第3回

相関係数は統計学で最も基本的な概念の一つです。この概念は、1888年、チャールズ・ダーウィンの従兄弟であったフランシス・ゴルトンによって発見され、その弟子であるカール・ピアソンによって数学的に定式化されました。カール・ピアソンは、因果関係とは人間の経験に基づく曖昧な概念であり、我々は物事の因果関係について考える代わりに数学的に厳密に定義される相関関係を問うべきだと考えていました。現代統計学の創設者であるカール・ピアソンがこのような考えをもっていたために、今日に至るまで統計学において因果関係が議論されることは稀です。
しかし、因果関係を数学的に定式化しようとする試みが全く行われていない訳ではありませんでした。1980年代後半、人工知能の研究者であるジュディア・パールは、ロボットが自律的に行動するためにはロボットに物事の因果関係を学習させる必要があることに気づき、従来の確率論に「介入=観測値の変換」という概念を導入することによって因果関係を数学的に定式化することに成功しました。iPhoneの音声アシスタント「Siri」、Googleの「セマンティック検索」やクイズ解答マシンの「ワトソン」など、最近実用化されたAIは全てこの理論に基づいて開発されています。この新しい理論を使うことによって、我々は因果関係を分析することが出来るようになったのです。
今回の講座では、このジュディア・パールが創始した統計的因果推論について紹介します。 当日は、スライドを使ってお話をするので、特に何の用意も必要ありません。肩の力を抜いてお越し下さい。では、宜しくお願いします。

ーーーー前回の講座ーーーーーーーーーーー

第2回 相関係数から階層ベイズモデルへ(1)

前回の講座では、前年比や寄与度分解、後方移動平均といった時系列データの加工法を紹介しました。
講座に参加していただいた方には、未加工の時系列データにシンプルな操作を加えることで、そのデータの変化の特徴がみえてくることを確認していただきました。
しかし、実際にデータを使って何らかの仮説を検証しようとすると、上に挙げた道具だけではうまくいきません。データを使って仮説を検証するとき必要となるのは、
原因と結果という2つの種類のデータを対応づける統計学のツールです。そこで今回の講座から数回かけて、統計モデルの考え方を紹介していきます。

まず今回の講座では、2つのデータの「近さ」を測る最も基本的な量である相関係数について説明し、そこから徐々に統計モデルの主要な部品である確率分布や
統計モデルをデータにあてはめてパラメーターの推定値を得る方法である、最尤推定の考え方を紹介して行きます。
ここで紹介する考え方を一つずつ身につけていくことで、自分で統計モデルを構成し、観測によって得られたデータを最もよく説明するモデルを選択できるようになります。
— 今回の講座から、受講者の方にはレポート作成、またはドリル形式の宿題のどちらか、あるいは両方を選択していただき、次回の講座までに持ってきてもらうことにします。
面白いレポートや問題の解き方があれば、講座の途中で他の皆さんの前で発表していただきたいと思っています(もちろん、第3の選択肢として「何もしない」もありです。
お気軽に。笑)。

当日、皆様とお会いできることを楽しみにしております。