Theoretical Sociology

太郎丸博のブログです。研究ノートや雑感などを掲載しています。(このページは太郎丸が自主的に運営しています。京都大学の公式ページではありません。)
<< March 2020 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 >>
 
RECOMMEND
後期近代と価値意識の変容: 日本人の意識 1973-2008
後期近代と価値意識の変容: 日本人の意識 1973-2008 (JUGEMレビュー »)

NHKの日本人の意識調査のデータをつっこんで分析した本です。
RECOMMEND
Labor Markets, Gender and Social Stratification in East Asia: A Global Perspective (The Intimate and the Public in Asian and Global Perspectives)
Labor Markets, Gender and Social Stratification in East Asia: A Global Perspective (The Intimate and the Public in Asian and Global Perspectives) (JUGEMレビュー »)

直下の和書の英語版です。審査を通過するためにレフェリーのコメントに従って若干修正してあります。
RECOMMEND
東アジアの労働市場と社会階層 (変容する親密圏/公共圏)
東アジアの労働市場と社会階層 (変容する親密圏/公共圏) (JUGEMレビュー »)

GCOEの成果をまとめた本です。日本を中心に韓国、台湾(中国も少し)との比較研究をしてます。
RECOMMEND
若年非正規雇用の社会学‐階層・ジェンダー・グローバル化 (大阪大学新世紀レクチャー)
若年非正規雇用の社会学‐階層・ジェンダー・グローバル化 (大阪大学新世紀レクチャー) (JUGEMレビュー »)
太郎丸 博
拙著です。非正規雇用に関する本はたくさんありますが、「なぜ正規雇用と非正規雇用では賃金格差があるのか」など当たり前と思われがちな問題を突き詰めて考えてみました。
RECOMMEND
フリーターとニートの社会学
フリーターとニートの社会学 (JUGEMレビュー »)

拙編です。オーソドックスな計量社会学の手法で、若年非正規雇用や無職にアプローチした本です。白い装丁なので、輪郭がわからないですね...
RECOMMEND
人文・社会科学のためのカテゴリカル・データ解析入門
人文・社会科学のためのカテゴリカル・データ解析入門 (JUGEMレビュー »)
太郎丸 博
拙著です。軽く読み流すのは難しいですが、まじめに一歩一歩勉強するために作りました。
ARCHIVES
RECENT COMMENT
  • 阪大を去るにあたって: 社会学の危機と希望
    charlestonblue (10/08)
  • Cohen et. al 2011 「フェミニズムの方法論的インパクト: 社会学のやっかいな問題?」
    abe daijyu (10/05)
  • アマチュア社会学の可能性
    読者 (02/20)
  • 社会システム理論の野望、あるいは全体性へのオブセッション
    宮国 (12/19)
  • 片山他 2015「図書館は格差解消に役立っているのか?」
    オカベ (12/09)
  • ランダム効果の意味、マルチレベル・モデル、全数調査データ分析
    YZ (12/07)
  • 学歴社会から「学習資本」社会へ:日本の教育と社会における階級形成の再編
    赤尾勝己 (02/11)
  • グラフィカル・モデリングとは?
    anonymous (11/30)
  • Rスクリプト覚書き:vglm関数で平行性の仮定を置かずに順序ロジット
    ほっくー (08/05)
  • 台湾の経済: 典型NIESの光と影
    おーまきちまき (07/19)
RECENT TRACKBACK
 
『多重時系列モデル』 (Brandt and Williams 2006)

Patrick T. Brandt and John T. Williams, 2006, Multiple Time Series Models, SAGE.
Vector Auto Regression (VAR) の概説書。回帰分析では、一方が独立変数で他方が従属変数といった具合に因果の向きが明確であればよいのだが、実際にはそうではない場合もけっこうある。時系列データを使った回帰分析の場合も事情は同様なので、双方向の因果も想定した分析が必要な場合も多い。構造方程式モデリング (Structural Equation Modeling: SEM) の応用もなされているようだが、誤差の系列相関など通常の SEM のソフトウェアでは簡単に扱えない問題も多い(M-Plus なら扱えるのかもしれないが)。

VAR はこのような時系列データの双方向の因果関係を扱うためのアプローチである。モデルは単純で、例えば Xt, Yt, Ztという三つの変数の間に因果関係が想定される場合、すべての変数のラグ変数を何時点か前まで遡ってとって、それらを独立変数として回帰分析する。すなわち、



である。何時点前までラグ変数をとるのかは、データへのフィッティングによって決める。ただし、残差 dt, et, ft は互いに相関しているが、系列相関の類はないと仮定して同時推定する。係数は通常の最小二乗法 (Ordinary Least Square: OLS) で推定しても一致推定量が得られるそうである(ただし、自由度や標準誤差は同時推定したほうが正確なのだろう)。要するに互いのラグ変数に回帰させているだけである。そして、モデルからある変数を取り除いた時(ある変数のパラメータをゼロに固定した場合)、フィッティングが低下するならば、その取り除いた変数は従属変数にたいして、効果があると考える。このような考え方をグランジャー因果性 (Granger Causality) という。さらに、ある変数の値の変化が、他の変数の値の将来の値にどの程度の影響をおよぼすかを計算する。これを インパルス応答分析 (Impulse Response Analysis) という。他にもモデルからの予測値と実測値の差の分散を、3つの内生変数の成分として分割して、相対的な影響力を計るというやりかたもある。これは Decomposition of the Forecast Error Variance (予測誤差分散分解?)と呼ばれる。こういった一連の分析を VAR (Vector Auto Regression) と呼ぶようである。

VAR の特徴は、真の因果メカニズムの特定をしようとするのではなく、互いが互いの予測にどの程度役立つかで因果関係を判定しようとする点(Granger Causality をの採用)であると Brandt と Williams は言う。通常の回帰分析ではモデルが真のメカニズムに合致しているかどうかが問題になるが、VAR は最初からそれをあきらめている。予測に役立つからといって因果的な効果があるとは限らないので、Granger Causality にはとうぜん批判があるわけだが、実際にはデータだけから真のメカニズムを特定するのは非常に困難なので、こういう考え方が現実的であるという主張にも説得力はある。

ただ、この本は入門書としてはまったくダメで、初学者が読んでもさっぱりわからないと思う。すでに VAR をある程度知っている人ならば、それなりに学ぶ点はあるのかもしれないが、記述は抽象的で 全 84 ページ中、最初の 58 ページはまったく具体的な数値例など出てこない。59ページから応用例になるのだが、これも教科書に記載する例にしては微妙すぎるものだし、誤植も多い。明らかにこの緑本シリーズの趣旨から逸脱したテキストで、残念。

スポンサーサイト
- | 11:24 | - | -
コメント
コメントする









 
トラックバック
この記事のトラックバックURL
トラックバック機能は終了しました。
 

Copyright (C) 2004 paperboy&co. All Rights Reserved.

Powered by "JUGEM"