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。
<おすすめのRに関する書籍です>
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")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
<おすすめのRに関する書籍です>
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
<おすすめのRに関する書籍です>
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。