合成コントロール法
3.9.1 合成コントロール法の概要
3.9.2 合成コントロール法の実行手順
3.9.3 合成コントロール法の課題
第4章 因果推論高度化のための機械学習
4.1 因果推論に機械学習を使用するメリット
4.2 機械学習の全体像
4.2.1 機械学習の種類
4.2.2 教師あり学習の実行フロー
4.2.3 回帰
4.2.4 分類
4.2.5 回帰と分類問題を解くための決定木モデル
4.2.6 アンサンブル学習
4.3 代表的な精度検証指標
4.3.1 回帰問題で使用する指標
4.3.2 二値分類問題で使用する指標
4.4 演習：AutoMLによる高速実装
4.4.1 AutoMLとは
4.4.2 前処理−モデル構築前のデータを効率的に処理−
4.4.3 回帰
4.4.4 分類
4.5 説明可能なAI
4.6 機械学習のダッシュボード化
第5章 因果推論と機械学習の融合
5.1 機械学習を用いた因果推論の全体像
5.2 因果推論に機械学習を使用する際の注意点
5.2.1 識別仮定に関する注意点
5.2.2 推定に関する注意点
5.2.3 結果およびモデルの解釈・公平性に関する注意点
5.3 メタラーナー
5.3.1 S-learner、T-learner、X-learner
5.3.2 Doubly Robust learner
5.3.3 メタラーナーの実行手順
5.3.4 メタラーナーの課題
5.4 Double/debiased machine learning（DML）
5.4.1 過適合の問題およびその解決策
5.4.2 正則化バイアスの問題およびその原因
5.4.3 正則化バイアスおよび過適合へのDMLのアプローチ
5.4.4 DMLの実行手順
5.4.5 DMLの課題
5.5 CATEを推定するその他の方法
5.5.1 Causal forest
5.5.2 Causal BART
5.6 自然実験への機械学習の適用
5.7 因果的意思決定
5.7.1 因果的意思決定とは何か
5.7.2 なぜMSE（Mean Squared Error）ではなくRegretを使用するのか
5.7.3 因果的意思決定（OPE/OPL）の実行（文献などの紹介）
5.7.4 因果的意思決定（OPE/OPL）の課題
第6章 感度分析
6.1 感度分析を用いた分析の全体像
6.2 部分決定係数を用いた感度分析
6.2.1 部分決定係数を用いた感度分析の概要
6.2.2 部分決定係数を用いた感度分析の実行手順
6.2.3 部分決定係数を使用した感度分析の課題
6.3 E-Valueを用いた感度分析
6.3.1 E-Valueの概要
6.3.2 E-Valueを用いた感度分析の実行手順
6.3.3 E-Valueの課題
6.4 機械学習を用いた感度分析
6.4.1 機械学習を用いた感度分析の概要
6.4.2 機械学習を用いた感度分析の実行手順
6.4.3 機械学習を用いた感度分析の課題
第7章 因果推論のための時系列解析
7.1 時系列解析を用いた因果推論の全体像
7.1.1 時系列解析と因果推論の関係
7.1.2 時系列解析の活用
7.2 時系列解析の全体像
7.2.1 時系列解析の概要
7.2.2 時系列解析の実行手順
7.2.3 時系列モデルの種類
7.2.4 PyCaretによる実装と具体的な実行フローの理解
7.3 時系列解析の因果推論への適用
7.3.1 構造時系列モデルに対する因果推論の仮定の適用
7.3.2 古典的な因果推論手法の課題
7.4 単体施策の効果検証
7.4.1 CausalImpactの概要
7.4.2 CausalImpactの実行手順
7.4.3 CausalImpactの課題
7.5 複数施策の効果検証
7.5.1 効果検証の落とし穴
7.5.2 マーケティングミックスモデリング（MMM）の概要
7.5.3 MMMの実行手順
7.5.4 MMMの課題
第8章 因果構造をデータから推定する因果探索
8.1 因果探索の概要
8.1.1 因果探索の位置づけ
8.1.2 グラフィカルモデルとベイジアンネットワーク
8.1.3 ベイジアンネットワークの特徴
8.1.4 ベイジアンネットワークから因果ダイアグラムへ
8.2 因果探索手法の全体像
8.2.1 制約ベース
8.2.2 スコアベース
8.2.3 関数因果モデルに基づく因果探索
8.2.4 勾配ベース
8.2.5 精度検証
8.3 因果探索の手法の実装
8.4 時系列を伴う因果探索の全体像
8.4.1 時系列を伴う因果探索の概要
8.4.2 制約ベース：PCMCIの概要
8.4.3 関数因果モデル：VAR-LiNGAMの概要
8.4.4 その他のモデルの概要
8.5 時系列を伴う因果探索の実装
8.6 因果探索の課題
おわりに
索引
購入案内
購入履歴
送料について