causal | Carlos Mendez

scspill

Tue, 28 Jul 2026 00:00:00 +0000

処理が漏れ出すときの合成コントロール — 処理群への効果と、各ドナーが受け取るスピルオーバーを。

scspill は、ドナープールに対するSUTVAを外した合成コントロールモデルのPythonパッケージです。処理がコントロール群に及ぶことを許し、いずれのモデルも2つの推定対象を報告します。すなわち、汚染を取り除いた処理群への効果と、各ドナーが受け取るスピルオーバー効果です。後者は従来の合成コントロールでは表現すること自体ができません。現在利用できるモデル sar は、ユーザーが指定した空間重みを通じてスピルオーバーを伝え、その大きさを単一の強度パラメータ ρ で調整します。この ρ は仮定するのではなく推定されます。合成ウェイトは制約を課さないホースシュー（horseshoe）縮小推定で求めるため、ドナーは除外されることも、負の値をとることも、外挿することもできます。そして2つの推定対象いずれについても完全なベイズ的不確実性を返します。ρ = 0 のとき、モデルはベイズ的ホースシュー合成コントロールに厳密に一致します。推定器のアーキテクチャは mlsynth（pydanticの設定を入力とし、標準化された結果オブジェクトを出力する）に従い、method の名称は同ライブラリの SPILLSYNTH ディスパッチャと一致するため、両者は自然に組み合わせられます。

🚀 はじめに

カリフォルニア州の提案99（Proposition 99）を対象に、およそ10行でモデルを推定します。95%信用区間付きのATT、スピルオーバー強度 ρ、各ドナーが年ごとに受け取るスピルオーバー、MCMC診断、反事実プロットが得られます。

▶ Colab で開く

🧬 モデル

現在提供されているモデルは1つ、sar です。Sakaguchi・Tagawa (2026) による、空間自己回帰型スピルオーバーを備えたベイズ合成コントロールです。さらに3つのスピルオーバー対応モデルがロードマップにあります。Cao・Dowd のモデル、Di Stefano・Mellace の包括的合成コントロール、Grossi ほかによる部分干渉SCGです。これらは未実装であり、SCSPILLConfig はこれらの名称を黙って別のモデルで代替せず、明示的に拒否します。

🧪 検証

sar のサンプラーが正しいことを示す証拠です。Geweke (2004) の同時分布検定、事前分布の感度グリッド、事前予測チェック、そして著者らのR実装による固定済み信用区間との交差検証。

機能の概要

scspill — モデル層。SCSPILL(config).fit() は、ATTとその信用区間、反事実の経路、ρ の事後分布、時点×ドナーのスピルオーバーパネル、MCMC診断を返します。

scspill.validation — sar のサンプラー検証。Gewekeの同時分布検定、事前分布の感度グリッド、事前予測チェック。

scspill.simulate — sar のモンテカルロエンジン。ルーク型格子によるSARデータ生成過程と、論文の表1・表2の基礎となる SCM / BSCM / SCSPILL の比較です。

scspill.data — 以下のスピルオーバーパネル。モデルに依存しない形式のため、今後追加されるモデルでもそのまま利用できます。

sar は実装されているだけでなく検証されています — 著者らのRレプリケーションパッケージと交差検証されています。カリフォルニアとスーダンの事後分布は固定済みのR信用区間と、モンテカルロのグリッドは論文の固定済みの表と、事前予測統計量は小数第3位まで照合されています。既定の設定は論文に忠実で、参照実装に残る複数の既知の不具合が修正されており、それぞれに従来挙動へ戻す手段か差分を定量化したベンチマークが用意されています。詳しくは sar モデルのページをご覧ください。

付属のケーススタディ

scspill.data には、すぐに推定できる2つのデータセットが含まれています。

カリフォルニア — 提案99、39州（1970–2000年）。一人当たり紙巻たばこ販売量とルーク型隣接重み。scspill.data.load_california() で読み込みます。
スーダン — 2011年の分離独立、アフリカ34か国（2000–2015年）。一人当たりGDPと貿易ネットワーク重み。scspill.data.load_sudan() で読み込みます。スーダンのケーススタディで詳しく扱っています。

インストール

最新リリースはPyPIから入手できます（基本のインストールはNumPy/SciPyのみ。numba エクストラでJITコンパイル済みサンプラーが追加されます）。

pip install scspill # NumPy/SciPy sampler backend
pip install "scspill[numba]" # + JIT-compiled samplers (~10x faster)
pip install "scspill @ git+https://github.com/quarcs-lab/scspill.git" # latest

Python 3.10 以上が必要です。

ひと目で

付属のケーススタディを読み込み、サンプラーを実行して、2つの推定対象を確認します。

from scspill import SCSPILL
from scspill.data import load_california
panel = load_california() # Prop 99 panel + rook-contiguity weights
result = SCSPILL(
{**panel.config_kwargs(), "m_iter": 20_000, "burn": 10_000, "seed": 42}
).fit()
result.att, result.att_ci # treatment effect on California + 95% CrI
result.rho_hat, result.rho_ci # spillover intensity posterior
result.spillover_panel["Nevada"] # the effect received by Nevada, per year
result.diagnostics() # ESS / R-hat / MCSE per chain
result.plot(kind="panel") # counterfactual | effect | top spillovers

推定器の動きは、はじめに、モデル、検証でご覧いただけます。

基盤

scspill は依存関係を意図的に軽く保っています。現代的なPythonの科学計算スタックのみで構成されています。

NumPy と SciPy — サンプラーの計算基盤
pandas — パネルとスピルオーバーの表
pydantic — 検証付きの推定器設定
matplotlib — 診断図と反事実の図
numba — オプションのJITコンパイル済みサンプラー

謝辞

scspill の著者は Carlos Mendez、Shosei Sakaguchi、Hayato Tagawa の3名です。本Pythonパッケージは Carlos Mendez が執筆し、保守しています。sar モデルとそのオリジナルのR/C++実装は Shosei Sakaguchi 氏と Hayato Tagawa 氏によるものです。両氏のレプリケーションパッケージはMITライセンスで公開されており、その著作権表示は本ライブラリの LICENSE に保持されています。また scspill の各リリースは、その固定済みの結果と交差検証されています。推定器のアーキテクチャは Jared Greathouse 氏の mlsynth に、ドキュメント基盤は QuaRCS Lab の geometrics パッケージに倣っています。

scspill をご利用の際は、本ソフトウェアを引用してください（機械可読なメタデータは CITATION.cff にあります）。

Mendez, C., Sakaguchi, S., & Tagawa, H. (2026). Synthetic Control Models with Spillovers in Python (version 0.2.1). https://github.com/quarcs-lab/scspill

MITライセンスで公開されています。

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）

地域インパクト評価への入門

RとQuartoで実装・レンダリング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。

手法の比較ツアー — 分割時系列分析や差分の差分法から、合成コントロール、ベイズ構造時系列、そして最新のパネルデータ推定量まで、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。

本書は2つの部で構成されています。

第I部 — 単一処置ユニット（第1〜9章） では、カリフォルニア州の1989年「提案99」たばこ税という単一の事例を用いて直観を養います。
第II部 — 段階的導入（第10〜12章） では、多数のユニットが異なる時点で政策を導入する状況へと進み、Callaway–Sant’Anna の最低賃金に関する郡パネルを用います。

章構成

第I部 — 単一処置ユニット

第II部 — 段階的導入

さらに：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。

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