python | Carlos Mendez

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。

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。