Carlos Mendez

PythonによるダブルLASSO：中絶は犯罪を減らすのか？

Mon, 25 May 2026 00:00:00 +0000

StataによるダブルLASSO：中絶は犯罪を減らすのか？

Sun, 24 May 2026 00:00:00 +0000

因果推論のためのダブルLASSO：中絶は犯罪を減らすのか？

Thu, 21 May 2026 00:00:00 +0000

ジオコーディングされたミクロデータによる差分の差分法：距離が処置を定義するとき

Mon, 18 May 2026 00:00:00 +0000

地域データを用いた差分の差分法：メディケイド拡大は死亡率を下げたのか？

Sun, 17 May 2026 00:00:00 +0000

比較因果メトリクス（Comparative Causal Metrics）

Sun, 17 May 2026 00:00:00 +0000

比較因果メトリクスへようこそ！（開発中）

RとQuartoで実装された現代的な因果推論の手法を用いた地域インパクト評価への入門です。本リソースは、政策や介入が地域の成果に及ぼす効果を評価するための準実験的手法を扱い、完全な再現性を実現するため解説付きの実例と一般公開データを提供します。

開発中の本書には以下が含まれます。

準実験的手法 — 分割時系列分析から合成コントロール、ベイズ構造時系列まで、地域比較の視点に基づいて解説します。
R + Quarto ノートブック — 折りたたみ可能なコードを備えた再現可能な各章。ローカルでレンダリングしたり、ご自身のデータで拡張したりできます。

章構成

はじめに
分割時系列分析
時間に関する回帰不連続デザイン
基本的な差分の差分法
古典的な合成コントロール
ベイズ構造時系列
参考文献

https://github.com/quarcs-lab/ccm で貢献やコメントをお寄せください。

Rで政策を評価する6つの方法：提案99号の比較事例研究

Fri, 15 May 2026 00:00:00 +0000

因果メトリクスをマスターする（Mastering Causal Metrics）

Wed, 22 Apr 2026 00:00:00 +0000

因果メトリクスをマスターするへようこそ！

因果メトリクスをマスターするのための、AIを活用した学習ガイドです。Angrist & Pischke の基礎的な教科書 Mastering ‘Metrics: The Path from Cause to Effect をもとに、インタラクティブなPythonノートブックとAIツールを使って因果推論の基礎を学びます。

本プラットフォームには以下が含まれます。

基礎的な手法 — Angrist & Pischke の Mastering ‘Metrics に基づきます。ランダム化試験から差分の差分法まで、因果推論を学びます。
Pythonノートブック — インストール不要のGoogle Colabノートブック。実データ、動作するコード、各手法の完全な実装を備えています。
AIを活用した学習 — 異なる教育スタイルを持つ複数のAIチューター。

インタラクティブなGoogle Colabノートブック

下記のいずれかのバッジをクリックすると、ブラウザ上で即座に開いて実行できます。

第I部：概念的枠組み

章	タイトル	トピック	Colabノートブック
1	ランダム化試験	選択バイアス、潜在的結果、RAND HIE

第II部：5つのツール

章	タイトル	トピック
2	回帰	OLS、欠落変数バイアス、不適切な統制変数
3	操作変数	LATE、コンプライアー、ミネアポリスの家庭内暴力実験
4	回帰不連続デザイン	シャープRD、バンド幅、飲酒の法定年齢と死亡率
5	差分の差分法	平行トレンド、双方向固定効果、大恐慌期の銀行

第III部：総合

章	タイトル	トピック	Colabノートブック
6	教育の収益	双子、出生四半期、学位の効果

ノートブックの使い方

上記のいずれかの 「Open in Colab」バッジをクリックします
Googleアカウント（無料）で ログインします
ランタイムメニューの 「すべて実行」をクリックします（または各セルを個別に実行します）
探索して変更します — パラメータを変えたり、別のモデルを試したり、データで実験したりできます
作業を保存します — ファイル＞ドライブにコピーを保存で、変更内容を保持できます

インストール不要、ダウンロード不要、設定不要！

著者とクレジット

Carlos Mendez — Pythonでの実装および教育用ノートブックの開発

Joshua D. Angrist & Jörn-Steffen Pischke — 原著教科書 Mastering ‘Metrics

AI主導の計量経済学

Mon, 26 Jan 2026 00:00:00 +0000

🤖 AI主導の計量経済学

クラウド上のPythonノートブックによる入門

🚀 ビジョン

🤖 AI時代の計量経済学
☁️ クラウドでのインタラクティブな学習
📊 実データ、本物の経済学的問い

計量経済学の学習は、理論的厳密さを保ちながら、能動的・計算的でAIに支援されたプロセスとして捉え直されます。

🧠 なぜ計量経済学の教育を見直すのか

📖 受動的な教科書
💻 高い技術的障壁
🔗 理論とその実装の間の隔たり

伝統的なアプローチは、意味のあるデータ分析をしばしば遅らせ、概念的な理解を妨げます。

🔄 本書のアプローチ

🧱 基礎概念
🧪 計算的ノートブック
🤖 AIで強化された学習

3つの柱からなる体系が、理論、プログラミング、AIを統合し、能動的な学習エコシステムを生み出します。

📘 柱1：基礎概念

📚 Cameron（2022）に基づく
📐 厳密な計量経済学の理論
🌍 応用的で実践的なアプローチ

構成と内容は、標準的な計量経済学および研究の実践に沿っています。

🗂️ 構成

🧮 統計学の基礎
📉 二変量回帰
📊 重回帰
🔬 発展的なテーマ

17章が、基礎から現代的な実証的手法へと体系的に進みます。

☁️ 柱2：計算的ノートブック

🚫 インストール不要
🧑‍💻 Google Colab
🌐 あらゆるデバイスからアクセス

各章には、インタラクティブなPythonノートブックが付属します。

🧰 現代的なPythonスタック

🐼 データ操作
📐 計量経済学的モデリング
📊 可視化

学習者は、実証研究のために広く用いられ、応用の効くツールを学びます。

🔁 プログラミングで学ぶ

✏️ コードを修正し再実行する
⚡ 即時のフィードバック
🔍 能動的な実験

理解は、データとモデルとの直接的なやり取りを通じて深まります。

🤖 柱3：AIで強化された学習

🖼️ 視覚的な要約
📑 AIが生成したスライド
🎙️ ポッドキャストとクイズ

複数の形式が学習を補強し、さまざまな好みに適応します。

⚖️ AIの責任ある利用

🧠 AIは思考を支援するものであり、置き換えるものではありません
🔍 検証は不可欠です
📘 理論は依然として中心にあります

AIは理解を高めますが、計量経済学的な推論に取って代わるものではありません。

🔗 3つの要素からなる学習システム

📕 本書
🌐 metricsAIウェブサイト
📘 Cameronの教科書

これらは全体として、完結的で一貫した学習環境を形作ります。

🎓 結論

📊 計算を通じた計量経済学
🤖 AIで強化された
🌍 身近で厳密な

metricsAI

Wed, 21 Jan 2026 00:00:00 +0000

metricsAIへようこそ！

このデータサイエンス・プラットフォームは、クラウド上のPythonノートブックとNotebookLMのAI学習ツールを組み合わせ、現代的な計量経済学入門を提供します。

Colin Cameron の教科書 Analysis of Economics Data: An Introduction to Econometrics のインタラクティブな補完教材として設計された metricsAI は、静的な各章を動的な学習体験へと変えます。学習者は、AIが生成した要約、Pythonコード、実践的な例に、Google Colabを通じてブラウザ上で直接アクセスできます。設定やインストールは一切不要で、ノートブックにはコードの生成・説明・変換のためのAIツールが組み込まれています。

📓 インタラクティブなGoogle Colabノートブック

下記のいずれかのバッジをクリックすると、ブラウザ上で即座に開いて実行できます。

第I部：統計の基礎

章	タイトル	Colabノートブック
1	経済データの分析
2	一変量データの要約
3	標本平均
4	平均に関する統計的推測

第II部：二変量回帰

章	タイトル	Colabノートブック
5	二変量データの要約
6	最小二乗推定量
7	二変量回帰の統計的推測
8	二変量回帰のケーススタディ
9	自然対数を用いたモデル

第III部：重回帰

章	タイトル	Colabノートブック
10	重回帰のためのデータ要約
11	重回帰の統計的推測
12	重回帰に関する発展的トピック
13	重回帰のケーススタディ

第IV部：発展的トピック

章	タイトル	Colabノートブック
14	指示変数を用いた回帰
15	変換変数を用いた回帰
16	モデルとデータの検証
17	パネルデータ、時系列、因果性

ノートブックの使い方

上記のいずれかの 「Open in Colab」バッジをクリックします
Googleアカウント（無料）で ログインします
ランタイムメニューの 「すべて実行」をクリックします（または各セルを個別に実行します）
探索して変更します - パラメータを変えたり、別のモデルを試したり、データで実験したりできます
作業を保存します - ファイル → ドライブにコピーを保存で、変更内容を保持できます

インストール不要、ダウンロード不要、設定不要！

👥 著者とクレジット

Carlos Mendez - Pythonでの実装および教育用ノートブックの開発

A. Colin Cameron - 教科書、データ、Stata/Rのコード、および原版スライド。

GeoDevelopment ダッシュボード

Sun, 18 Jan 2026 00:00:00 +0000

Mendez, C. (2026). カンボジアにおける人口、夜間光、土地被覆、GDPの時空間ダイナミクス（2013–2019年）。 Google Earth Engine アプリ。アプリを開く | GEEで開く

Kanyama, Y., & Mendez, C. (2026). 日本における地域間格差の探究：一人当たりGDPのマルチスケール比較（1990–2022年）。 Google Earth Engine アプリ。アプリを開く | GEEで開く

DS4Bolivia

Wed, 14 Jan 2026 00:00:00 +0000

DS4Bolivia：ボリビアの地理空間的な開発を研究するためのデータサイエンス・リポジトリ

DS4Bolivia へようこそ！本プロジェクトは、ボリビアの339の自治体に焦点を当て、空間データおよび社会経済データセット、インタラクティブなダッシュボード、計算ワークフローを集約したものです。空間分析と持続可能な開発目標（SDGs）との橋渡しをすることを目的に設計されています。

本リポジトリは、以下に関心を持つ研究者やデータサイエンス従事者向けに構成されています。

空間計量経済学： 地域間の格差、成長、クラスタリングを理解する。
空間機械学習： 衛星画像（地球観測）を予測モデリングに活用する。
持続可能な開発： 細かな地域レベルでSDGs指標をモニタリングする。

🖥️ インタラクティブな地理空間ダッシュボード

コードを書かずにデータを探索できます。これらのアプリは、主要な開発指標の時空間ダイナミクスを可視化します。

人口、夜間光、土地被覆、GDPの時空間ダイナミクス（2013–2019年）：2013年と2019年のボリビアの自治体における人口密度、夜間光、土地被覆の変化、GDP推計の推移を可視化します。

🐍 クラウド上の計算ノートブック

私たちの分析を再現するのに役立つ、ステップ・バイ・ステップのチュートリアルです。これらのノートブックは GeoPandas や PySAL といったPythonライブラリを使用します。

空間探索的データ分析（ESDA）入門
焦点： 大域および局所のモランのIを用いて、空間的なクラスターや外れ値を検出する方法を学びます。
主要概念： 空間的自己相関、LISA統計量、コロプレスマップ。

💾 空間的に明示的なデータセット

分析に使えるよう整備済みのデータセットです。これらのファイルは、ボリビアの自治体境界に合わせて前処理されています。

SDGsと衛星埋め込み（2017年）
説明： 社会経済指標（SDGs）と、衛星画像から抽出した高次元の特徴ベクトルを結合したデータセットです。
活用例： 宇宙から捉えた視覚的パターンをもとに、貧困指標や開発指標を予測する機械学習モデルを訓練する。

📜 引用方法

研究で本リポジトリを利用する場合は、以下のメタデータで引用してください。

APA形式

Mendez, C., Gonzales, E., Leoni, P., Andersen, L., Hendrix, P. (2024). DS4Bolivia: A Data Science Repository to Study GeoSpatial Development in Bolivia [Data set]. GitHub. https://github.com/quarcs-lab/ds4bolivia

BibTeX形式

@misc{ds4bolivia2026,
author = {Mendez, Carlos and Gonzales, Erick and Leoni, Pedro and Andersen, Lykke and Hendrix, Peralta},
title = {{DS4Bolivia}: A Data Science Repository to Study GeoSpatial Development in Bolivia},
year = {2026},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/quarcs-lab/ds4bolivia}}
}

🚀 独自のデータセットを構築する

データセットはモジュールごとに整理されており、すべてが一意の識別子（asdf_id）で結び付けられています。

データセットの種類	ファイルパス	説明	結合キー
地域名	`/regionNames/regionNames.csv`	行政上のメタデータ（自治体名および県名）。	`asdf_id`
社会経済	`/sdg/sdg.csv`	持続可能な開発目標（SDGs）の指標および貧困指標。	`asdf_id`
衛星特徴量	`/satelliteEmbeddings/satelliteEmbeddings2017.csv`	日中の衛星画像から抽出した特徴ベクトル（埋め込み）。	`asdf_id`
空間ベクター	`/maps/bolivia339geoqueryOpt.geojson`	すべての自治体の幾何境界（ポリゴン）。	`asdf_id`

⚠️ 識別子に関する重要な注意： 本リポジトリのすべてのデータセットを結合するための主キーは asdf_id です。
mun_id（標準的な政府コード）も行政データに含まれていますが、asdf_id は、ここで提供する衛星埋め込みと最適化済みマップファイルとの整合性を保証します。結合する前に、両方のデータフレームでこの列を int または string として一貫して扱うよう常に確認してください。

下記の例は、Google Colab ですぐに実行できます。

例1：属性データの統合

このスクリプトは、行政上の名称、社会経済指標、衛星機械学習の特徴量を1つの分析用データフレームに結合する方法を示します。

import pandas as pd
# -----------------------------------------------------------------------------
# 1. SETUP: Define Source URLs
# We use the raw GitHub URL to stream data directly into Colab/Pandas.
# -----------------------------------------------------------------------------
REPO_URL = "https://raw.githubusercontent.com/quarcs-lab/ds4bolivia/master"
url_names = f"{REPO_URL}/regionNames/regionNames.csv"
url_sdg = f"{REPO_URL}/sdg/sdg.csv"
url_emb = f"{REPO_URL}/satelliteEmbeddings/satelliteEmbeddings2017.csv"
# -----------------------------------------------------------------------------
# 2. LOAD: Read CSVs
# -----------------------------------------------------------------------------
print("Loading datasets...")
df_names = pd.read_csv(url_names)
df_sdg = pd.read_csv(url_sdg)
df_embeddings = pd.read_csv(url_emb)
# -----------------------------------------------------------------------------
# 3. MERGE: Combine Dataframes
# -----------------------------------------------------------------------------
# Step A: Attach SDG data to Names
df_merged_step1 = pd.merge(df_names, df_sdg, on='asdf_id', how='inner')
# Step B: Attach Satellite Embeddings to the result
df_final = pd.merge(df_merged_step1, df_embeddings, on='asdf_id', how='inner')
# -----------------------------------------------------------------------------
# 4. VERIFY
# -----------------------------------------------------------------------------
print(f"Merge Complete.")
print(f"Original Municipalities: {len(df_names)}")
print(f"Final Merged Rows: {len(df_final)}")
print(f"Total Columns: {len(df_final.columns)}")
# Display the first few rows (names + first few embedding columns)
display(df_final[['mun', 'dep', 'index_sdg1', 'A00', 'A01', 'A02']].head())

例2：空間データと属性データの統合

このスクリプトは、例1で結合したデータを取り込み、空間分析や空間表現のために自治体のジオメトリ（GeoJSON）と結合します。


import geopandas as gpd
import matplotlib.pyplot as plt
# -----------------------------------------------------------------------------
# 1. LOAD SPATIAL DATA
# We load the optimized GeoJSON file containing municipality boundaries.
# -----------------------------------------------------------------------------
geojson_url = f"{REPO_URL}/maps/bolivia339geoqueryOpt.geojson"
print("Loading GeoJSON map...")
gdf_boundaries = gpd.read_file(geojson_url)
# -----------------------------------------------------------------------------
# 2. SPATIAL DATA PREPARATION
# GeoJSON often loads IDs as objects/strings, while CSVs load as integers.
# -----------------------------------------------------------------------------
# Force 'asdf_id' to integer to match the pandas dataframe
gdf_boundaries['asdf_id'] = gdf_boundaries['asdf_id'].astype(int)
# -----------------------------------------------------------------------------
# 3. ATTRIBUTE JOIN
# Merge the spatial dataframe (gdf) with the attribute dataframe (df_final).
# This creates a 'GeoDataFrame' capable of spatial operations.
# -----------------------------------------------------------------------------
gdf_bolivia = gdf_boundaries.merge(df_final, on='asdf_id', how='inner')
# -----------------------------------------------------------------------------
# 4. VISUALIZATION (Choropleth Map)
# Plot the "No Poverty" SDG Index (SDG 1)
# -----------------------------------------------------------------------------
fig, ax = plt.subplots(1, 1, figsize=(12, 10))
gdf_bolivia.plot(
column='index_sdg1', # Variable to map
cmap='viridis', # Color palette (perceptually uniform)
linewidth=0.1, # Border width
edgecolor='white', # Border color
legend=True,
legend_kwds={'label': "SDG 1 Index (No Poverty)", 'orientation': "horizontal"},
ax=ax
)
ax.set_title("Bolivia: SDG 1 Index by Municipality", fontsize=15)
ax.set_axis_off() # Turn off lat/lon axis numbers for cleaner look
plt.show()

データソース

SDGs指標は、もともと Andersen, L. E., Canelas, S., Gonzales, A., Peñaranda, L. (2020) Atlas municipal de los Objetivos de Desarrollo Sostenible en Bolivia 2020. La Paz: Universidad Privada Boliviana, SDSN Bolivia によって構築されたものです。

🤝 貢献方法

貢献を歓迎します！座標参照系（CRS）の問題の修正、新しい空間モデルの追加、新規データのアップロードのいずれであっても、プルリクエストを送信してください。

ビッグデータ、社会経済調査、機械学習を用いたカンボジアにおける貧困の諸次元のマッピング

Mon, 06 Oct 2025 00:00:00 +0000

🌏 はじめに

急速な経済成長、しかし貧困は根強く残る（2019年に国家貧困線以下が17.8%）
伝統的な貧困データ：古く、高コスト、そして詳細さに欠ける
貧困：所得だけでなく、保健、教育、生活水準も含む（MPIの枠組み）

メモ：カンボジアは力強い成長を経験しましたが、貧困は依然として残っています。本研究は、グローバルMPIに沿った多次元的アプローチを適用し、教育・保健・生活水準に焦点を当てて、所得を超えた剥奪を捉えます。

📊 研究の目的

地球観測のビッグデータ ＋ CSES調査 ＋ 機械学習 を活用する
MPIの3次元 にわたる 10の貧困指標 をマッピングする
高解像度の貧困マップ を生成する
対象を絞った費用対効果の高い政策介入 を支援する

メモ：目的は、AI/MLを用いて空間データと調査データを統合し、詳細な貧困マップを作成することです。これは政策担当者が資源を効率的に配分し、地域の脆弱性を特定するのに役立ちます。

📚 文献と研究の動機

世帯調査＝高コストで頻度が低く、空間的に詳細さに欠ける
夜間光と衛星画像 → 貧困の間接的指標
機械学習（RF、XGBoost、CNN）は予測を改善する
課題：調査データ＋地球観測データ を 多次元貧困 に統合する研究は少ない

メモ：先行研究は、衛星とMLが貧困の予測に役立つことを示していますが、多次元貧困のために社会経済調査と統合する取り組みは限られています。本研究はその課題を埋めます。

🗂️ データ源

CSES調査（10,000世帯）– 保健、教育、住居、所得
衛星・地球観測データ – 夜間光、土地被覆、人口密度
インフラデータ – 道路、学校、病院、公共サービス
建物フットプリント – 380万棟の住宅・商業建物

メモ：幅広いデータセットを利用しました。世帯情報にはCSESを、環境とインフラには地球観測データを、予測を世帯レベルへ拡張するには建物フットプリントを用いました。

⚙️ 手法

分類のための ランダムフォレスト モデル
各指標について 剥奪確率 を予測する
訓練と検証への分割（90/10）
成果物：世帯レベルおよび地域レベルの剥奪マップ

メモ：ランダムフォレストのアルゴリズムは、その頑健性と混在したデータ型を処理する能力ゆえに選ばれました。モデルは、コミューン、地区、州のレベルで集計可能な確率マップを生成します。

📑 MPIの指標

保健（2）： 食料消費、医療へのアクセス

教育（2）： 達成された教育水準、就学

生活水準（6）： 調理用燃料、衛生設備、水、電気、住居、資産

メモ：グローバルMPIに従って10の指標を選定しました。3つの主要次元に等しい重みを適用しました。これらの指標は、教育、保健、安全な飲料水、エネルギーといったSDGsの優先課題を反映しています。

📈 結果 – 変数の重要度

夜間光 ＝すべての指標にわたる主要な予測変数
人口密度 と 道路網 も有意
より頑健な予測：調理用燃料、安全な飲料水、衛生設備、電気
弱い予測：就学、医療、資産

メモ：夜間光と人口密度が剥奪を最もよく説明します。インフラへのアクセスも極めて重要です。空間的相関を持つ指標（例：公共サービス）は、世帯固有の状況に結びついた指標よりも良好な成績を示しました。

🗺️ 結果 – 貧困の空間的パターン

都市の中心地：プノンペン、シェムリアップ、バッタンバン → 低い剥奪
遠隔の州：プレアビヒア、ラタナキリ、モンドルキリ → 高い剥奪
貧困は 主要道路や国境 の近くで低い（貿易の効果）

メモ：空間マップは、遠隔かつ接続性の乏しい地域に剥奪が集中していることを示しています。インフラを備えた都市部や国境地域では貧困が低くなっています。

💡 考察

空間的MLは有用ですが、空間的シグナルの弱い指標には限界があります
世帯調査データはMLを念頭に設計されていない → 位置の近似の問題
より充実した調査の統合が必要（例：アクセシビリティに関する質問）
地球観測＋ ML は きめ細かく動的な貧困マッピング を提供します

メモ：有望ではあるものの、データに空間的相関が欠ける場合、MLは困難に直面します。調査設計の改善は統合を強化できます。このハイブリッドなアプローチは、リアルタイムかつきめ細かな貧困モニタリングの可能性を示しています。

✅ 結論

地球観測＋調査＋ ML を用いて MPIの10指標をマッピング
インフラ関連の剥奪 について最良の結果
世帯レベルの貧困推定 を可能にする
SDGs を支援：貧困をなくそう、質の高い教育、保健、清潔な水、エネルギー
今後の研究：空間的自己相関、格差の分解、先進的なAI

メモ：本研究は、AIと地球観測データが、多次元貧困をマッピングするうえで伝統的な調査をどのように補完するかを示しています。今後の方向性としては、より高い精度のための先進的な空間分析と深層学習モデルが挙げられます。

AI時代の開発研究

Thu, 18 Sep 2025 14:00:00 +0000

スライド by Carlos Mendez

出典: https://bit.ly/gdo-cambodia

パネルデータに対する古典的推定量のベイズ的平均化：地域版クズネッツ曲線の形状をめぐる謎は解明できるか

Thu, 05 Jun 2025 00:00:00 +0000

🗺️ 研究の動機

地域間格差は社会的結束、移住、政治的安定を形作ります
クズネッツ（1955）：発展と格差の間の逆U字型の関連
近年の証拠は、より複雑なパターン（N字型）を示唆しています
「形状」をめぐる論争に決着をつけるには、頑健な計量経済学的手法が必要です

📚 文献の概観

逆U字型を支持：List and Gallet（1999）、Thornton（2001）
混在した証拠／非U字型：Tam（2008）、Huang（2012）
N字型の擁護：Lessmann（2014）、Lessmann and Seidel（2017）
課題：モデルの不確実性が明示的に扱われることはまれです

🎯 研究の目的

古典的推定量のベイズ的平均化（BACE）を固定効果付きパネルへ拡張する
モデルの不確実性のもとでクズネッツ曲線の形状の頑健性を検証する
地域間格差を一貫して押し上げる決定要因を特定する

🛠️ 手法のハイライト

探索空間： 14個の候補説明変数 → 2¹⁴ = 16,384 モデルを、それぞれ二元固定効果（国＋期間）で推定。
頑健性スイープ： 固定効果の4つの選択肢（なし、時間、国、二元）を許容すると、対象は 65,536 モデルへ拡大します。事後モデル確率（PMP）は完全に二元固定効果の定式化に集中します。
古典的推定量のベイズ的平均化（BACE）：
- 各モデルについて単純なFE-OLSを維持し、コストのかかるMCMCを用いません。
- 各モデルのBICを近似的な周辺尤度へ変換します。
- 一様事前分布を用いてPMPの和を1とし、その後すべての係数、予測値、導関数について確率で重み付けした平均を形成します。
変数のスクリーニング： 事後包含確率（PIP）が頑健な決定要因を浮かび上がらせます——PIP ≥ 0.75 で「実質的な証拠」、PIP ≥ 0.90 で「強い証拠」とします。
曲線のピーク： 格差の変曲点は、GDPの三次多項式のBACEで重み付けした導関数から得られ、信用区間のための解析的標準誤差を伴います。
検証： 既知のデータ生成過程を用いたモンテカルロ実験は、BACEが正しい固定効果構造と真の駆動要因を精度よく特定することを示し、この手法の信頼性を裏付けます。

📈 データの概観

180か国、5年区切りの5つの期間（1990〜2013年）
被説明変数：衛星夜間光から求めた人口加重ジニ係数
主要な共変量（14個）：一人当たりGDP（線形から五次まで）、資源収入、耕作可能地、民族ジニ、貿易、対内直接投資など

🧪 シミュレーションによる確認

既知のデータ生成過程を用いたシミュレーション・パネル
BACEは次を復元しました：
- 正しい二元固定効果の定式化（PMP ≈ 100%）
- 真の駆動要因（一人当たりGDP、資源収入、土地、民族ジニ）

🔍 決定要因の頑健性（実データ）

高PIP（> 0.75）

天然資源収入は格差を↑
耕作可能地の比率は格差を↓
民族ジニは格差を↑ クズネッツ項
一人当たりGDP（線形および二次）は頑健
三次項は頑健ではない（PIP ≈ 0.48）

📐 曲線の形状

格差は上昇：189 → 2,189米ドル
安定化：2,189 → 3,935米ドル
低下：3,935 → 71,682米ドル
71,682米ドルを超えると再び安定化

証拠は、豊かな経済におけるプラトーを伴う逆U字型を支持しており、完全なN字型ではありません。

🧭 政策的含意

天然資源収入を地域間で再分配する
農業生産性と土地への公平なアクセスへ投資する
空間的な格差を抑えるために民族的包摂を目指す
成長だけではピーク後の格差は縮まりません。能動的な地域政策が必要です

🏁 結論

パネル向けBACEは、格差の駆動要因について透明かつ確率的な視点を提供します
頑健な逆U字型が確認され、格差は高所得下で反転せず安定化します
今後の課題：技術の普及と制度をクズネッツの枠組みに組み込むこと

宇宙から地域の発展をモニタリングする

Wed, 13 Nov 2024 10:10:00 +0000

スライド by Carlos Mendez

宇宙から経済発展をモニタリングする

Wed, 04 Sep 2024 10:10:00 +0000

スライド by Carlos Mendez

宇宙から経済活動を探る

Tue, 27 Aug 2024 10:10:00 +0000

スライド by Carlos Mendez

計算ノートブックにはこちらからアクセスできます。

夜間光と経済活動

Mon, 26 Aug 2024 10:10:00 +0000

スライド by Carlos Mendez

Carlos Mendez

PythonによるダブルLASSO：中絶は犯罪を減らすのか？

StataによるダブルLASSO：中絶は犯罪を減らすのか？

因果推論のためのダブルLASSO：中絶は犯罪を減らすのか？

ジオコーディングされたミクロデータによる差分の差分法：距離が処置を定義するとき

地域データを用いた差分の差分法：メディケイド拡大は死亡率を下げたのか？

比較因果メトリクス（Comparative Causal Metrics）

比較因果メトリクスへようこそ！（開発中）

章構成

関連プロジェクト

Rで政策を評価する6つの方法：提案99号の比較事例研究

因果メトリクスをマスターする（Mastering Causal Metrics）

因果メトリクスをマスターするへようこそ！

インタラクティブなGoogle Colabノートブック

第I部：概念的枠組み

第II部：5つのツール

第III部：総合

ノートブックの使い方

著者とクレジット

AI主導の計量経済学

🤖 AI主導の計量経済学

🚀 ビジョン

🧠 なぜ計量経済学の教育を見直すのか

🔄 本書のアプローチ

📘 柱1：基礎概念

🗂️ 構成

☁️ 柱2：計算的ノートブック

🧰 現代的なPythonスタック

🔁 プログラミングで学ぶ

🤖 柱3：AIで強化された学習

⚖️ AIの責任ある利用

🔗 3つの要素からなる学習システム

🎓 結論

metricsAI

metricsAIへようこそ！

📓 インタラクティブなGoogle Colabノートブック

第I部：統計の基礎

第II部：二変量回帰

第III部：重回帰

第IV部：発展的トピック

ノートブックの使い方

👥 著者とクレジット

GeoDevelopment ダッシュボード

DS4Bolivia

DS4Bolivia：ボリビアの地理空間的な開発を研究するためのデータサイエンス・リポジトリ

🖥️ インタラクティブな地理空間ダッシュボード

🐍 クラウド上の計算ノートブック

💾 空間的に明示的なデータセット

📜 引用方法

APA形式

BibTeX形式

🚀 独自のデータセットを構築する

例1：属性データの統合

例2：空間データと属性データの統合

データソース

🤝 貢献方法

ビッグデータ、社会経済調査、機械学習を用いたカンボジアにおける貧困の諸次元のマッピング

🌏 はじめに

📊 研究の目的

📚 文献と研究の動機

🗂️ データ源

⚙️ 手法

📑 MPIの指標

📈 結果 – 変数の重要度

🗺️ 結果 – 貧困の空間的パターン

💡 考察

✅ 結論

AI時代の開発研究

パネルデータに対する古典的推定量のベイズ的平均化：地域版クズネッツ曲線の形状をめぐる謎は解明できるか

🗺️ 研究の動機

📚 文献の概観

🎯 研究の目的

🛠️ 手法のハイライト

📈 データの概観

🧪 シミュレーションによる確認

🔍 決定要因の頑健性（実データ）

📐 曲線の形状

🧭 政策的含意

🏁 結論

宇宙から地域の発展をモニタリングする