SlideShare a Scribd company logo
1 of 15
Download to read offline
安井翔太	
 /	
  Shota	
  Yasui	
  
Twitter:	
  @housecat442	
  
	
  
	
  
	
  
<けーれき>	
  

¡ 

日本のド文系経済学部	
  
アメリカで計量経済学1年	
  
ノルウェーで資源・環境経済学修士取得	
  
SNF研究所でデータ分析(環境税作成)	
  

¡ 

ネット広告代理店でデータ分析	
  

¡ 
¡ 
¡ 

§ 

アトリビューション分析	
  

§ 

マス広告評価	
  
動画広告評価	
  
Etc…	
  

§ 
§ 

	
  
!"2)-(,:)"&)2&
&%8/&(,-9/%

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

!"2)-(,:)"&)2&
&%8/&(,-9/%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

!"#$%&'()*%

!"#$%&>/<='=)"

!"#$%&'()*%

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

!"2)-(,:)"&)2&
&%8/&(,-9/%

;/<=>/&
"/?%&="#$%&
,()$"%

!"2)-(,:)"&)2&
&%8/&(,-9/%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

!"2)-(,:)"&)2&
&%8/&(,-9/%

!"#$%&'()*%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

!"2)-(,:)"&)2&
&%8/&(,-9/%

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

0-)1&2)-&
3456/,-'

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

;/<=>/&
"/?%&="#$%&
,()$"%

!"2)-(,:)"&)2&
&%8/&(,-9/%

7$##*6&%)&%8/&(,-9/%

+,-./'%&',*()"&

!"2)-(,:)"&)2&
&%8/&(,-9/%

;/<=>/&
"/?%&="#$%&
,()$"%

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

!"2)-(,:)"&)2&
&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

!"2)-(,:)"&)2&
&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

;/<=>/&
"/?%&="#$%&
,()$"%

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

!"2)-(,:)"&)2&
&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

!"#$%&>/<='=)"

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

!"2)-(,:)"&)2&
&%8/&(,-9/%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

7$##*6&%)&%8/&(,-9/%

!"#$%&'()*%

+,-./'%&',*()"&

0-)1&2)-&
3456/,-'

;/<=>/
"/?%&="#
,()$"
¡  価格を観て投入量を決定	
  
¡  2年餌をあげる	
  
¡  収穫	
  
¡  販売(価格決定)	
  
¡  価格を観て投入量を決定	
  
¡  2年餌をあげる	
  
¡  収穫	
  
¡  販売(価格決定)	
  
¡  養殖業者は価格予想が出来ない	
  
§  よって今日の価格が出荷時期の価格と同じで

あると言う想定の元に生産規模を決定する	
  
¡  価格が低いと生産を減らす	
  
¡  価格が高いと生産を増やす	
  
§  価格を共有するから皆同じ決断!	
  
価格が供給量の増減を受け上下してしまう	
 

この構造を推定して、価格の周期性を説明したい!
¡  考えられる方法は2つ	
  
§  計量時系列分析のアプローチ	
  
▪  仕組みが解ってなくとも取り敢えず分析可能	
  
▪  養殖業のおじさん達は信じてくれない	
  
▪  SVECM→IRFでいける	
  

§  計量経済学のアプローチ	
  
▪  仕組みを良くモデル化出来てないと藻屑	
  
▪  市場をモデル化するので、市場に対する介入政策な
んかを考えるのに使える。	
  
▪  あとおじさん達を説得しやすい。
¡  考えられる方法は2つ	
  
§  計量時系列分析	
  
▪  仕組みが解らなくとも取り敢えず予測可能	
  
▪  養殖業のおじさん達は信じてくれない	
  
§  計量経済学のアプローチ	
  
▪  仕組みを良くモデル化出来てないと藻屑	
  
▪  市場をモデル化するので、市場に対する介入政策な
んかを考えるのに使える。	
  
▪  あとおじさん達を説得しやすい。
データ:ノルウェー地方別パネルデータ	
  
期間:1990~2012年	
 年別データ(annual)	
  
稚魚数決定モデル	
 
!"

=!+!∗

!"!!

+ ! ∗ ! + !! + !!"

去年のサーモン価格で稚魚の数を決める	
 

出荷量決定モデル	
 
!"

=!+!∗

!"!!

+ ℎ! + !!"

二年前の稚魚が成長して今日の出荷量になる
two years before. Basically this equation describes that how many percentage of
salmon is going to be produced when the smolt input is increased by 1%.
Combining these above two equations, it is possible to see the effect of the price of
farmed salmon in year t-3 on the supply quantity in year t.

価格決定モデル	
 
Equation3: Demand equation (price determination) model
log !"#$!!" = !! ∗ log !"##$!!" + !! ∗ log!(!"##$%!!! ) + !! ∗ ! + !! + !!"

価格は供給量と為替レートによって決定される	
 
Demand equation (equation3) has price of farmed salmon as the dependent
variable. Explanatory variable
操作変数(Instrumental	
  Variable)	
   is supply quantity, currency rate and time trend.
	
  
Since 	
  養殖場1ライセンス当たりに発生している過剰生産量を使用。	
 
the price is determined by total supply in the market, the total supply amount
is used in here instead of supply per license. Currency rate is the real rate between
France and Norway. Because France is the biggest importer of Norwegian Farmed
library(plm)	
  
growm	
  <-­‐	
  log(qpl)	
  ~	
  log(lag(ipl,2)) #二年前の稚魚の数から今年の供給量	
  
growthmodel	
  <-­‐	
  plm(growm,	
  data	
  =	
  salmon,	
  model	
  ="random")	
  
summary(inputmodel)	
  
	
  
	
  
inputm	
  <-­‐	
  log(ipl)	
  ~	
  lag(log(price),1)	
  +	
  t #稚魚の数の決定モデル	
  
idmodel	
  <-­‐	
  plm(inputm,	
  data	
  =	
  salmon,	
  model="random")	
  
summary(idmodel)	
  
	
  
	
  
supm	
  <-­‐	
  log(price)	
  ~	
  	
  log(rate)	
  +	
  t	
  +	
  log(qpl)	
  |	
  log(qpl)	
  +	
  log(epl)	
  +	
  log(rate)	
  +	
  t #価格決定モデル
supmodel	
  <-­‐	
  plm(supm,	
  data	
  =	
  salmon,	
  model="random",	
  random.method="amemiya")	
  
summary(supmodel)
log(qpl)	
  ~	
  log(lag(ipl,2))	
  
Coefficients	
  :	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
   	
  
	
  Estimate	
  	
  
	
  Std.	
  Error	
  
	
  t-­‐value	
  	
  Pr(>|t|)	
  	
  	
  	
  	
  
log(lag(ipl,	
  2))	
  
	
  1.105494	
  	
  
	
  	
  0.050923	
  	
  
	
  21.709	
  <	
  2.2e-­‐16	
  ***	
  
	
  
稚魚の量を1%増や
	
  
すと生産も1.1%増	
 
log(ipl)	
  ~	
  lag(log(price),1)	
  +	
  t	
  
Coefficients	
  :	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
	
  Estimate	
  	
  
	
  Std.	
  Error	
  
	
  t-­‐value	
  	
  Pr(>|t|)	
  	
  	
  	
  	
  
lag(log(price),	
  1)	
   	
  0.2806347
	
  	
  	
  0.0786544	
  	
  
	
  3.5679	
  	
  0.000501	
  ***	
  
t	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
	
  0.0471874	
  	
  
	
  0.0028297	
  
	
  16.6757	
  <	
  2.2e-­‐16	
  ***	
  
	
  
価格が1%上昇すると稚
魚の投入数が0.28%増	
 
	
  
log(price)	
  ~	
  	
  log(rate)	
  +	
  t+	
  log(qpl)	
  |	
  log(qpl)	
  +	
  log(epl)	
  +	
  log(rate)	
  +	
  t	
  
Coefficients	
  :	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
	
  
	
  Estimate	
  	
  
	
  Std.	
  Error	
  
	
  t-­‐value	
  Pr(>|t|)	
  	
  	
  
log(rate)	
  	
  
	
  8.269694	
  	
  	
  
	
  3.190592	
  	
  
	
  2.5919	
  	
  0.01055	
  *	
  
t	
  	
  	
  	
  	
  	
  	
  	
  	
  
	
  
	
  	
  0.232151	
  	
  	
  
	
  0.088975	
  	
  
	
  2.6092	
  	
  0.01006	
  *	
  
log(qpl)	
  	
   	
  
	
  -­‐0.716636	
  	
  	
  
	
  0.337749	
   	
  
	
  -­‐2.1218	
  	
  0.03560	
  *	
  
¡  仮定していた構造による周期性あるの?	
  
§  推定結果的にはYes	
  
§  でも、その影響の大きさはちゃんと検証が必要	
  
§  やっぱりVARモデル?
Salmon cycle

More Related Content

Viewers also liked

Trading volume mapping R in recent environment
Trading volume mapping R in recent environment Trading volume mapping R in recent environment
Trading volume mapping R in recent environment Nagi Teramo
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Takashi J OZAKI
 
R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介Yohei Sato
 
10分で分かるr言語入門ver2.15 15 1010
10分で分かるr言語入門ver2.15 15 101010分で分かるr言語入門ver2.15 15 1010
10分で分かるr言語入門ver2.15 15 1010Nobuaki Oshiro
 
前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)Shinya Uryu
 
mxnetで頑張る深層学習
mxnetで頑張る深層学習mxnetで頑張る深層学習
mxnetで頑張る深層学習Takashi Kitano
 
リーンローンチパッド特別講義(公開用)
リーンローンチパッド特別講義(公開用)リーンローンチパッド特別講義(公開用)
リーンローンチパッド特別講義(公開用)Takashi Tsutsumi
 
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)Takuma Hatano
 
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnetNagi Teramo
 
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)sleepy_yoshi
 
SVMについて
SVMについてSVMについて
SVMについてmknh1122
 

Viewers also liked (12)

Trading volume mapping R in recent environment
Trading volume mapping R in recent environment Trading volume mapping R in recent environment
Trading volume mapping R in recent environment
 
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
 
R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介
 
Tokyo r49 beginner
Tokyo r49 beginnerTokyo r49 beginner
Tokyo r49 beginner
 
10分で分かるr言語入門ver2.15 15 1010
10分で分かるr言語入門ver2.15 15 101010分で分かるr言語入門ver2.15 15 1010
10分で分かるr言語入門ver2.15 15 1010
 
前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)前処理のための前処理(Tokyo.R#45)
前処理のための前処理(Tokyo.R#45)
 
mxnetで頑張る深層学習
mxnetで頑張る深層学習mxnetで頑張る深層学習
mxnetで頑張る深層学習
 
リーンローンチパッド特別講義(公開用)
リーンローンチパッド特別講義(公開用)リーンローンチパッド特別講義(公開用)
リーンローンチパッド特別講義(公開用)
 
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
 
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
 
SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)SVM実践ガイド (A Practical Guide to Support Vector Classification)
SVM実践ガイド (A Practical Guide to Support Vector Classification)
 
SVMについて
SVMについてSVMについて
SVMについて
 

Similar to Salmon cycle

文献紹介:SlowFast Networks for Video Recognition
文献紹介:SlowFast Networks for Video Recognition文献紹介:SlowFast Networks for Video Recognition
文献紹介:SlowFast Networks for Video RecognitionToru Tamaki
 
Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法Hiroki Itô
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)Takashi J OZAKI
 
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法kt.mako
 
みどりぼん3章前半
みどりぼん3章前半みどりぼん3章前半
みどりぼん3章前半Akifumi Eguchi
 
はじめてのベイズ推定
はじめてのベイズ推定はじめてのベイズ推定
はじめてのベイズ推定Kenta Matsui
 
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707Hadoopカンファレンス20140707
Hadoopカンファレンス20140707Recruit Technologies
 
統計をとって高速化する
Scala開発
統計をとって高速化する
Scala開発統計をとって高速化する
Scala開発
統計をとって高速化する
Scala開発Mitsuki Ogasahara
 
統計をとって高速化する
Scala開発 by CyberZ,Inc.
統計をとって高速化する
Scala開発 by CyberZ,Inc.統計をとって高速化する
Scala開発 by CyberZ,Inc.
統計をとって高速化する
Scala開発 by CyberZ,Inc.scalaconfjp
 
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装 [DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装 Deep Learning JP
 
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展Deep Learning JP
 
ITエンジニアのための機械学習理論入門 第5章
ITエンジニアのための機械学習理論入門 第5章ITエンジニアのための機械学習理論入門 第5章
ITエンジニアのための機械学習理論入門 第5章Isao Takaesu
 
競技プログラミング練習会2015 Normal 第1回
競技プログラミング練習会2015 Normal 第1回競技プログラミング練習会2015 Normal 第1回
競技プログラミング練習会2015 Normal 第1回Hideaki Nagamine
 
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来Hidekazu Oiwa
 
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略Kei Nakagawa
 
Fftw誰得ガイド
Fftw誰得ガイドFftw誰得ガイド
Fftw誰得ガイドchunjp
 
サーバ異常検知入門
サーバ異常検知入門サーバ異常検知入門
サーバ異常検知入門mangantempy
 
マルチコアを用いた画像処理
マルチコアを用いた画像処理マルチコアを用いた画像処理
マルチコアを用いた画像処理Norishige Fukushima
 

Similar to Salmon cycle (20)

文献紹介:SlowFast Networks for Video Recognition
文献紹介:SlowFast Networks for Video Recognition文献紹介:SlowFast Networks for Video Recognition
文献紹介:SlowFast Networks for Video Recognition
 
Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法Rパッケージ“KFAS”を使った時系列データの解析方法
Rパッケージ“KFAS”を使った時系列データの解析方法
 
Granger因果による 時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による 時系列データの因果推定(因果フェス2015)
 
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法
検索評価ツールキットNTCIREVALを用いた様々な情報アクセス技術の評価方法
 
みどりぼん3章前半
みどりぼん3章前半みどりぼん3章前半
みどりぼん3章前半
 
はじめてのベイズ推定
はじめてのベイズ推定はじめてのベイズ推定
はじめてのベイズ推定
 
Hadoopカンファレンス20140707
Hadoopカンファレンス20140707Hadoopカンファレンス20140707
Hadoopカンファレンス20140707
 
C02
C02C02
C02
 
統計をとって高速化する
Scala開発
統計をとって高速化する
Scala開発統計をとって高速化する
Scala開発
統計をとって高速化する
Scala開発
 
統計をとって高速化する
Scala開発 by CyberZ,Inc.
統計をとって高速化する
Scala開発 by CyberZ,Inc.統計をとって高速化する
Scala開発 by CyberZ,Inc.
統計をとって高速化する
Scala開発 by CyberZ,Inc.
 
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装 [DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装
[DLHacks]PyTorch, PixyzによるGenerative Query Networkの実装
 
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
 
ITエンジニアのための機械学習理論入門 第5章
ITエンジニアのための機械学習理論入門 第5章ITエンジニアのための機械学習理論入門 第5章
ITエンジニアのための機械学習理論入門 第5章
 
競技プログラミング練習会2015 Normal 第1回
競技プログラミング練習会2015 Normal 第1回競技プログラミング練習会2015 Normal 第1回
競技プログラミング練習会2015 Normal 第1回
 
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
 
確率解析計算
確率解析計算確率解析計算
確率解析計算
 
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
 
Fftw誰得ガイド
Fftw誰得ガイドFftw誰得ガイド
Fftw誰得ガイド
 
サーバ異常検知入門
サーバ異常検知入門サーバ異常検知入門
サーバ異常検知入門
 
マルチコアを用いた画像処理
マルチコアを用いた画像処理マルチコアを用いた画像処理
マルチコアを用いた画像処理
 

More from Shota Yasui

L 05 bandit with causality-公開版
L 05 bandit with causality-公開版L 05 bandit with causality-公開版
L 05 bandit with causality-公開版Shota Yasui
 
Contextual package
Contextual packageContextual package
Contextual packageShota Yasui
 
PaperFriday: The selective labels problem
PaperFriday: The selective labels problemPaperFriday: The selective labels problem
PaperFriday: The selective labels problemShota Yasui
 
何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?Shota Yasui
 
木と電話と選挙(causalTree)
木と電話と選挙(causalTree)木と電話と選挙(causalTree)
木と電話と選挙(causalTree)Shota Yasui
 
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)Shota Yasui
 
Factorization machines with r
Factorization machines with rFactorization machines with r
Factorization machines with rShota Yasui
 
Estimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learningEstimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learningShota Yasui
 
Xgboost for share
Xgboost for shareXgboost for share
Xgboost for shareShota Yasui
 
重回帰分析で頑張る
重回帰分析で頑張る重回帰分析で頑張る
重回帰分析で頑張るShota Yasui
 
Dynamic panel in tokyo r
Dynamic panel in tokyo rDynamic panel in tokyo r
Dynamic panel in tokyo rShota Yasui
 
Rで部屋探し For slide share
Rで部屋探し For slide shareRで部屋探し For slide share
Rで部屋探し For slide shareShota Yasui
 

More from Shota Yasui (14)

L 05 bandit with causality-公開版
L 05 bandit with causality-公開版L 05 bandit with causality-公開版
L 05 bandit with causality-公開版
 
Contextual package
Contextual packageContextual package
Contextual package
 
PaperFriday: The selective labels problem
PaperFriday: The selective labels problemPaperFriday: The selective labels problem
PaperFriday: The selective labels problem
 
TokyoR 20180421
TokyoR 20180421TokyoR 20180421
TokyoR 20180421
 
何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?何故あなたの機械学習はビジネスを改善出来ないのか?
何故あなたの機械学習はビジネスを改善出来ないのか?
 
木と電話と選挙(causalTree)
木と電話と選挙(causalTree)木と電話と選挙(causalTree)
木と電話と選挙(causalTree)
 
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
 
Factorization machines with r
Factorization machines with rFactorization machines with r
Factorization machines with r
 
Estimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learningEstimating the effect of advertising with Machine learning
Estimating the effect of advertising with Machine learning
 
Prml nn
Prml nnPrml nn
Prml nn
 
Xgboost for share
Xgboost for shareXgboost for share
Xgboost for share
 
重回帰分析で頑張る
重回帰分析で頑張る重回帰分析で頑張る
重回帰分析で頑張る
 
Dynamic panel in tokyo r
Dynamic panel in tokyo rDynamic panel in tokyo r
Dynamic panel in tokyo r
 
Rで部屋探し For slide share
Rで部屋探し For slide shareRで部屋探し For slide share
Rで部屋探し For slide share
 

Salmon cycle