本文へスキップ
からだにいいもの

まだ知らない、役に立つ情報を。ゲーム攻略・R・ガジェット

Rで解析:変数の動きのパターンから因果の向きと符号を推定する「pc」パッケージ

「pc」パッケージは、2つの変数の動きのパターンを照らし合わせ、一方が他方に与える影響を「正」「負」「暗い(dark)」の3種類の因果の強さとして推定するパッケージです。渡すのは、時点順に並んだ列を持つデータフレームです。空間の横断面データにも使え、その場合はsfの地物やterraのラスタの形に整えておきます。相関だけでは向きが分からない観測データで、影響の向きと符号を確かめるときに役立つのではないかと考えます。

パッケージバージョンは0.3。Windows 11 x64 (build 26200)のR version 4.6.1で確認しています。

パッケージのインストール

下記コマンドを実行してください。

# パッケージのインストール
install.packages("pc")


# パッケージの読み込み
library("pc")
スポンサーリンク

コマンド例

詳細はコメント、パッケージのヘルプを確認してください。

Pattern Causality(PC)= パターン因果性:変数の値そのものではなく、増えた・減ったといった変化のパターンを記号にし、一方の変数のパターンから他方のパターンをどれだけ言い当てられるかで因果の強さを測る方法。同じ向きに動く関係を「正」、逆向きに動く関係を「負」、どちらにも当てはまらない関係を「暗い(dark)」として分けます。

埋め込み次元(E)と遅延(tau):過去の値を何個、何時点おきに並べて1つの状態とみなすかを決める値。dmiコマンドでtauを、fnnコマンドでEを目安づけし、opsコマンドでE・k・tauの組み合わせを探してから、pcコマンドで因果の強さを求めるのが一通りの流れです。

以下では、京都・嵐山の200日分の架空データ(観光客指数と土産物の売上指数)を使います。

# 乱数の種を固定する
set.seed(1001)


# 日数を指定する
n <- 200


# 観光客指数と土産物の売上指数の入れ物を用意する
kanko <- numeric(n)
miyage <- numeric(n)


# 1日目の値を入れる
kanko[1] <- 0.4
miyage[1] <- 0.2


# 前日の観光客指数が売上指数の動きに混ざるように値を作る
for (i in 2:n) {
  kanko[i] <- kanko[i - 1] * (3.8 - 3.8 * kanko[i - 1])
  miyage[i] <- miyage[i - 1] * (3.5 - 3.5 * miyage[i - 1] - 0.1 * kanko[i - 1])
}


# 嵐山の日別データとしてまとめる
arashiyama <- data.frame(kanko = kanko, miyage = miyage)


# 先頭を確認する
head(arashiyama)
      kanko    miyage
1 0.4000000 0.2000000
2 0.9120000 0.5520000
3 0.3049728 0.8151936
4 0.8054647 0.5024243
5 0.5954270 0.8345109
6 0.9153960 0.4336695

遅延相互情報の算出:dmiコマンド

遅延(tau)ごとに、ある時点とtau時点後の値がどれだけ情報を共有しているかを求めます。値が最初に大きく下がるあたりが、tauの目安になります。

オプション意味初期値
data観測データなし
target対象とする変数の列番号(整数)なし
tau遅延の幅1:10
pred予測に使う観測の番号NULL
k評価に使う最近傍点の数3
baseエントロピーの対数の底exp(1)
normalize相互情報量を正規化するかどうかFALSE
threads使うスレッド数length(tau)
…メソッドの振り分けで使われないオプションを受け取るなし
# 売上指数(2列目)の遅延相互情報を遅延1〜6で求める
dmi(arashiyama, target = 2, tau = 1:6)
   tau:1    tau:2    tau:3    tau:4    tau:5    tau:6
2.050467 2.006401 1.614430 1.466813 1.216519 1.230271

偽の近傍点の判定:fnnコマンド

埋め込み次元を1つ上げたときに、近くにあったはずの点が離れてしまう割合(偽の近傍点の割合)を次元ごとに求めます。「E:i」は次元iとi+1の比較です。割合が0近くまで下がった次元が、Eの目安になります。

オプション意味初期値
data観測データなし
target対象とする変数の列番号(整数)なし
E埋め込み次元10
k評価に使う最近傍点の数1
tau遅延の幅1
style埋め込みの方式(0は現在の状態を含める、1は含めない)1
libライブラリ(参照側)に使う観測の番号NULL
pred予測に使う観測の番号NULL
dist.metric距離の測り方c(“euclidean”, “manhattan”, “maximum”)
rt相対距離のしきい値10
eps絶対距離のしきい値NULL
threads使うスレッド数length(E)
higher.parallelより上の階層で並列化するかどうかTRUE
detrend線形の傾向を取り除くかどうかFALSE
…メソッドの振り分けで使われないオプションを受け取るなし
# 売上指数の偽の近傍点の割合を埋め込み次元2〜6で求める
fnn(arashiyama, target = 2, E = 2:6, threads = 1)
[fnn] Input E values exceeding max embeddable dimension were truncated, and values < 2 were clamped to 2.
[fnn] Max embedding dimension E_max is auto-computed, with results returned for dimensions 1 through E_max.
[fnn] Output 'E:i' (where i = 1 to E_max-1) corresponds to the comparison between dimension i and i+1.
       E:1        E:2        E:3        E:4        E:5
0.60309278 0.10824742 0.04639175 0.04123711 0.04639175

最適なパラメータの探索:opsコマンド

Eの候補を総当たりで試し、maximizeで選んだ種類の因果の強さが最も大きくなるE・k・tauの組み合わせを示します。

オプション意味初期値
data観測データなし
source原因側の変数の列番号(整数)なし
target対象とする変数の列番号(整数)なし
E埋め込み次元3:5
k写像に使う最近傍点の数E + 1
tau遅延の幅1
style埋め込みの方式(0は現在の状態を含める、1は含めない)1
libライブラリ(参照側)に使う観測の番号NULL
pred予測に使う観測の番号NULL
maximize最大にする因果の種類。”positive”、”negative”、”dark”のいずれかc(“positive”, “negative”, “dark”)
dist.metric距離の測り方c(“euclidean”, “manhattan”, “maximum”)
zero.toleranceパターン空間で許すゼロの最大数max(k)
relative埋め込みの相対的な変化で計算するかどうかTRUE
weighted因果の強さに重みを付けるかどうかTRUE
threads使うスレッド数length(E)
higher.parallelより上の階層で並列化するかどうかTRUE
detrend線形の傾向を取り除くかどうかFALSE
…メソッドの振り分けで使われないオプションを受け取るなし
# 観光客指数(1列目)と売上指数(2列目)で、正の因果が最も強くなる組み合わせを探す
ops(arashiyama, source = 1, target = 2, E = 3:5, maximize = "positive", threads = 1)
The suggested E, k, tau is 3, 4 and 1

パターン因果性の推定:pcコマンド

正・負・暗いの3種類の因果の強さを求めます。結果はcausality(時点ごとの推定)とsummary(種類ごとの強さ)の2つを持つリストで、printするとsummaryが表示されます。sourceとtargetを入れ替えて実行すると、向きごとの強さを比べられます。libsizesに観測数の列を渡すと、使う観測数を増やしたときに強さが落ち着いていくかを確かめられます。

オプション意味初期値
data観測データなし
source原因側の変数の列番号(整数)なし
target対象とする変数の列番号(整数)なし
libsizes使う観測数NULL
E埋め込み次元3
k写像に使う最近傍点の数E + 1
tau遅延の幅1
style埋め込みの方式(0は現在の状態を含める、1は含めない)1
libライブラリ(参照側)に使う観測の番号NULL
pred予測に使う観測の番号NULL
bootブートストラップの回数99
replace復元抽出にするかどうかFALSE
seed乱数の種42L
dist.metric距離の測り方c(“euclidean”, “manhattan”, “maximum”)
zero.toleranceパターン空間で許すゼロの最大数max(k)
relative埋め込みの相対的な変化で計算するかどうかTRUE
weighted因果の強さに重みを付けるかどうかTRUE
threads使うスレッド数length(libsizes)
higher.parallelより上の階層で並列化するかどうかTRUE
verbose進み具合のバーを表示するかどうかTRUE
detrend線形の傾向を取り除くかどうかFALSE
…メソッドの振り分けで使われないオプションを受け取るなし
# 観光客指数を原因側、売上指数を対象にして因果の強さを求める
kyoto_pc <- pc(arashiyama, source = 1, target = 2, E = 3, k = 4, threads = 1)

# 種類ごとの強さを表示する
print(kyoto_pc)
      type  strength
1 positive 0.3370794
2 negative 0.2783032
3     dark 0.3783114

# 種類ごとの強さをプロットする
plot(kyoto_pc)

# 原因側と対象を入れ替えて求める
kyoto_pc_rev <- pc(arashiyama, source = 2, target = 1, E = 3, k = 4, threads = 1)

# 種類ごとの強さを表示する
print(kyoto_pc_rev)
      type  strength
1 positive 0.9153423
2 negative 0.7801664
3     dark 0.2761554

# 使う観測数を50〜190日に変えて、強さの落ち着き方を確かめる
kyoto_pc_lib <- pc(arashiyama,
  source = 1, target = 2, libsizes = seq(50, 190, 35),
  E = 3, k = 4, threads = 1, verbose = FALSE
)

# 観測数ごとの強さを表示する
print(kyoto_pc_lib)
   libsizes     type      mean        q05       q50       q95
1        50 positive 0.1810654 0.07133862 0.1844535 0.2744387
2        85 positive 0.2393913 0.16664284 0.2377227 0.3062916
3       120 positive 0.2622628 0.20626791 0.2628584 0.3341737
4       155 positive 0.2950013 0.24862942 0.2958240 0.3440264
5       190 positive 0.3292628 0.30662344 0.3287004 0.3517251
6        50 negative 0.2945030 0.19753872 0.2963587 0.3941845
7        85 negative 0.3095024 0.22795985 0.2929931 0.4635660
8       120 negative 0.3020567 0.26758248 0.2968140 0.3383923
9       155 negative 0.2912566 0.26662594 0.2917827 0.3177314
10      190 negative 0.2801896 0.27094606 0.2784862 0.2999428
11       50     dark 0.2476076 0.08185549 0.2725540 0.3629567
12       85     dark 0.3034770 0.15914195 0.3157905 0.3709076
13      120     dark 0.3385964 0.29735733 0.3389850 0.3831646
14      155     dark 0.3597574 0.33749375 0.3592174 0.3842724
15      190     dark 0.3737545 0.36269437 0.3755976 0.3787910

# 観測数ごとの強さをプロットする
plot(kyoto_pc_lib)

種類ごとの強さをプロットする

観測数ごとの強さをプロットする


この記事が誰かの役に立ちますように。

スポンサーリンク
価格および配送状況は変更される場合があります。購入時は商品ページをご確認ください。
当サイトに表示されている商品情報はAmazonから提供されたものであり、更新または削除される場合があります。
karada-goodはAmazonアソシエイトとして、適格販売により収入を得ています。