https://carlos-mendez.org/ja/publication/PublicationsWowchemy (https://wowchemy.com)ja-jp© 2018–2026 Carlos Mendez. All rights reserved.Mon, 26 Jan 2026 00:00:00 +0000https://carlos-mendez.org/media/icon_huedfae549300b4ca5d201a9bd09a3ecd5_79625_512x512_fill_lanczos_center_3.pnghttps://carlos-mendez.org/ja/publication/https://carlos-mendez.org/ja/publication/20260126-metricsai/Mon, 26 Jan 2026 00:00:00 +0000https://carlos-mendez.org/ja/publication/20260126-metricsai/<h1 id="-ai主導の計量経済学">🤖 AI主導の計量経済学</h1> <p><strong>クラウド上のPythonノートブックによる入門</strong> <img src="https://raw.githubusercontent.com/quarcs-lab/metricsai/main/images/ch00_visual_summary.jpg" alt="Chapter 0 visual summary" style="max-width: 100%; height: auto;"></p> <hr> <h2 id="-ビジョン">🚀 ビジョン</h2> <ul> <li>🤖 AI時代の計量経済学</li> <li>☁️ クラウドでのインタラクティブな学習</li> <li>📊 実データ、本物の経済学的問い</li> </ul> <p>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。</p> <hr> <h2 id="-なぜ計量経済学の教育を見直すのか">🧠 なぜ計量経済学の教育を見直すのか</h2> <ul> <li>📖 受動的な教科書</li> <li>💻 高い技術的障壁</li> <li>🔗 理論とその実装の間の隔たり</li> </ul> <p>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。</p> <hr> <h2 id="-本書のアプローチ">🔄 本書のアプローチ</h2> <ul> <li>🧱 基礎概念</li> <li>🧪 計算的ノートブック</li> <li>🤖 AIで強化された学習</li> </ul> <p>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。</p> <hr> <h2 id="-柱1基礎概念">📘 柱1：基礎概念</h2> <ul> <li>📚 Cameron（2022）に基づく</li> <li>📐 厳密な計量経済学の理論</li> <li>🌍 応用的で実践的なアプローチ</li> </ul> <p>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。</p> <hr> <h2 id="-構成">🗂️ 構成</h2> <ul> <li>🧮 統計学の基礎</li> <li>📉 二変量回帰</li> <li>📊 重回帰</li> <li>🔬 発展的なテーマ</li> </ul> <p>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。</p> <hr> <h2 id="-柱2計算的ノートブック">☁️ 柱2：計算的ノートブック</h2> <ul> <li>🚫 インストール不要</li> <li>🧑‍💻 Google Colab</li> <li>🌐 あらゆるデバイスからアクセス</li> </ul> <p>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。</p> <hr> <h2 id="-現代的なpythonスタック">🧰 現代的なPythonスタック</h2> <ul> <li>🐼 データ操作</li> <li>📐 計量経済学的モデリング</li> <li>📊 可視化</li> </ul> <p>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。</p> <hr> <h2 id="-プログラミングで学ぶ">🔁 プログラミングで学ぶ</h2> <ul> <li>✏️ コードを修正し再実行する</li> <li>⚡ 即時のフィードバック</li> <li>🔍 能動的な実験</li> </ul> <p>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。</p> <hr> <h2 id="-柱3aiで強化された学習">🤖 柱3：AIで強化された学習</h2> <ul> <li>🖼️ 視覚的な要約</li> <li>📑 AIが生成したスライド</li> <li>🎙️ ポッドキャストとクイズ</li> </ul> <p>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。</p> <hr> <h2 id="-aiの責任ある利用">⚖️ AIの責任ある利用</h2> <ul> <li>🧠 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</li> <li>🔍 検証は不可欠です</li> <li>📘 理論は依然として中心にあります</li> </ul> <p>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。</p> <hr> <h2 id="-3つの要素からなる学習システム">🔗 3つの要素からなる学習システム</h2> <ul> <li>📕 本書</li> <li>🌐 metricsAIウェブサイト</li> <li>📘 Cameronの教科書</li> </ul> <p>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。</p> <hr> <h2 id="-結論">🎓 結論</h2> <ul> <li>📊 計算を通じた計量経済学</li> <li>🤖 AIで強化された</li> <li>🌍 身近で厳密な</li> </ul>https://carlos-mendez.org/ja/publication/20251006-sir/Mon, 06 Oct 2025 00:00:00 +0000https://carlos-mendez.org/ja/publication/20251006-sir/<div style="position: relative; width: 100%; height: 0; padding-top: 56.2500%; padding-bottom: 0; box-shadow: 0 2px 8px 0 rgba(63,69,81,0.16); margin-top: 1.6em; margin-bottom: 0.9em; overflow: hidden; border-radius: 8px; will-change: transform;"> <iframe loading="lazy" style="position: absolute; width: 100%; height: 100%; top: 0; left: 0; border: none; padding: 0;margin: 0;" src="https://www.youtube.com/embed/Nt5lrCl_hRE?si=VYmxc_kRqSOcaPHr" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" allowfullscreen> </iframe> </div> <div style="position: relative; width: 100%; height: 0; padding-top: 56.2500%; padding-bottom: 0; box-shadow: 0 2px 8px 0 rgba(63,69,81,0.16); margin-top: 1.6em; margin-bottom: 0.9em; overflow: hidden; border-radius: 8px; will-change: transform;"> <iframe loading="lazy" style="position: absolute; width: 100%; height: 100%; top: 0; left: 0; border: none; padding: 0;margin: 0;" src="https:&#x2F;&#x2F;www.canva.com&#x2F;design&#x2F;DAF2R9fiBiA&#x2F;view?embed" allowfullscreen="allowfullscreen" allow="fullscreen"> </iframe> </div> <a href="https:&#x2F;&#x2F;www.canva.com&#x2F;design&#x2F;DAF2R9fiBiA&#x2F;view?utm_content=DAF2R9fiBiA&amp;utm_campaign=designshare&amp;utm_medium=embeds&amp;utm_source=link" target="_blank" rel="noopener"></a> <h3 id="-はじめに">🌏 はじめに</h3> <ul> <li>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%）</li> <li>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</li> <li>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）</li> </ul> <p>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。</p> <hr> <h3 id="-研究の目的">📊 研究の目的</h3> <ul> <li><strong>地球観測のビッグデータ</strong> ＋ <strong>CSES調査</strong> ＋ <strong>機械学習</strong> を活用する</li> <li><strong>MPIの3次元</strong> にわたる <strong>10の貧困指標</strong> をマッピングする</li> <li><strong>高解像度の貧困マップ</strong> を生成する</li> <li><strong>対象を絞った費用対効果の高い政策介入</strong> を支援する</li> </ul> <p>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。</p> <hr> <h3 id="-文献と研究の動機">📚 文献と研究の動機</h3> <ul> <li>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</li> <li>夜間光と衛星画像 → 貧困の間接的指標</li> <li>機械学習（RF、XGBoost、CNN）は予測を改善する</li> <li>課題：<strong>調査データ＋地球観測データ</strong> を <strong>多次元貧困</strong> に統合する研究は少ない</li> </ul> <p>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。</p> <hr> <h3 id="-データ源">🗂️ データ源</h3> <ul> <li><strong>CSES調査</strong>（10,000世帯）– 保健、教育、住居、所得</li> <li><strong>衛星・地球観測データ</strong> – 夜間光、土地被覆、人口密度</li> <li><strong>インフラデータ</strong> – 道路、学校、病院、公共サービス</li> <li><strong>建物フットプリント</strong> – 380万棟の住宅・商業建物</li> </ul> <p>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。</p> <hr> <h3 id="-手法">⚙️ 手法</h3> <ul> <li>分類のための <strong>ランダムフォレスト</strong> モデル</li> <li>各指標について <strong>剥奪確率</strong> を予測する</li> <li>訓練と検証への分割（90/10）</li> <li>成果物：世帯レベルおよび地域レベルの剥奪マップ</li> </ul> <p>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。</p> <hr> <h3 id="-mpiの指標">📑 MPIの指標</h3> <p><strong>保健（2）：</strong> 食料消費、医療へのアクセス</p> <p><strong>教育（2）：</strong> 達成された教育水準、就学</p> <p><strong>生活水準（6）：</strong> 調理用燃料、衛生設備、水、電気、住居、資産</p> <p>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。</p> <hr> <h3 id="-結果--変数の重要度">📈 結果 – 変数の重要度</h3> <ul> <li><strong>夜間光</strong> ＝ すべての指標にわたる主要な予測変数</li> <li><strong>人口密度</strong> と <strong>道路網</strong> も有意</li> <li>より頑健な予測：<strong>調理用燃料、安全な飲料水、衛生設備、電気</strong></li> <li>弱い予測：<strong>就学、医療、資産</strong></li> </ul> <p>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。</p> <hr> <h3 id="-結果--貧困の空間的パターン">🗺️ 結果 – 貧困の空間的パターン</h3> <ul> <li><strong>都市の中心地</strong>：プノンペン、シェムリアップ、バッタンバン → 低い剥奪</li> <li><strong>遠隔の州</strong>：プレアビヒア、ラタナキリ、モンドルキリ → 高い剥奪</li> <li>貧困は <strong>主要道路や国境</strong> の近くで低い（貿易の効果）</li> </ul> <p>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。</p> <hr> <h3 id="-考察">💡 考察</h3> <ul> <li>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</li> <li>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</li> <li>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）</li> <li>地球観測 ＋ ML は <strong>きめ細かく動的な貧困マッピング</strong> を提供します</li> </ul> <p>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。</p> <hr> <h3 id="-結論">✅ 結論</h3> <ul> <li>地球観測 ＋ 調査 ＋ ML を用いて <strong>MPIの10指標をマッピング</strong></li> <li><strong>インフラ関連の剥奪</strong> について最良の結果</li> <li><strong>世帯レベルの貧困推定</strong> を可能にする</li> <li><strong>SDGs</strong> 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</li> <li>今後の研究：空間的自己相関、格差の分解、先進的なAI</li> </ul> <p>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。</p>https://carlos-mendez.org/ja/publication/20250605-ee/Thu, 05 Jun 2025 00:00:00 +0000https://carlos-mendez.org/ja/publication/20250605-ee/<div style="position: relative; padding-bottom: 56.25%; height: 0; overflow: hidden;"> <iframe style="position: absolute; top: 0; left: 0; width: 100%; height: 100%;" src="https://www.youtube.com/embed/K1yj-Aw2Vlg?si=iMlgTPuVHk9twxPQ" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe> </div> <h2 id="-研究の動機">🗺️ 研究の動機</h2> <ul> <li>地域間格差は社会的結束、移住、政治的安定を形作ります</li> <li>クズネッツ（1955）：発展と格差の間の逆U字型の関連</li> <li>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</li> <li>「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</li> </ul> <hr> <h2 id="-文献の概観">📚 文献の概観</h2> <ul> <li>逆U字型を支持：List and Gallet（1999）、Thornton（2001）</li> <li>混在した証拠／非U字型：Tam（2008）、Huang（2012）</li> <li>N字型の擁護：Lessmann（2014）、Lessmann and Seidel（2017）</li> <li>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</li> </ul> <hr> <h2 id="-研究の目的">🎯 研究の目的</h2> <ul> <li>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</li> <li>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</li> <li>地域間格差を一貫して押し上げる決定要因を特定する</li> </ul> <hr> <h2 id="-手法のハイライト">🛠️ 手法のハイライト</h2> <ul> <li> <p><strong>探索空間：</strong> 14個の候補説明変数 → 2¹⁴ = <strong>16,384</strong> モデルを、それぞれ二元固定効果（国＋期間）で推定。</p> </li> <li> <p><strong>頑健性スイープ：</strong> 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 <strong>65,536</strong> 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。</p> </li> <li> <p><strong>古典的推定量のベイズ的平均化（BACE）：</strong></p> <ul> <li>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。</li> <li>各モデルのBICを近似的な周辺尤度へ変換します。</li> <li>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<strong>確率で重み付けした平均</strong>を形成します。</li> </ul> </li> <li> <p><strong>変数のスクリーニング：</strong> 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。</p> </li> <li> <p><strong>曲線のピーク：</strong> 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。</p> </li> <li> <p><strong>検証：</strong> 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。</p> </li> </ul> <hr> <h2 id="-データの概観">📈 データの概観</h2> <ul> <li>180か国、5年区切りの5つの期間（1990〜2013年）</li> <li>被説明変数：衛星夜間光から求めた人口加重ジニ係数</li> <li>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</li> </ul> <hr> <h2 id="-シミュレーションによる確認">🧪 シミュレーションによる確認</h2> <ul> <li> <p>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</p> </li> <li> <p>BACEは次を復元しました：</p> <ul> <li>正しい二元固定効果の定式化（PMP ≈ 100%）</li> <li>真の駆動要因（一人当たりGDP、資源収入、土地、民族ジニ）</li> </ul> </li> </ul> <hr> <h2 id="-決定要因の頑健性実データ">🔍 決定要因の頑健性（実データ）</h2> <p><strong>高PIP（&gt; 0.75）</strong></p> <ul> <li>天然資源収入は格差を↑</li> <li>耕作可能地の比率は格差を↓</li> <li>民族ジニは格差を↑ <strong>クズネッツ項</strong></li> <li>一人当たりGDP（線形および二次）は頑健</li> <li>三次項は頑健ではない（PIP ≈ 0.48）</li> </ul> <hr> <h2 id="-曲線の形状">📐 曲線の形状</h2> <ul> <li>格差は<strong>上昇</strong>：189 → 2,189米ドル</li> <li><strong>安定化</strong>：2,189 → 3,935米ドル</li> <li><strong>低下</strong>：3,935 → 71,682米ドル</li> <li>71,682米ドルを超えると再び<strong>安定化</strong></li> </ul> <blockquote> <p>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<strong>ありません</strong>。</p> </blockquote> <hr> <h2 id="-政策的含意">🧭 政策的含意</h2> <ul> <li>天然資源収入を地域間で再分配する</li> <li>農業生産性と土地への公平なアクセスへ投資する</li> <li>空間的な格差を抑えるために民族的包摂を目指す</li> <li>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</li> </ul> <hr> <h2 id="-結論">🏁 結論</h2> <ul> <li>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</li> <li>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</li> <li>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</li> </ul>