データサイエンス概論 課題

Version: 2026.11.18
締め切りは別途連絡

作者

安藤道人(立教大学)

1 課題の概要

この課題は、次の2つからなる。

  • 課題A:共通データ(職業訓練プログラムのデータ)を用いて、データ可視化、回帰分析、マッチング法または傾向スコア法、機械学習による予測を行う。
  • 課題B:自分で好きなデータを入手し、データ整理、グラフ化、回帰分析(あるいはマッチング分析)を行う。

課題Aと課題Bの両方を、一つの Quarto(.qmd)ファイルにまとめ、render した html ファイル1つを提出する。

2 生成AIの利用について

生成AI(ChatGPT、Claude、Gemini、GitHub Copilot など)の利用は禁止しない。ただし、この授業の目的は自分でコードを書き、結果を読み、判断できるようになることにある。そのため、次のような方針とする。

  • 推奨する使い方:エラーメッセージの意味を聞く、関数の使い方を調べる、自分で書いたコードの改善点を聞く。
  • 推奨しない使い方:課題文をそのまま貼り付けてコード全体を生成させ、理解しないまま提出する。
  • 生成AIを使った場合は、レポート末尾の「生成AI利用申告」の節(セクション 5.1)に記載すること。申告した利用については減点しない。
  • 生成AIが書くコードには、エラーなく動いても分析としては誤っているものが含まれることがある。AIの出力をそのまま信じず、自分で確認すること。

3 課題A:職業訓練プログラムのデータ分析

3.1 データ

1970年代のアメリカで行われた職業訓練プログラム NSW(National Supported Work Demonstration)の参加者と、職業訓練を受けていない一般の人々のデータを用いる。職業訓練が、訓練後の所得をどれだけ増やしたかを分析する。経済学では LaLonde (1986) 以来、因果推論の手法を比較するための標準的なデータとして使われてきた。

{causaldata} パッケージに含まれる次の2つのデータを用いる。

  • nsw_mixtape:NSW のデータ。このうち、職業訓練を受けた人(treat = 1、185人)だけを用いる。
  • cps_mixtape:アメリカの人口動態調査(CPS)から抽出された、職業訓練を受けていない一般の人々のデータ(15,992人)。全員 treat = 0。
pacman::p_load(tidyverse, causaldata)

nsw_mixtape   # NSW のデータ
cps_mixtape   # CPS のデータ

主な変数は次のとおり(2つのデータで共通)。

変数 内容
treat 職業訓練を受けたら1
age 年齢
educ 教育年数
black, hisp 黒人なら1、ヒスパニックなら1
marr 既婚なら1
nodegree 高校を卒業していなければ1
re74, re75 1974年、1975年の実質所得(ドル)= 訓練前の所得
re78 1978年の実質所得(ドル)= 訓練後の所得(アウトカム)

3.1.1 分析用データの作成

nsw_mixtape から職業訓練を受けた人(treat = 1)だけを取り出し、cps_mixtape と縦に結合して、分析用のデータを作成する。nsw_mixtape の treat = 0 の人は用いないこと。

作成したら、行数と、職業訓練を受けた人・受けていない人の人数を表示し、想定どおりであることを確認すること(nrow() や count() などを用いる)。また、必要に応じて、1974年・1975年の所得がゼロ(無職)であることを示すダミー変数などを作成して構わない。

3.2 A1. データ可視化

  1. 職業訓練を受けた人(処置群)と受けていない人(対照群)それぞれについて、主な変数の平均値を比較する表を作成する(group_by() と summarise()、あるいは modelsummary::datasummary_balance() など)。
  2. ggplot2 を用いて、少なくとも次の2つの図を作成する。
    • 処置群と対照群の re78(訓練後の所得)の分布の比較(ヒストグラム、箱ひげ図、密度図など)
    • 処置群と対照群の訓練前の特徴(age、educ、re75 など)の分布の比較
  3. 表と図から、処置群と対照群はどのような点で異なるかを説明する。

3.3 A2. 回帰分析

  1. re78 を treat に回帰する(単回帰分析)。
  2. re78 を treat と訓練前の特徴(コントロール変数)に回帰する(重回帰分析)。どのコントロール変数を用いるかは自分で判断し、その理由を書くこと。
  3. 標準誤差にはロバスト標準誤差を用いること(feols(..., vcov = "hetero") や lm_robust() など)。
  4. 単回帰分析と重回帰分析で treat の係数がどのように異なるか、なぜ異なるのかを、A1の結果を用いて説明する。

3.4 A3. マッチング法または傾向スコア法

次のうち少なくとも一つを行う。

  • マッチング(MatchIt。傾向スコアマッチング、共変量マッチングなど)
  • 傾向スコアによる重み付け(WeightIt)

分析の流れ(matchit() や weightit() → バランスの確認 → 効果の推定)は、第5回の「(参考)共変量が複数ある場合:回帰分析・マッチング・傾向スコア」の節が参考になる。

マッチングや重み付けによって処置群と対照群の訓練前の特徴のバランスが改善したかを確認したうえで(cobalt::love.plot() や summary() など)、treat の効果を推定する。A2の結果も含めてすべての推定結果を一つの表にまとめ(modelsummary や etable など)、推定値の違いとその理由、および分析の限界を説明する。

3.5 A4. 機械学習による予測

分析用データを用いて、re78 を予測する。

  1. set.seed() で乱数のシードを固定したうえで、データを学習用データ(70%)とテスト用データ(30%)に分割する。
  2. 学習用データで、少なくとも3つの予測モデルを構築する。少なくとも一つは線形回帰(OLS)とし、残りは授業で扱った手法(リッジ回帰・ラッソ回帰、決定木、ランダムフォレスト、勾配ブースティングなど)から選ぶ。授業で扱っていない手法を用いても構わない。
  3. テスト用データで各モデルの RMSE を計算し、表にまとめる。新しい特徴量を作る(例:年齢の2乗、所得の対数)など、予測精度を改善する工夫を一つ以上試みること。結果的に精度が改善しなくても構わない。
  4. ランダムフォレストなどの変数重要度(あるいはラッソ回帰の係数)を確認し、次の問いに答える。
    • treat は予測にとって重要な変数だったか。
    • 「予測において treat の重要度が低い」ことは、「職業訓練に効果がない」ことを意味するか。A2・A3の結果と比べながら説明すること。

4 課題B:自分で選んだデータの分析

自分で好きなデータを(SSDSE や e-Stat や Japan Dashboard や OECD Data などで)入手し、データ整理、グラフ化、回帰分析(あるいはマッチング分析)を実施する。

課題Bは、コードと結果を並べるだけでなく、レポート調で書くことが望ましい。例えば、「問い(X が Y にどのような影響を与えるか、なぜそれを知りたいのか)」「データ(出所、観測単位、X・Y・Z の定義)」「分析結果(図表とその読み取り)」「考察(結果の解釈と分析の限界)」のような流れで、読み手が分析の目的と結論を追えるようにまとめること。

4.1 データの候補

これら以外のデータを用いても構わないが、必ずデータの出所を明記すること。また、データを用いる際の注意点(セクション 4.3)にも必ず目を通すこと。

4.2 手順

  1. データ(X, Y, Z)の決定
    • X は処置変数(主たる説明変数)、Y は被説明変数、Z はコントロール変数。
    • X と Y はそれぞれ一変数に限定すること。
    • コントロール変数 Z はいくつあっても構わない。ただし、X と Y のどちらか、あるいは X と Y の両方に影響を与えそうな変数を選ぶこと。
  2. データの読み込みと加工
    • 今後、高度なデータ分析スキルを身に着けたいと考えている人は、できるだけ、csv や xlsx で元データを読み込み、R で X, Y, Z に加工すること。
    • ただし、それが難しい場合、あるいはそこまで高度なスキルを身に着ける必要がない人は、エクセルで X, Y, Z に加工してから R に読み込んでも構わない。
  3. X と Y それぞれの記述統計表(基本統計量)を作成し、分布図を描く。
    • 記述統計表については、R の summary() 関数を用いても構わないが、modelsummary や skimr などを用いることが望ましい。
    • 分布図には、ヒストグラムなどの適切なグラフを自分で選択し、できるだけ ggplot2 を用いて作成する。
  4. X と Y の関係についての図を描く。
    • X が連続変数の場合は散布図、離散変数の場合は箱ひげ図など。X も Y も離散変数の場合はクロス表でも構わない。適切なグラフ化について、わからなければ相談すること。
  5. 単回帰分析と重回帰分析
    • Y を X に回帰した単回帰分析と、Y を X と Z に回帰した重回帰分析を行う。
    • 必要に応じて、変数を対数化するなどの処置を行っても構わない。
    • 必要に応じて、X や Z の多項式の項や、X と Z の交差項をモデルに含めても構わない。
    • できるだけ、estimatr(lm_robust())や fixest(feols())を用いて、ロバスト標準誤差を用いた推定を行うこと。
    • modelsummary や texreg などで、全ての結果を表示した1つ(以上)の表を作成すること。
    • X や Y が離散変数の場合でも、機械的に回帰分析を実施して構わない。
    • X が離散変数で、マッチング分析も行いたい場合は、実施して構わない。

4.3 注意点

  • 時系列データ(時間を通じて変化するデータ/X が時間の変数であるデータ)は、回帰分析をする際に独自の考慮が必要なので、使わないこと。
  • 二つの時系列データを X と Y としたデータも、回帰分析をする際に独自の考慮が必要なので、使わないこと。例えば、日本の人口の時系列データを X、GDP の時系列データを Y とするようなデータは使わないこと。
  • 市町村や都道府県や国などの集計クロスセクションデータを使う場合(e-Stat や OECD データの場合はそういうものが多い)、X や Y は、人口で割って一人当たりにしたり、GDP で割って対 GDP 比にしたりする必要があることが多いので、注意すること。その作業をしないと、人口規模などが X と Y の両方を強く規定してしまい、計量分析にあまり意味がなくなってしまうことが多い。

5 提出物

  1. 分析結果レポート(課題Aと課題Bをまとめた html ファイル1つ)
    • 次のレポートのテンプレを用いること。
      • テンプレ(qmd ファイル):クリックすると kadai_template.qmd がダウンロードされる。保存したファイルを RStudio で開き、このファイルに書き込んでレポートを作成する。
      • テンプレを render した html:テンプレをそのまま render するとどのような html になるか(見出しの構成や目次)を確認するためのもの。
      • テンプレには、課題A・課題Bの見出しと、html を1つのファイルとして出力するための設定があらかじめ入っている。author の欄に学籍番号と氏名を書き、各見出しの下にコードと解説を書き込んでいけばよい。見出しは必要に応じて追加して構わない。
    • 全体を Quarto で作成し、render して html として出力すること。
    • コードがすべて html に表示されていること(echo: false でコードを隠さないこと。code-fold: true で折りたたむのは構わない)。
    • スクリプト(コード)には、「10年後の自分がコードを読んでも分かる」ということを一つの目安に、適宜説明を付けること。
    • 記述統計の表や分析結果のグラフ・表を html ファイルに埋め込むこと。
    • 適切な単位でチャンクを分け、チャンクの外に、分析方法と分析結果の簡単な解説を加えること。論文のように詳細な解説や考察を加える必要はないが、全体をレポート調にまとめることが望ましい。もちろん、詳細な解説や考察を加えても構わない。
    • 本文中で推定値などの数値を書くときは、数値を手で打ち込まず、インラインRコードを用いて出力から直接埋め込むことが望ましい。例えば、回帰結果を model という名前で保存した場合、.qmd ファイルの本文に次のように書けば、render したときに推定値が自動的に埋め込まれる。
treat の係数の推定値は `r round(coef(model)["treat"])` ドルである。
  1. 課題Bで読み込んだデータ(csv か xlsx)

5.1 生成AI利用申告

レポートの最後に「生成AI利用申告」という節を設け、次のいずれかを書くこと。

  • 「生成AIは使用していない」
  • 使用した場合:使用したツール名、どの課題のどの作業に使ったか、AIの出力をどのように確認・修正したか(箇条書きで構わない)

6 採点基準

評価 基準
S 一定水準以上の分析を行っており、レポートとしても整理されている。
A ある程度の分析を行っており、レポートとしての体裁も整っている。
B ある程度の分析を行っており、提出物としての体裁が満たされている。
C 最低水準の分析は行っており、最低限の課題要件をクリアしている。
  • 課題Aと課題Bの両方を踏まえて、総合的に評価する。
  • コードの量や手法の数よりも、なぜその手法を選んだか、結果をどう解釈したか、分析の限界は何かという判断の質を重視する。
  • 生成AI利用申告がない場合は減点する。

7 参考文献

  • LaLonde, R. J. (1986). “Evaluating the Econometric Evaluations of Training Programs with Experimental Data.” American Economic Review, 76(4), 604–620.
  • Dehejia, R. H., & Wahba, S. (1999). “Causal Effects in Nonexperimental Studies: Reevaluating the Evaluation of Training Programs.” Journal of the American Statistical Association, 94(448), 1053–1062.
  • Scott Cunningham Causal Inference: The Remix(ウェブ版は無料、英語)
    • “Causal Inference: The Mixtape”(2021年)の第2版。「Unconfoundedness」の章(無交絡性のもとでの回帰分析・最近傍マッチング・傾向スコア・IPW)が課題Aの内容と対応している。Rのコードつき。課題Aで用いるデータ(nsw_mixtape・cps_mixtape)は、初版(ウェブ版)で用いられたもの。