ขนาดวิดีโอ: 1280 X 720853 X 480640 X 360
แสดงแผงควบคุมโปรแกรมเล่น
เล่นอัตโนมัติ
เล่นใหม่
勉強になる。素晴らしい。予備校の講義みたいですね。
ご視聴コメントありがとうございます！🎉ヨビノリさんとはコンセプトが似てるところもありまして、そうおっしゃっていただけるととても嬉しいです😊🎉
13:20あたりで出てくる(B)のzは交絡因子で、(C)は内生性という認識でいいんですかね？どなたか～～
ご視聴コメントありがとうございます！この例を出したときは、(B) の z は観測可能な交絡因子で、(C) は観測不可能な交絡因子を想定しておりました。内生性とはまた別のことを考えて作ったつもりですが、そちらの解釈・パターンもあるかもしれません🤔
@@AIcia_Solid 回答ありがとうございます！なるほど、あくまで観測可能か不可能かということですね。もう少し勉強してきます。いつも有益な動画ありがとうございます～！
そう言っていただけると嬉しいです。ぜひご活用ください！🎉
時系列分析の本を読んでいてこの動画にたどり着きました。この動画でもやもやしていたところが晴れました。ありがとうございます。
ご視聴コメントありがとうございます！😍🎉🎉そう言っていただけると動画を生成したかいがありました！！！😍他に困ってる人がいたら、ぜひ勧めてみてください🎉
すごい勉強になりました！
それは良かったです！ぜひご活用いただけると嬉しいです！(^o^)/
ADF検定のtrendモデル、driftモデル、noneモデルのどれを採用したら良いのでしょうか。例えば、trendモデルとnoneモデルのトレンド項、定数項のあり、なしと出た場合、どのように考えればよいのでしょうか。ご教示お願い致します。
ご視聴コメントありがとうございます！🎉🎉🎉あまり詳しくないので誤ったことを言うかもしれませんが、モデル選択の話かと思いますので、分野で標準的に利用されている手法を適用する、ドメイン知識を駆使してあるべきと思われるモデルを選択する、AIC などを用いて、最も当てはまるものを選択する、などがあるかと思います。また、研究でなく、ビジネスでの意思決定であれば、まずい誤りがどちらか？を元に決めても良いかもしれません。単位根があるものをないと判定する誤りの方を避けたいなら、全てで検定してみても良いと思いますし、その逆なら、どれか一つありそうなモデルを選択して、それのみでやるのが良いかと思います。これといった解放はないので、問題に向き合いながら、なんとか決めていくのが良いのではないかと思います！
@@AIcia_Solid ありがとうございます。AICという視点はすっかり抜けていたのでとても有難いです。また、全てで検定してみる、というのも仰る通りだと思いました。問題に向き合いながら一歩ずつ前に進みます。
ぜひぜひ！応援しております！🎉また何かあれば何でもご質問をどうぞ！🎉
mmtからきました
ようこそ！(^o^)ぜひ楽しんでいってください！🎉
> Jajasuke さん最後の質問に対するお返事です。（見えていないかもしれないので、、、）実際の分析では、そういうことをします！ X と Y のペアを正しくつくっていれば問題ないかと思います。
とても分かり易かったです！今大学の卒業研究の一部分でグレンジャー因果検定をつかうんですが、時系列データが単位根過程、２つのデータ間が共和分過程の時はVARモデルへの食わせ方が少し違うということをネットで知ったのですが、どのような手順でやれば良いのでしょうか？単位根検定、共和分検定を行った後のグレンジャー検定への流れを教えていただきたいですよろしくお願いいたします
なるほど！詳しい状況によって使うべき統計は変わると思いますが、 Vector Error Correcvion Model (VECM) なんかは参考になるかもしれません。詳しい話は概要欄の参考文献にあります！
わかりやすかった！！！
でしょ！！！😍🎉🎉ぜひ使ってみてください！🎉
ここのところ、アリシアさんの動画を連続で聞き流していますｗ因果推論シリーズって、リリースされてるんですかね？
因果推論はまだです！🙇♀️🙇♀️🙇♀️来年からは強化学習 & 機械学習技法の予定なので、因果推論は1-2年後になるかもしれません🙇♀️🙇♀️🙇♀️🙇♀️🙇♀️
面白かったです。グレンジャーさん、はじめまして。
因果のあたりをつけられるのでおすすめです！(^o^)
ひえー😱データって多ければ多いほどどんな時もいいのかと思ってたけど、そうではないという事がわかって恐ろしやー直感も理論もやっぱり大事なんだなー今回もたくさん勉強になりました、ありがとうございました！
ご視聴ありがとうございます😍正しいモデルを使っていれば、データはあればあるほどよいのですが、現実にそういうことは不可能なので、常にバランスが求められます😋
まってた( ´∀｀)
お待たせしました～！次週は Impulse Response Function の予定でーす！😎
![เปิดคำทำนาย นอสตราดามุส - บาบา วานก้า ปี 2025 คนทั่วโลกต้องเจออะไรบ้าง? | แฉ 11 ธ.ค. 67 [2/3] |GMM25](http://i.ytimg.com/vi/xmTIKWJUMPM/mqdefault.jpg)
勉強になる。
素晴らしい。
予備校の講義みたいですね。
ご視聴コメントありがとうございます！🎉
ヨビノリさんとはコンセプトが似てるところもありまして、そうおっしゃっていただけるととても嬉しいです😊🎉
13:20あたりで出てくる(B)のzは交絡因子で、(C)は内生性という認識でいいんですかね？
どなたか～～
ご視聴コメントありがとうございます！
この例を出したときは、(B) の z は観測可能な交絡因子で、(C) は観測不可能な交絡因子を想定しておりました。
内生性とはまた別のことを考えて作ったつもりですが、そちらの解釈・パターンもあるかもしれません🤔
@@AIcia_Solid
回答ありがとうございます！
なるほど、あくまで観測可能か不可能かということですね。もう少し勉強してきます。
いつも有益な動画ありがとうございます～！
そう言っていただけると嬉しいです。
ぜひご活用ください！🎉
時系列分析の本を読んでいてこの動画にたどり着きました。この動画でもやもやしていたところが晴れました。ありがとうございます。
ご視聴コメントありがとうございます！😍🎉🎉
そう言っていただけると動画を生成したかいがありました！！！😍
他に困ってる人がいたら、ぜひ勧めてみてください🎉
すごい勉強になりました！
それは良かったです！
ぜひご活用いただけると嬉しいです！(^o^)/
ADF検定のtrendモデル、driftモデル、noneモデルのどれを採用したら良いのでしょうか。例えば、trendモデルとnoneモデルのトレンド項、定数項のあり、なしと出た場合、どのように考えればよいのでしょうか。ご教示お願い致します。
ご視聴コメントありがとうございます！🎉🎉🎉
あまり詳しくないので誤ったことを言うかもしれませんが、モデル選択の話かと思いますので、
分野で標準的に利用されている手法を適用する、
ドメイン知識を駆使してあるべきと思われるモデルを選択する、
AIC などを用いて、最も当てはまるものを選択する、
などがあるかと思います。
また、研究でなく、ビジネスでの意思決定であれば、まずい誤りがどちらか？を元に決めても良いかもしれません。
単位根があるものをないと判定する誤りの方を避けたいなら、全てで検定してみても良いと思いますし、
その逆なら、どれか一つありそうなモデルを選択して、それのみでやるのが良いかと思います。
これといった解放はないので、問題に向き合いながら、なんとか決めていくのが良いのではないかと思います！
@@AIcia_Solid ありがとうございます。AICという視点はすっかり抜けていたのでとても有難いです。また、全てで検定してみる、というのも仰る通りだと思いました。問題に向き合いながら一歩ずつ前に進みます。
ぜひぜひ！
応援しております！🎉
また何かあれば何でもご質問をどうぞ！🎉
mmtからきました
ようこそ！(^o^)
ぜひ楽しんでいってください！🎉
> Jajasuke さん
最後の質問に対するお返事です。（見えていないかもしれないので、、、）
実際の分析では、そういうことをします！ X と Y のペアを正しくつくっていれば問題ないかと思います。
とても分かり易かったです！
今大学の卒業研究の一部分でグレンジャー因果検定をつかうんですが、時系列データが単位根過程、２つのデータ間が共和分過程の時はVARモデルへの食わせ方が少し違うということをネットで知ったのですが、どのような手順でやれば良いのでしょうか？
単位根検定、共和分検定を行った後のグレンジャー検定への流れを教えていただきたいです
よろしくお願いいたします
なるほど！
詳しい状況によって使うべき統計は変わると思いますが、 Vector Error Correcvion Model (VECM) なんかは参考になるかもしれません。
詳しい話は概要欄の参考文献にあります！
わかりやすかった！！！
でしょ！！！😍🎉🎉
ぜひ使ってみてください！🎉
ここのところ、アリシアさんの動画を連続で聞き流していますｗ
因果推論シリーズって、リリースされてるんですかね？
因果推論はまだです！🙇♀️🙇♀️🙇♀️
来年からは強化学習 & 機械学習技法の予定なので、因果推論は1-2年後になるかもしれません🙇♀️🙇♀️🙇♀️🙇♀️🙇♀️
面白かったです。グレンジャーさん、はじめまして。
因果のあたりをつけられるのでおすすめです！(^o^)
ひえー😱
データって多ければ多いほどどんな時もいいのかと思ってたけど、そうではないという事がわかって恐ろしやー
直感も理論もやっぱり大事なんだなー
今回もたくさん勉強になりました、ありがとうございました！
ご視聴ありがとうございます😍
正しいモデルを使っていれば、データはあればあるほどよいのですが、
現実にそういうことは不可能なので、常にバランスが求められます😋
まってた( ´∀｀)
お待たせしました～！
次週は Impulse Response Function の予定でーす！😎