応用計量分析Ⅱ （応用計量分析２）

科目授業名称（和文）　Name of the subject/class (in Japanese)

応用計量分析Ⅱ （応用計量分析２）

科目授業名称（英文）　Name of the subject/class (in English)

Applied Econometric AnalysisⅡ

授業コード　Class code

9987F10

科目番号　Course number

87ECAPE303

教員名

谷本　啓

Instructor

Tanimoto Akira

開講年度学期

2026年度後期

Year

2026年度

Semester

②Second semester

曜日時限

月曜3限

Class hours

The third period, Monday

開講学科・専攻　Department

経営学部　ビジネスエコノミクス学科

Department of Business Economics, School of Management

単位数　Course credit

2.00単位

授業の方法　Teaching method

講義

Lecture

外国語のみの科目（使用言語）　Course in only foreign languages (languages)

-

授業の主な実施形態　Main class format

① [対面]対面授業/ [On-site] On-site class

概要　Description

因果推論を中心とした機械学習を用いた意思決定手法を学ぶ。

目的　Objectives

機械学習を用いた意思決定のためのモデリング手法を身につける。これを通じて、ビジネスエコノミクス学科のディプロマポリシーで求められる「データ解析」の専門性を養う。

到達目標　Outcomes

１．因果と相関の違いを理解し、データ分析がどのように意思決定につながるかを説明できる
２．前提に応じた適切な分析方法の選択や、前提となる仮定の説明ができる
３．因果推論に加えて強化学習（バンディット）を含めたデータに基づく意思決定手法の有効な場面の違いについて説明できる

卒業認定・学位授与の方針との関係（学部科目のみ）

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/

履修上の注意　Course notes prerequisites

本講義は機械学習を応用した実践的なデータ解析を行うものではなく、それぞれの手法の数理的な基礎を理解することを目指すため、数式を多用する。特に、線形代数、微分積分、統計学を履修していることを前提とする。

プログラミングの課題は主に Python を用いて行う。一般的なプログラミング言語の基礎知識は仮定する。特に以下のキーワードに関する知識が最低限必要である: for文、if文、while文、オブジェクト指向、クラス、オブジェクト

また、1回の授業あたり、4時間程度の自習を通じて復習や課題への取り組みを想定する。

アクティブ・ラーニング科目　Teaching type（Active Learning）

小テストの実施　Quiz type test／実習　Practical learning

-

準備学習・復習　Preparation and review

各回でわからなかったことを調べたり質問したりして2時間程度の予習・復習を行うこと。

成績評価方法　Performance grading policy

小テストやレポートの結果を考慮しつつ、主に到達度評価で評価する。小テストおよびレポートは全体の30%程度の配点とする。

学修成果の評価　Evaluation of academic achievement

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

教科書　Textbooks/Readings

教科書の使用有無（有=Y , 無=N）　Textbook used(Y for yes, N for no)

N

書誌情報　Bibliographic information

-

MyKiTSのURL（教科書販売サイト）　URL for MyKiTS(textbook sales site)

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
https://gomykits.kinokuniya.co.jp/tokyorika/

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
https://gomykits.kinokuniya.co.jp/tokyorika/

参考書・その他資料　Reference and other materials

以下を参考文献とするが、購入は必須としない。
・ギルボア『不確実性下の意思決定理論』
・モーガン＆ウィンシップ『反事実と因果推論』
・森村『強化学習』
・本多＆中村『バンディット問題の理論とアルゴリズム』

授業計画　Class plan

1. ガイダンス・因果推論と機械学習の概論
2. 意思決定理論（期待効用理論）の復習、因果推論との関係
3. 潜在結果モデルに基づく因果推論の枠組み
4. 平均因果効果の推定法
5. 条件付き平均因果効果の推定法１：メタ学習器、二重機械学習
6. 条件付き平均因果効果の推定法２：決定木と決定森、深層学習にもとづく方法
7. 構造方程式モデルとバックドア基準
8. 因果探索
9. 発展的な因果推論手法１：フロントドア調整、操作変数法
10. 発展的な因果推論手法２：回帰不連続デザイン、代理変数法
11. 発展的な意思決定理論
12. 強化学習
13. オフライン強化学習
14. バンディット
15. 到達度評価

すべての履修学⽣に対して、半数以上の授業回を対⾯で受講することを求める。

担当教員の実務経験とそれを活かした教育内容　Work experience of the instructor

担当教員は企業研究員・データサイエンティストとして機械学習の研究およびビジネス化に携わっている。実務上の問題を例示するなど、実務との関連性を強調する予定。

教育用ソフトウェア　Educational software

-

Python

備考　Remarks

※授業計画は進捗に合わせて多少変更の可能性あり。

授業でのBYOD PCの利用有無　Whether or not students may use BYOD PCs in class

N

授業での仮想PCの利用有無　Whether or not students may use a virtual PC in class

N

シラバス情報