python | 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。

geometrics

Thu, 02 Jul 2026 00:00:00 +0000

地域の成長・収束・格差 — 空間的に、Pythonで。

geometrics は PySAL ファミリーを基盤とし、地域収束の文献における標準的な分析を、インタラクティブな Plotly の図、出版品質の Great Tables、整然とした（tidy）DataFrame を返す適用しやすい関数にまとめています。探索／分析／学習のワークフローに、すべての結果を解釈・説明する組み込みの学習レイヤーと3つのノーコードアプリを組み合わせています。学生、教員、応用研究者のいずれにも役立つように作られています。

🗺️ 探索

地域を地図化し記述します。分類・アニメーション化されたコロプレス図、空間重みの接続性、モランの散布図と LISA クラスターマップ、時空間ビュー。

🚀 アプリを開く · ▶ Colabで開く

🧮 分析

モデルを推定します。β・σ・クラブ収束、インパクトを伴う空間計量経済モデル、マルコフおよび空間マルコフのダイナミクス、空間分解を伴うジニ／タイルの格差、GWR／マルチスケール GWR。

🚀 アプリを開く · ▶ Colabで開く

📚 学習

手法の背後にある考え方を確かめます。既知の真実を自分で調整できる11個の実行可能な概念サンドボックス、30トピックの解説インデックス、そしてすべての結果に対する平易な言葉での解説。

🚀 アプリを開く · ▶ Colabで開く

ブラウザでアプリを試す

インストールもコードも不要 — 3つの geometrics アプリが、ワークフロー全体をブラウザ上で実行します。ポイント＆クリックの地図とモデル、ソート可能な表、再現可能なエクスポート。それぞれがドキュメントのケーススタディに対応するノーコード版です。

🗺️ 探索アプリ · 🧮 分析アプリ · 📚 学習アプリ

機能の概要

地図と ESDA — 分類／アニメーション化されたコロプレス図、空間重みの接続性、モランの散布図、LISA クラスターマップ、時系列でのモランの I。

時空間ダイナミクス — 横断面分布の推移とエンティティ×時間のヒートマップ。

収束 — OLS または空間推定量による β 収束、σ 収束、そしてクラブマップ付きの Phillips–Sul 収束クラブ。

空間計量経済学 — spreg スイート、モデル推奨付きの LM 診断、代替的な重みによる頑健性。

分布ダイナミクス — マルコフおよび空間マルコフの遷移分析。

格差 — 空間分解を伴うジニ／タイルのトレンド、タイルの級間／級内分解。

局所モデル — 局所係数を地図化した GWR とマルチスケール GWR。

概念サンドボックス — 既知のデータ生成過程からデータをシミュレートする11個の教育用関数。

付属のケーススタディ

geometrics.data には、すぐに分析できる2つのケーススタディが付属しています。

インド — 520の地区、衛星による夜間光（1996〜2010年）：gm.data.load_india()、load_india_states()。
ボリビア — PWT に基づく地域 GDP（2021年購買力平価の米ドル、2012〜2022年）を3つの地理的スケールで：gm.data.load_bolivia()（112の郡）、load_bolivia_departments()（9の県）、load_bolivia_grid()（1,603のグリッドセル）。

インストール

最新リリースを PyPI からインストールします（基本インストールでほとんどのワークフローに対応します。エクストラでマルコフのダイナミクス、ノーコードアプリ、PNG エクスポートを追加できます）。

pip install geometrics # core
pip install "geometrics[dynamics]" # + Markov / spatial Markov (giddy)
pip install "geometrics[streamlit]" # + the three no-code apps
pip install "geometrics[all]" # everything, incl. PNG export

Python 3.11 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、変数ラベルを付与して地図化します — すべての図はインタラクティブな Plotly オブジェクトです。

import geometrics as gm
# India — 520 districts, satellite nighttime lights (1996–2010)
gdf, df, df_dict = gm.data.load_india()
df = gm.set_labels(df, df_dict, set_panel=True)
# A classified choropleth of nighttime lights in 2010
gm.explore_choropleth_map(df, "ntl_total", gdf=gdf, period=2010).fig

収束を推定し、それ自身に説明させる — β 収束と σ 収束、それぞれに平易な言葉での解説を添えて。

beta = gm.analyze_beta_convergence(df, "ntl_total", model="ols")
print(beta.interpret()) # plain-language, associational reading
sigma = gm.analyze_sigma_convergence(df, "ntl_total")

学びながら進む — 概念サンドボックスと解説。

gm.learn_beta_convergence(convergence_rate=0.02) # a runnable concept sandbox
print(gm.explain("spatial_autocorrelation")) # a concept explainer; gm.list_topics() lists all 30

探索、分析、学習で各関数の動作をご覧ください。

基盤

geometrics は、空間分析エコシステム PySAL とモダンな Python のデータスタックの上に成り立っています。

PySAL — libpysal（重み）、esda（モランの I／LISA）、giddy（分布ダイナミクス）、inequality（ジニ／タイル）、mapclassify（コロプレス図の分類）、spreg（空間回帰）、mgwr（マルチスケール GWR）
geopandas — 地理空間データフレーム
Plotly — インタラクティブな図
Great Tables — 出版品質の表

謝辞

geometrics は QuaRCS Lab（定量地域・計算科学）で開発されており、PySAL プロジェクト、geopandas、Plotly、Great Tables の上に成り立っています。研究で geometrics を使用する際は、リポジトリ（CITATION.cff を参照）および基盤となる PySAL パッケージを引用してください。

expdpy

Thu, 18 Jun 2026 00:00:00 +0000

パネルデータをインタラクティブに探索・分析・学習 — Pythonで。

expdpy は、インタラクティブな Plotly の図と出版品質の Great Tables を返す組み合わせ可能な関数に、fixest スタイルの計量経済学、すべての結果を解釈・説明する組み込みの学習レイヤー、そして3つのノーコードアプリを組み合わせています。学生、教員、応用研究者のいずれにも役立つように作られています。

🔍 探索

パネルを記述・可視化します。表、分布、欠損値マップ、時系列トレンド、グループ比較、散布図、級内／級間（within／between）変動、パネルダイナミクス。

🚀 アプリを開く · ▶ Colabで開く

🧮 分析

モデルを推定します。固定効果／変量効果／相関変量効果、FWL、ハウスマン検定、頑健な推測、イベントスタディ／DiD、β／σ／クラブ収束、クズネッツ波形曲線。

🚀 アプリを開く · ▶ Colabで開く

📚 学習

手法の背後にある考え方を確かめます。既知の真実を自分で調整できる9つの実行可能な概念サンドボックス、27トピックの解説インデックス、そしてすべての結果に対する平易な言葉での解説。

🚀 アプリを開く · ▶ Colabで開く

ブラウザでアプリを試す

インストールもコードも不要 — 3つの ExPdPy アプリが、ワークフロー全体をブラウザ上で実行します。サンプルパイプライン、ポイント＆クリックの分析、ソート可能な表、再現可能なノートブックのエクスポート。それぞれがドキュメントのケーススタディに対応するノーコード版です。

🔍 探索アプリ · 🧮 分析アプリ · 📚 学習アプリ

機能の概要

探索 — 記述・相関・極値の表、ヒストグラムと棒グラフ、時系列・分位点トレンド、グループ別の棒／バイオリン／トレンドビュー、欠損値ヒートマップ、LOESS 平滑化（任意）付きの散布図、級内／級間（xtsum）分解、ユニット別の軌跡、パネル構造の診断、分布・遷移ダイナミクス、treat_outliers。

分析 — pyfixest による多元固定効果とクラスター頑健標準誤差付きの OLS、より充実した analyze_estimation（ステップワイズ／複数アウトカム、Newey–West・Driscoll–Kraay 標準誤差）、プールド（pooled）／級間（between）／固定効果／変量効果と相関変量効果（Mundlak）推定量、ハウスマン検定、推定後ツール（固定効果プロット、予測、Wald 同時検定）、頑健な推測（ランダム化推測、ワイルドクラスターブートストラップ）、Frisch–Waugh–Lovell プロットと係数プロット、最新のイベントスタディ／時差のある差分の差分法（did2s、Sun–Abraham、LP-DiD、動的 TWFE）、β・σ・クラブ収束、そしてプールド／級間／級内推定量によるクズネッツ波形曲線。

学習 — すべての結果が平易な言葉で語ります。.interpret() は連関的（associational）な解説を返し（デザインが裏付けない限り因果的な主張はしません）、.explain() ／ explain(topic) ／ list_topics() で27の概念解説を閲覧できます。9つの概念サンドボックスがデータをシミュレートし、既知の真実を見て調整できます — 一階差分 ≈ 平均除去 ≈ ダミー変数の恒等関係、固定効果、クラスタリング、欠落変数バイアス、β／σ／クラブ収束、クズネッツ波。

付属データセット — expdpy.data には、すぐに探索できるパネルが付属しています。kuznets（N字型クズネッツ曲線の代表的なデモ）、gapminder、staggered_did（イベントスタディ／DiD）、productivity、bolivia112_gdppc（収束）。データ辞書については kuznets データセットのページをご覧ください。

インストール

最新リリースを PyPI からインストールします（変量効果、CRE、ハウスマン検定はそのまま利用できます。アプリには streamlit エクストラが必要です）。

pip install expdpy
pip install "expdpy[streamlit]" # the no-code ExPdPy apps (Streamlit)

uv を使う場合：

uv pip install expdpy
uv pip install "expdpy[streamlit]"

最新の未公開バージョンは、main ブランチから直接インストールできます。

pip install "git+https://github.com/cmg777/expdpy.git"

Python 3.10 以上が必要です。

ひと目で

このドキュメント全体を通じた主要な例は、付属の kuznets パネル（80か国 × 2015〜2025年）です。地域間の格差が所得に対して N字型のクズネッツ曲線を描く合成データセットで、上昇し、下降し、非常に高い所得で再び上昇します。

import expdpy as ex
from expdpy.data import load_kuznets
df = load_kuznets()
# The N-shaped regional Kuznets curve: regional inequality vs (log) GDP per capita
ex.explore_scatter_plot(
df, x="log_gdp_pc", y="gini_regional", color="continent", size="population", loess=1
).fig

回帰を実行し、それ自身に説明させる — 二元固定効果、クラスター頑健標準誤差、平易な言葉での解説、係数プロット。

res = ex.analyze_regression_table(
df,
dvs="gini_regional",
idvs=["log_gdp_pc", "log_gdp_pc_sq", "log_gdp_pc_cu"],
feffects=["country", "year"],
clusters=["country"],
)
print(res.interpret()) # plain-language, associational reading
ex.analyze_coefficient_plot(res) # themed coefficient plot with confidence intervals

学びながら進む — 概念サンドボックスと解説。

ex.learn_first_differences() # first differences ≈ demeaning ≈ dummy variables
print(ex.explain("fixed_effects")) # a concept explainer; ex.list_topics() lists all 27

探索、分析、学習で各関数の動作を確認するか、kuznets データセットのページでデータ辞書をご覧ください。

基盤

expdpy は、モダンな Python のデータ・計量経済学スタックの上に成り立っています。

Plotly — インタラクティブな図
pyfixest — 固定効果および差分の差分法の推定量
Great Tables — 出版品質の表
linearmodels — 変量効果／級間／相関変量効果とハウスマン検定
Streamlit — ノーコードの ExPdPy アプリ

謝辞

expdpy は、Joachim Gassen 氏と TRR 266 Accounting for Transparency プロジェクトによる優れた R パッケージ ExPanDaR の Python 移植版として始まり、その基盤は今もその成果に深く着想を得ています。時を経て、expdpy は元のパッケージをはるかに超えて成長しました — fixest スタイルの推定量、イベントスタディ／差分の差分法のツール、変量効果・相関変量効果のパネルモデル、収束分析、結果を解釈・説明する組み込みの学習レイヤー — そして今後も進化を続けます。

ExPanDaR の作者の皆様に感謝します。研究で expdpy を使用する際は、原典を引用してください（CITATION.cff を参照）。

Indonesia514

Wed, 10 Jun 2026 00:00:00 +0000

Indonesia514：インドネシアの514地区における地域開発を研究するためのデータサイエンス・リポジトリ

Indonesia514 へようこそ！本プロジェクトは、インドネシアの514の地区を対象に、GDP、投資、政府支出などの地域経済指標と地理空間データを集約したものです。すべてのデータセットは共通の識別子 districtID を共有しているため、1つの分析用テーブルに統合できます。

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。

地域経済： 地区レベルの成長、資本形成、財政政策を測定する。
空間分析： 経済指標を地区のジオメトリと結び付け、地図作成や空間計量経済学に活用する。
再現可能なワークフロー： 単一の結合キーを用いて、オープンデータセットを直接Pythonに読み込む。

⚙️ 開発中。 本リポジトリは初期段階のドラフトです。地区の境界はGeoJSON形式で完成しており、バイリンガル（英語／インドネシア語）のウェブサイトも公開されていますが、経済データセットは現在16地区分のサンプルデータのみを収録しています。514地区すべての完全な系列は準備中です。インタラクティブなダッシュボードや分析ノートブックは計画段階であり、まだ公開されていません。

💾 データセット

モジュールごとに整理され、すべてが一意の識別子（districtID）で結び付けられた、整備済みのデータセットです。

データセット	ファイルパス	説明	結合キー
GDP	`/gdp/gdp.csv`	地区レベルの国内総生産（2010–2022年）。	`districtID`
GFCF	`/gfcf/gfcf.csv`	総固定資本形成（投資の指標）（2010–2022年）。	`districtID`
政府支出	`/gs/gs.csv`	政府支出および財政政策の分布（2010–2022年）。	`districtID`
空間ベクター	`/maps/mapIdonesia514tp.geojson`	514地区すべての幾何境界（ポリゴン）。	`districtID`

⚠️ 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 districtID です。GDP、GFCF、政府支出のファイルは現在16地区分のサンプルを収録しており、514地区すべての完全なデータを追加中です。結合する前に、両方のデータフレームで districtID 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。

🐍 クイックスタート

データセットをGitHubから直接読み込み、pandas で districtID をキーに結合します。以下のコードは、空の Google Colab スクラッチパッドで実行できます。設定やインストールは不要です。

import pandas as pd
# -----------------------------------------------------------------------------
# 1. SETUP: Define the raw GitHub URL to stream data directly into Pandas.
# -----------------------------------------------------------------------------
REPO_URL = "https://raw.githubusercontent.com/quarcs-lab/indonesia514/main"
# -----------------------------------------------------------------------------
# 2. LOAD: Read the economic CSVs.
# -----------------------------------------------------------------------------
df_gdp = pd.read_csv(f"{REPO_URL}/gdp/gdp.csv")
df_gfcf = pd.read_csv(f"{REPO_URL}/gfcf/gfcf.csv")
df_gs = pd.read_csv(f"{REPO_URL}/gs/gs.csv")
# -----------------------------------------------------------------------------
# 3. MERGE: Combine the indicators on the common district identifier.
# -----------------------------------------------------------------------------
df = pd.merge(df_gdp, df_gfcf[['districtID', 'gfcf_2022']], on='districtID')
df = pd.merge(df, df_gs[['districtID', 'gs_2022']], on='districtID')

📜 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., Abdulah, R., Arvianto, B., & Leiva, F. (2026). Indonesia514: A data science repository to study regional development in Indonesia. GitHub. https://github.com/quarcs-lab/indonesia514

BibTeX形式

@misc{indonesia5142026,
author = {Mendez, Carlos and Abdulah, Rusli and Arvianto, Bimo and Leiva, Favio},
title = {{Indonesia514}: A Data Science Repository to Study Regional Development in Indonesia},
year = {2026},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/quarcs-lab/indonesia514}}
}

ライセンス

本リポジトリは MITライセンス の下で公開されており、適切な帰属表示のもとで幅広い再利用が認められています。

🤝 貢献方法

貢献を歓迎します！全地区データの追加、座標参照系（CRS）の問題の修正、新しいノートブックの作成、新規指標の統合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。

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。

カンボジアのジオ開発観測所（GeoDevelopment Observatory）

Mon, 15 Sep 2025 00:00:00 +0000

このプロジェクトの引用方法：

Mendez C., Khoun T., Poortinga A. (2025) GeoDevelopment Observatory of Cambodia.https://bit.ly/gdo-cambodia

カンボジアのジオ開発観測所（GeoDevelopment Observatory、GDO）は、持続可能な地域開発の分析・モニタリング・評価のための一般公開プラットフォームを提供します。本観測所は、衛星画像、現地調査、行政記録から収集した環境・社会・経済の各指標——ジオ開発指標（GeoDevelopment Indicators）と呼びます——を統合しています。これらの多次元データセットは、ジオ開発ツール（GeoDevelopment Tools）の枠組みのもとで、AIで強化された計算ノートブックと専用のウェブアプリケーションを用いて分析されます。技術的な分析結果は、その後ジオ開発インサイト（GeoDevelopment Insights）へと変換され、さまざまなユーザー層に向けてアクセスしやすい形式でデータを提示します。研究者は実証分析の実施に、意思決定者は政策の立案と実施に、市民は自分の地域の開発パターンを理解するために本プラットフォームを利用します。この体系的なアプローチは、複雑な持続可能性データを、進捗のモニタリング、介入の評価、持続可能な地域開発政策への示唆に役立つ実用的な情報へと変換することを促進します。

スライド：カルロス・メンデス

出典： https://bit.ly/gdo-cambodia

ご意見・ご協力は https://github.com/gdo-cambodia までお願いします。