EconMLの因果探索例

投稿者: ★排泄ケア相談員の認定試験問題集★

EconML

  • 概要  EconMLは、Microsoft ResearchのALICEチームによって開発されたライブラリで、観察データから異質な治療効果を推定するために機械学習技術を適用し、経済学と機械学習の交差点に焦点を当てています。
  • 特徴
    • 推定方法
      • ダブルマシンラーニング（線形、スパース線形、汎用ML）
      • 動的ダブルマシンラーニング
      • 因果フォレスト（Causal Forests）
      • 直交ランダムフォレスト（Orthogonal Random Forests）
      • メタラーナー（XLearner, SLearner, TLearner）
      • ダブルロバストラーナー（線形、スパース線形、非パラメトリック）
      • 計器変数を使用したダブルマシンラーニング（直交、非パラメトリック）
      • 計器変数を使用したダブルロバストマシンラーニング（線形、スパース線形、非パラメトリック、線形ITT）
      • 深層計器変数（Deep Instrumental Variables）
    • 解釈可能性
      • CATEモデルのツリー解釈
      • CATEモデルの政策解釈
      • SHAP値によるCATEモデルの解釈
    • 因果モデル選択とクロスバリデーション
      • RScorerを使用した因果モデル選択
      • ファーストステージモデル選択
    • 推論
      • 効果推論サマリー
      • 人口サマリー
      • パラメータ推論サマリー
    • 政策学習
      • DRPolicyTree, DRPolicyForestによるダブルロバスト政策学習
  • 適用例: A/Bテストの推薦、顧客セグメンテーション、多投資帰属分析などに使用。詳細はEconMLのドキュメントで確認できます。


!pip install dowhy
!pip install econml
%load_ext autoreload
%autoreload 2
import numpy as np
import pandas as pd
import logging
 
import dowhy
from dowhy import CausalModel
import dowhy.datasets
 
import econml
import warnings
warnings.filterwarnings('ignore')
 
BETA = 10
data = dowhy.datasets.linear_dataset(BETA, num_common_causes=4, num_samples=10000,
                                    num_instruments=2, num_effect_modifiers=2,
                                     num_treatments=1,
                                    treatment_is_binary=False,
                                    num_discrete_common_causes=2,
                                    num_discrete_effect_modifiers=0,
                                    one_hot_encode=False)
df=data['df']
print(df.head())
print("True causal estimate is", data["ate"])
model = CausalModel(data=data["df"],
                    treatment=data["treatment_name"], outcome=data["outcome_name"],
                    graph=data["gml_graph"])
model.view_model()
from IPython.display import Image, display
display(Image(filename="causal_model.png"))
出力結果
0 　-1.628404　  0.563526 　 1.0  　0.994155 　 0.952486 　-0.899368　  1　  2  　34.761490  
1 　 0.046193　 -0.490712　  1.0 　 0.408218　  0.249081　 -1.913044  　0  　3  　19.561881  
2　  0.147865 　 1.882448　  1.0  　0.280972 　 1.178634　 -2.756998  　2  　1  　18.687156  
3　 -2.653401　  1.554569　  0.0  　0.285960 　 0.141632　  0.302597  　2  　1 　 18.199990  
4　  0.421991　  0.286150 　 1.0  　0.233265　 -0.357421　 -2.827680  　3  　3  　26.263581  
 
            y 
0 　 234.154258 
1  　176.895732 
2  　317.697445 
3  　121.505832 
4 　 337.973534 
True causal estimate is 11.471666628263067

         X0     　　 　  X1   　　　　Z0       　 Z1       　　　 W0       　　 W1　 　W2　 W3         v0  \



　

 ※引用アドレスhttps://www.pywhy.org/dowhy/v0.11/example_notebooks/dowhy_causal_discovery_example.html


import dowhy
from dowhy import CausalModel
 
import numpy as np
import pandas as pd
import graphviz
import networkx as nx
 
np.set_printoptions(precision=3, suppress=True)
np.random.seed(0)
 
# Load the data first
data_mpg = pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data-original',
               delim_whitespace=True, header=None,
               names = ['mpg', 'cylinders', 'displacement',
                        'horsepower', 'weight', 'acceleration',
                        'model year', 'origin', 'car name'])
 
def make_graph(adjacency_matrix, labels=None):
    idx = np.abs(adjacency_matrix) > 0.01
    dirs = np.where(idx)
    d = graphviz.Digraph(engine='dot')
    names = labels if labels else [f'x{i}' for i in range(len(adjacency_matrix))]
    for name in names:
        d.node(name)
    for to, from_, coef in zip(dirs[0], dirs[1], adjacency_matrix[idx]):
        d.edge(names[from_], names[to], label=str(coef))
    return d
 
def str_to_dot(string):
    '''
    Converts input string from graphviz library to valid DOT graph format.
    '''
    graph = string.strip().replace('\n', ';').replace('\t','')
    graph = graph[:9] + graph[10:-2] + graph[-1] # Removing unnecessary characters from string
    return graph
 
# Now proceed with data manipulation as data_mpg is defined
data_mpg.dropna(inplace=True)
data_mpg.drop(['model year', 'origin', 'car name'], axis=1, inplace=True)
print(data_mpg.shape)
print(data_mpg.head()) # Use print to see the head in the output
 
from causallearn.search.ConstraintBased.PC import pc
 
labels = [f'{col}' for i, col in enumerate(data_mpg.columns)]
data = data_mpg.to_numpy()
 
cg = pc(data)
 
# Visualization using pydot
from causallearn.utils.GraphUtils import GraphUtils
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import io
 
pyd = GraphUtils.to_pydot(cg.G, labels=labels)
tmp_png = pyd.create_png(f="png")
fp = io.BytesIO(tmp_png)
img = mpimg.imread(fp, format='png')
plt.axis('off')
plt.imshow(img)
plt.show()

出力結果

(392, 6)
    　　　mpg　  cylinders 　　 displacement  horsepower  weight  acceleration
0  　　　18.0    　    8.0      　　　   307.0     　　  130.0  　　　3504.0          12.0
1  　　　15.0     　   8.0      　　　   350.0    　　   165.0  　　　3693.0          11.5
2  　　　18.0    　    8.0      　　　   318.0     　　  150.0  　　　3436.0          11.0
3　　　  16.0    　    8.0     　　　    304.0   　　    150.0  　　　3433.0          12.0
4  　　　17.0     　   8.0    　　　     302.0    　　   140.0  　　　3449.0          10.5


Depth=3, working on node 5: 100%　　　　　　　 6/6 [00:00<00:00, 167.53it/s]





このブログの人気の投稿

片貝の四尺玉は世界一を連呼する『片貝賛歌～希望の花～』を作詞しました！！

投稿者: ★排泄ケア相談員の認定試験問題集★
片貝の四尺玉は世界一を連呼する『片貝賛歌』を作詞しました。 『片貝賛歌～希望の花～』俗称は『四尺玉の歌』 この詩には、片貝町という小さな町が持つ大きな夢と誇り、そして心の奥に響く感動が詰まっています。夜空を引き裂くように咲く四尺玉。その光は、ただ美しいだけではありません。それは、片貝町の人々が長い時間をかけて築いてきた努力と絆の象徴。何かを信じ続けることの尊さを、あの一瞬の爆発で教えてくれます。「片貝の四尺玉は世界一」 この言葉には、片貝町のすべてが込められています。花火を愛し、未来を信じる人々の魂が、夜空に描かれるのです。 どうかこの歌を通じて、片貝の光があなたの心にも届きますように。そしてその光が、あなた自身の希望となりますように ！ ！ 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　以上　ま組シニア 　　　　　　　　　　　　　　　　　　　　　　　　　　 　是非、ご覧あれ！！→→→　 youtube 四尺玉の歌 　　 X（Twiter）画像リンク01 　　　　〃　　　　　→→→　 youtube 片貝町賛歌 　　 X（Twiter）画像リンク02 　　　　　　　　　　　　　　　　 『片貝賛歌～希望の花～』 　通称「 片貝の四尺玉は世界一」　or　「片貝四尺玉の歌」 　　　 作詞・作曲　山口勇司 【No.1】 夜空に咲く希望の花 片貝の光が夢を照らす 四尺玉響く世界の鼓動 その瞬間全てが輝く 空高く舞い上がる 心震えるこの瞬間 片貝の四尺玉は世界一 夜空を彩る光の奇跡 片貝の四尺玉は世界一 永遠に輝くこの瞬間 【No.2】 波の音が囁くように 未来へ続く道を照らす 花火のように散る願いが 明日を描く絵になる 風に乗って広がる この想い届けたい 片貝の四尺玉は世界一 夜空を彩る光の奇跡 片貝の四尺玉は世界一 永遠に輝くこの瞬間 【No.3】 爆風が運ぶ浄化の風   片貝の光が闇を払う   四尺玉の鼓動が響けば   新たな希望が生まれる 心に刻むこの奇跡   明日へ繋がる祈りを 片貝の四尺玉は世界一   夜空を彩る光の奇跡   片貝の四尺玉は世界一   運命を変えるこの瞬間 【No.4】 水面に映る夢の姿 片貝の...
Read more »

小論文　統計的因果推論の現場適用による排泄ケアの展望

投稿者: ★排泄ケア相談員の認定試験問題集★
【小論文】　 統計的因果推論の現場適用による排泄ケアの展望   はじめに 高齢化が進む現代社会において、排泄ケアは医療および介護分野の重要な課題となっています。高齢者や障害者にとって、排泄の自立は生活の質に直結し、その支援は QOL （ Quality of Life ）の向上に不可欠です。従来の排泄ケアの多くは経験や慣習に基づいて行われてきましたが、科学的エビデンスに基づくアプローチが求められています。統計的因果推論は、介入の効果を明確にするための強力な手法であり、排泄ケアの質的向上に寄与する可能性があります。本書では、統計的因果推論の基礎から現場での適用方法、そしてその展望について論じます。   統計的因果推論の基礎 統計的因果推論は、観察データから因果関係を推定する方法論です。因果関係とは、一つの変数（原因）が他の変数（結果）に与える直接的な影響を指します。排泄ケアにおいては、介入が排泄に関連する健康アウトカムにどのような影響を与えるかを理解することが重要です。例えば、新しい排泄ケアプログラムが尿失禁の発生率をどの程度減少させるかを評価する際に、因果推論は有用です。   現場適用の方法論 統計的因果推論を排泄ケアに適用するためには、以下のような具体的な方法論があります。 回帰不連続デザイン（ RDD ）   RDD は、特定の基準に基づいて介入が行われる場合、その基準付近の観察対象を比較する手法です。例えば、特定の年齢以上の患者に新しい排泄ケアプログラムが適用される場合、その年齢の境界付近の患者を比較することで介入の効果を推定します。 操作変数法（ IV 法）   操作変数法は、介入の選択に影響を与えるが結果には直接影響しない変数を用いる手法です。これにより、観察データのバイアスを除去し因果効果を推定します。例えば、地域ごとの医療資源の違いを操作変数として利用し、新しいケア法の効果を測定することができます。 マッチング法   マッチング法は、介入群と対照群の間で共変量をマッチングし、バイアスを最小化する手法です。個々の患者特性に基づいて比較可能な対照群を形成することで、因果効果のより正確な推定が可能となります。   現場適用の...
Read more »

論文 排泄ケアにおける尊厳の保持と社会システムの課題 ～「おむつ」をめぐる心理的・文化的考察～

投稿者: ★排泄ケア相談員の認定試験問題集★
NHK 大阪のディレクターから取材を受けた内容をまとめて論じてみました！ 排泄ケアにおける尊厳の保持と社会システムの課題　～「おむつ」をめぐる心理的・文化的考察～ 社会医療法人崇徳会地域総合サービスセンター 排泄ケア総合研究所（排総研）代表　山口勇司 はじめに 現代の長寿社会において、おむつに代表される排泄ケ現代の長寿社会において、おむつに代表される排泄ケア用品は、高齢者や要介護者の生活維持に不可欠な基盤となっている。しかし、その利用は単なる生理現象への対応にとどまらず、個人の尊厳やアイデンティティと深く結びついた複雑な課題を内包している。利用者が示す心理的抵抗は、介護現場における重要な課題の一つであり、その背景には個人の内面的な葛藤に加え、ケアを提供する側との関係性や、社会文化的な規範が複雑に影響していると考えられる。 本稿は、おむつの使用に伴う心理的抵抗の要因を分析し、ケアの現場で求められる尊厳を保持するためのコミュニケーションのあり方を考察する。さらに、日本の文化的な背景を考察し、排泄ケアの課題を通して、これからの社会が目指すべき方向性を提言することを目的とする。   1.  排泄自立の喪失に伴う心理的抵抗とその要因 高齢者がおむつの使用に抵抗を示す事例は、介護現場において頻繁に報告されている。これは単なる物理的な不快感によるものではなく、その受容が個人の心理に与える深刻な影響に起因する。主要な要因として、「自立性の喪失」と「羞恥心」が挙げられる。 排泄の自立は、人間が自己の身体をコントロールできているという感覚の根幹をなす。おむつの使用は、このコントロール能力を失い、他者に依存せざるを得なくなったという事実を象徴的に示すものである。この「自立の喪失」は、自己評価の低下や役割喪失感を引き起こし、抑うつ的な心理状態に繋がりかねない、深刻な心性の危機である。 加えて、排泄行為が有する極めて高いプライベート性は、強い「羞恥心」を喚起する。特に家族によるケアの場合、親子関係や夫婦関係といった既存の関係性の中で、かつては自立していた自身の「衰えた姿」を露呈することへの屈辱感が、頑なな拒否を生む一因となる。 介護実践家の三好春樹は、介護における「関係障害」という概念を提唱し、例えば認知行動を単に「わかろう」...
Read more »