Upgrade to PRO for Only $50/Year—Limited-Time Offer! 🔥
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
統計的因果推論勉強会第5回
Search
Hikaru Goto
October 29, 2016
Research
0
2.5k
統計的因果推論勉強会第5回
経営学系統計エンドユーザーのための統計的因果推論勉強会の第5回目です。これは公開用です。
Hikaru Goto
October 29, 2016
Tweet
Share
More Decks by Hikaru Goto
See All by Hikaru Goto
R実習 2016年9月25日
hikaru1122
1
2.6k
統計的因果推論勉強会 第4回
hikaru1122
0
1.4k
統計的因果推論勉強会 第3回
hikaru1122
0
2.1k
統計的因果推論勉強会 第2回
hikaru1122
0
2.1k
Other Decks in Research
See All in Research
言語モデルの地図:確率分布と情報幾何による類似性の可視化
shimosan
8
2.2k
CoRL2025速報
rpc
2
3.5k
SREのためのテレメトリー技術の探究 / Telemetry for SRE
yuukit
13
2.4k
ドメイン知識がない領域での自然言語処理の始め方
hargon24
1
210
SNLP2025:Can Language Models Reason about Individualistic Human Values and Preferences?
yukizenimoto
0
220
長期・短期メモリを活用したエージェントの個別最適化
isidaitc
0
330
EcoWikiRS: Learning Ecological Representation of Satellite Images from Weak Supervision with Species Observation and Wikipedia
satai
3
420
ロボット学習における大規模検索技術の展開と応用
denkiwakame
1
170
情報技術の社会実装に向けた応用と課題:ニュースメディアの事例から / appmech-jsce 2025
upura
0
270
論文紹介:Safety Alignment Should be Made More Than Just a Few Tokens Deep
kazutoshishinoda
0
140
Neural Spatial Audio Processing for Sound Field Analysis and Control
skoyamalab
0
110
大学見本市2025 JSTさきがけ事業セミナー「顔の見えないセンシング技術:多様なセンサにもとづく個人情報に配慮した人物状態推定」
miso2024
0
190
Featured
See All Featured
Designing for humans not robots
tammielis
254
26k
Fashionably flexible responsive web design (full day workshop)
malarkey
407
66k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
46
2.6k
Making Projects Easy
brettharned
120
6.5k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
666
130k
Optimising Largest Contentful Paint
csswizardry
37
3.5k
10 Git Anti Patterns You Should be Aware of
lemiorhan
PRO
659
61k
For a Future-Friendly Web
brad_frost
180
10k
[SF Ruby Conf 2025] Rails X
palkan
0
510
A designer walks into a library…
pauljervisheath
210
24k
Build your cross-platform service in a week with App Engine
jlugia
234
18k
Principles of Awesome APIs and How to Build Them.
keavy
127
17k
Transcript
ܦӦֶܥ ౷ܭΤϯυϢʔβʔͷͨΊͷ ౷ܭతҼՌਪ ษڧձ ୈ5ճ 201610݄29 @hikaru1122 1
ษڧձͷϞοτʔ • ݚڀྗΛΞοϓ͠Α͏ɻ • ҼՌਪͷߟ͑ํɾ͍ํΛʹ͚ͭΑ͏ɻ • ֶతͳ͜ͱʹߦ͔ͳ͍ɻ 2
ຊͷൣғ • ٶຊɹୈ5ষ 81ʙ88ทʮόοΫυΞج४ʯ • ຊɹୈ4ষʮڞมྔબͱແࢹͰ͖ͳ͍ܽଌ 3
ຊͷత • ౷ܭతҼՌਪ͕ٻΊΒΕΔ݅ΛΔɻ • ҼՌޮՌΛٻΊΔͨΊͷڞมྔͷબͼํΛΔɻ • R ʹগ͠׳ΕΔɻ 4
ࠓͷ͓ଋ • ͕ݪҼมʢׂɾׂॲཧʣ • ͕݁Ռม • ͕ڞมྔʢަབྷҼࢠʣ 5
ͳͥڞมྔʹ͢Δͷ͔ʁ • ͔Β ͷҼՌޮՌΛΓ͍ͨͷʹɼଞͷཁૉ ͕มͳӨڹΛٴ΅͍ͯ͠Δ͔͠Εͳ͍ɻ • ͦΕΛίϯτϩʔϧͯ͠ɼ ͷ͚ؔͩΛ Γ͍ͨʂ 6
7
ࠓͷٶຊʮόοΫυΞج४ʯ • ճؼੳͷͱ͖ɼೖ͖͢આ໌มΛஅͰ͖ ΔΑ͏ʹͳΔɻ • όοΫυΞج४Λຬͨͨ͠มΛ͑ɼٖ૬ؔ ΛίϯτϩʔϧͰ͖Δɻຬ͍ͨͯ͠ͳ͍มΛ ͑ɼຊདྷͷҼՌޮՌ͕Θ͔Βͳ͘ͳΔɻ 8
όοΫυΞج४1 ࠓͷٶຊ͜Ε͚ͩͰेͰ͢ɻ • ΑΓ্ྲྀʹ͋Δɻதؒʹ͋Δͷμϝɻ • ͱ ͷ߹ྲྀͰͳ͍ɻ •
Λܦ༝͠ͳ͍ҹͰ ʹӨڹ͍ͯ͠Δɻ 1 ٶຊ 82,85ทͱྛɾࠇʢ2016ʣΛࢀߟʹ࡞ɻΑΓݫີͳఆٛٶຊΛࢀরͷ͜ͱɻ 9
ճؼੳΛ͢Δͱ͖ʹେͳ͜ͱ • ҼՌߏΛਤʹͯ͠ඳ͍ͯΈΔɻ • ੳʹ͍͍ͨݪҼมҎ֎ͷม͕όοΫυΞ ج४Λຬ͔ͨ͢ݕ౼͢Δɻ • ੳΛ࣮ߦʂ 10
όοΫυΞج४Λຬͨ͢ ͲΕʁ2 2 ྛɾࠇʢ2016ʣ͔ΒҾ༻ɻ͑ͱৄ͍͠ղઆͦͪΒΛࢀরɻ 11
12
13
ࠓͷຊʮڞมྔͷબʯ • ڞมྔʹείΞΛٻΊΔͱ͖ʹ͏આ໌ม • ݪҼมͱ݁ՌมʹӨڹΛ༩͑Δڞมྔͨ͘ ͞Μ͋ΔɻͲΕΛબ͍͍ͷʁ • ʮόοΫυΞج४ͳΜͯ͑ͳ͍͚Ͳͳʙʯ ʢ120ทʣ •
ͱݴ͑ɼࢲͨͪ͏ײతʹਤ4.1ͷҙຯΛ ཧղͰ͖Δʢ119ทʣɻ 14
15
ڞมྔͷબͼํ • ݁Ռมʹؔ࿈ʹࢥΘΕΔมɼதؒมͰ͋ Δ͜ͱʹҙ͠ͳ͕ΒɼͳΔ͘ଟ͘ೖ͢Δɻ • ਤ4.1ͷʢ̲ʣೖΕΔͱΑ͍ɼͱݴ͍ͬͯΔɻ • Γ͍ͨͷҼՌޮՌɻภճؼʹ͋·Γڵ ຯͳ͍ʢଟॏڞઢੑؾʹ͠ͳ͍ʣɻ •
͜Ε͕ٶຊͱͷҧ͍ɻ 16
ڧ͘ແࢹͰ͖ΔׂΓͯ݅ • ڞมྔௐʢڞมྔΛ৻ॏʹબͿʣͯ͠ɼ͜ͷ ͕݅ຬͨ͞Ε͍ͯͳ͍ͱμϝɻ • ͯ͢ͷڞมྔΛଌఆ͢Δ͜ͱͰ͖ͳ͍ɻ • ͔͠͠ʮڞมྔௐΛߦͬͨ΄͏͕ɼ୯७ͳ܈ؒ ൺֱΛߦ͏ΑΓ໌Β͔ʹҼՌޮՌʹ͍ۙਪఆΛ ༩͑Δʯ
• νΣοΫํ๏125ʙ126ทɻ 17
ڞมྔௐͷ࣮ࡍ • ͋·ΓͪΌΜͱߦΘΕ͍ͯͳ͍Α͏ͩʢ128 ทʣɻ • Ӝɾ࢞ʢ2015ʣ→ઌߦݚڀ͔ΒͷΈ • Տ߹Βʢ2016ʣ→ઌߦݚڀͱνΣοΫํ๏ʢ2ʣ 18
4.7ஶॻ͔Βͷϝοηʔδ • ώϧͷΨΠυϥΠϯҩֶܥͷจͰΑ͘ݟΔؾ ͕͢Δɻ • ࣜͳ͍ͷͰ҆৺ɻಡΜͰ͓͘ͱ౷ܭతҼՌਪ ͷཧղ͕ਂ·Δɻ 19
RʹΑΔ࣮श 20
ԿΛٻΊΔͷ͔ʁ • ࠓճATEΛٻΊΔɻ 21
ࢀߟจݙ • Pearl, J., Glymour, M. and Jewell, N. P.
(2016). Causal Inference in Statistics: A Primer. John Wiley & Sons. • ੴળथ, ࠓҪതٱ, தඌ༟೭, ᜊ౻૱, ా٢࣏. (2013). ಛఆอ݈ࢦಋͷ༧հೖࢪ ࡦͷޮՌʹؔ͢Δݚڀ: େنσʔλϕʔεΛ ༻ͨ͠είΞʹΑΔҼՌੳ. ްੜͷࢦ 22
• Ӝ, ࢞ګࢠ. (2015). େֶͷਐ ֶɾଔۀ͕ශࠔϦεΫʹ༩͑ΔޮՌ: εί ΞɾϚονϯά๏ʹΑΔߟ (ಛू ශࠔͷ৽
ͨͳࢹ). ౷ܭ, 66(5), 27-32. • ྛַɾࠇֶ(2016). ૬ؔͱҼՌͱؙͱҹ ͷͳ͠ɼؠσʔλαΠΤϯεɼvol.3ɼ 28ʙ48. 23
• ਸ(2010). ௐࠪ؍σʔλͷ౷ܭՊֶɹ ҼՌਪɾબόΠΞεɾσʔλ༥߹. ؠॻ ళ. • ਸ(2016). ౷ܭతҼՌޮՌͷجૅɼؠ σʔλαΠΤϯεɼvol.3ɼ62ʙ90.
• ٶխາ(2004). ౷ܭతҼՌਪʔճؼੳͷ ৽͍͠Έʔ. ேॻళ. 24