具体描述
大数据＋人的判断力＝发掘真相！
本书为资料分析入门书，聚焦于「广告对业绩有影响吗？」、「实施某政策真能带来良好影响吗？」这类因果关系分析。序章使用各种实例，解说釐清因果关系为什么是生意或政策的成功关键。第2章起不使用数学表达式，仅运用具体事例及视觉化的描写，介绍随机对照试验、RD设计、纵横资料分析等，可探究因果关系、最先进的资料分析手法。不使用数学表达式，仅透过简明易懂的方式，解说随机对照试验（RCT）、RD设计（不连续回归设计）、堆集分析、纵横资料分析等最先进有效的手法！
【本书介绍的主要具体事例】
．前美国总统欧巴马于2012年总统大选时，因正确釐清竞选广告策略的因果关系，募得多达72亿日圆的选举资金。
．Google显示的蓝字，用的是透过因果分析实验，从「41种蓝色」中选出的最佳蓝色。
．标示含税价后，超市业绩减少8％？
．Uber如何运用资料分析，调整最合适的费用？
．无偿提供笔记型电脑，孩童的成绩就会变好吗？
．「节电请求」真能促进节电吗？
．医疗费用的自负额降低，会使看病人数暴增吗？
．汽车的油耗规定，真能提升燃油效率吗？
．提高所得税会使人们不想工作吗？会使人们移居到税金较低的国家吗？
．广发补助金的景气刺激政策，真的有效果吗？
本书特色
●日本AMAZON畅销书，读者4.5颗星好评
●以图表为主、数式为辅，透过简明易懂的方式，解说随机对照试验（RCT）、RD设计（不连续回归设计）、堆集分析、纵横资料分析等最先进有效的手法！
●芝加哥大学哈里斯公共政策研究学院副教授伊藤公一朗亲自撰写，为想了解、分析大数据之人必备专业书籍
●本书荣获日本第39回三得利学艺奖暨第60回日经・经济图书文化奖
著者信息
作者简介
伊藤公一朗（Koichiro Ito）
芝加哥大学哈里斯公共政策研究学院副教授。一九八二年出生于宫城县。京都大学经济学院毕业，加州大学柏克莱分校博士课程修毕（Ph.D.）。曾任史丹佛大学经济政策研究院研究员、波士顿大学商学院副教授，二○一五年起从事现职。专攻环境能源经济学、产业组织理论、应用计量经济学。目前在芝加哥大学进行环境政策、能源政策的实证研究，同时也向研究生讲授资料分析的理论与应用。授课内容与研究论文刊登于个人网站上（www.koichiroito.com）。
伊藤公一朗（Koichiro Ito）
芝加哥大学哈里斯公共政策研究学院副教授。一九八二年出生于宫城县。京都大学经济学院毕业，加州大学柏克莱分校博士课程修毕（Ph.D.）。曾任史丹佛大学经济政策研究院研究员、波士顿大学商学院副教授，二○一五年起从事现职。专攻环境能源经济学、产业组织理论、应用计量经济学。目前在芝加哥大学进行环境政策、能源政策的实证研究，同时也向研究生讲授资料分析的理论与应用。授课内容与研究论文刊登于个人网站上（www.koichiroito.com）。
图书目录
前言
第1章 从资料导出因果关系为什么并不容易？
例1：广告使冰淇淋的业绩增加了？
例2：调涨电价能促进节电吗？
例3：出国留学比较容易找到工作？
难以证明因果关系的原因1：有可能是其他因素造成影响
难以证明因果关系的原因2：有可能为反向因果关系
因果关系不同于相关关系
社会上充斥着启人疑窦的资料分析结果
为什么误判因果关系会出问题？
让小孩开着灯睡觉就会近视？
只要蒐集资料，就能排除所有的其他因素吗？
即使增加资料观察数也无法解决偏误问题
第2章 在现实世界「实际进行实验」――随机对照试验（RCT）
因果关系可用「介入效果」定义
难以导出因果关系是因为「如果」的资料并不存在
解决办法就是介入组与比较组之概念
分组方式的坏例子：应要求予以介入（自行选择）
最好的解决办法就是「随机对照试验（RCT）」
为什么随机分组是关键？
RCT的具体事例1：北九州市的电价实地实验
若採随机分组，两者的各项因素实际上是相等的
实验结果：调涨电价真能促进节电吗？
RCT的优点之一就是分析与结果具透明性
RCT的具体事例2：前美国总统欧巴马竞选活动的行销策略
RCT的铁则1：妥善建立群组
RCT的铁则2：一定要随机分组
RCT的铁则3：各组的样本数必须充足
欧巴马阵营的实验结果如何？
RCT的具体事例3：电力不足能靠道德解决吗？价格政策有效吗？
短期来看，道德政策与价格政策皆有效果
效果的持续性如何？
实际上该如何进行「随机分组」？
RCT的优点与弱点
第3章 善加利用「界线」的RD设计
如果无法使用RCT该怎么办？介绍「自然实验」手法
RD设计入门：以日本的医疗支出问题为例
着眼于医疗费用自负额变动之「界线」的分析手法
为什么患者人数在70岁之「界线」上不连续地增加？
自负额从3成减少为1成后，门诊患者人数增加10％左右
RD设计需要的假设
从医疗费用自负额的分析来看，RD设计的假设有可能成立吗？
运用RD设计时分析者该做的事：检验其他因素是否在界线上发生不连续的跳跃
什么情况会使RD设计的假设不成立？
RD设计是在界线附近制造近似RCT的状况
RD设计有什么弱点？
RD设计有什么优点？
只因隔着1条界线，南北电价就大不相同？利用地理界线的RD设计
在「地理界线上」RD设计的假设成立吗？
运用RD设计时，检验能否主张「针对某对象的因果关系」十分重要
第4章 善加利用「阶梯状变化」的堆集分析
汽车越大台，油耗规定越宽松？
着眼于诱因呈阶梯状变化的日本油耗政策
只要绘制直方图就能釐清企业行为
堆集分析与RD设计的差异
堆集分析的基本概念
堆集分析的假设
堆集分析的结果：油耗规定导致重量平均增加了110kg
堆集分析的优点和弱点是什么？
堆集分析的事例：所得税的税率会影响工作方式吗？
第5章 运用「数个期间的资料」的纵横资料分析
要不要移居到所得税较低的国家？所得税与移民行动的因果关系分析
运用丹麦个人纳税资料的研究
纵横资料分析的概念
纵横资料分析需要的「平行趋势假设」
关于平行趋势假设，资料分析者可提供的2种资讯
何种情况会推翻平行趋势假设？
纵横资料分析的优点和弱点
纵横资料分析的事例：撒钱实施景气刺激政策只会增加抢购需求吗？
第6章 实践篇：如何将资料分析应用在经商或政策制定上？
硅谷平常都会运用RCT进行商业策略分析
美国联邦政府内部推动的「循证政策制定」
评议会的使命
若要将资料分析应用在商业策略或政策制定上，关键是什么？
成功关键1：与资料分析专家建立合作关系
成功关键2：开放资料
企业与资料分析者的伙伴关系事例1：加州大学、史丹佛大学与大型超市的合作
企业与资料分析者的伙伴关系事例2：加州大学与电力公司的合作
企业与资料分析者的伙伴关系事例3：芝加哥大学与Uber的合作
政府与资料分析者的伙伴关系事例1：芝加哥大学与芝加哥市的合作
政府与资料分析者的伙伴关系事例2：由经济产业省资源能源厅主导的社会系统实证实验
第7章 进阶篇：了解资料分析的不完全性与极限
1 假如资料本身有问题，分析手法再出色也难以解决问题
2 分析结果的「外在效度」问题
3 「出版偏误」与「伙伴关系偏误」问题
4 介入存在「外溢效果」时的注意要点
5 存在一般均衡效果时的注意要点
第8章 给想进一步学习的人：参考书籍介绍
聚焦于计量经济学实践层面的日文入门书
读完入门书后的中阶书（经济学院大学生程度）与高阶书（研究所程度）
后记
引用文献
数学附录
第1章 从资料导出因果关系为什么并不容易？
例1：广告使冰淇淋的业绩增加了？
例2：调涨电价能促进节电吗？
例3：出国留学比较容易找到工作？
难以证明因果关系的原因1：有可能是其他因素造成影响
难以证明因果关系的原因2：有可能为反向因果关系
因果关系不同于相关关系
社会上充斥着启人疑窦的资料分析结果
为什么误判因果关系会出问题？
让小孩开着灯睡觉就会近视？
只要蒐集资料，就能排除所有的其他因素吗？
即使增加资料观察数也无法解决偏误问题
第2章 在现实世界「实际进行实验」――随机对照试验（RCT）
因果关系可用「介入效果」定义
难以导出因果关系是因为「如果」的资料并不存在
解决办法就是介入组与比较组之概念
分组方式的坏例子：应要求予以介入（自行选择）
最好的解决办法就是「随机对照试验（RCT）」
为什么随机分组是关键？
RCT的具体事例1：北九州市的电价实地实验
若採随机分组，两者的各项因素实际上是相等的
实验结果：调涨电价真能促进节电吗？
RCT的优点之一就是分析与结果具透明性
RCT的具体事例2：前美国总统欧巴马竞选活动的行销策略
RCT的铁则1：妥善建立群组
RCT的铁则2：一定要随机分组
RCT的铁则3：各组的样本数必须充足
欧巴马阵营的实验结果如何？
RCT的具体事例3：电力不足能靠道德解决吗？价格政策有效吗？
短期来看，道德政策与价格政策皆有效果
效果的持续性如何？
实际上该如何进行「随机分组」？
RCT的优点与弱点
第3章 善加利用「界线」的RD设计
如果无法使用RCT该怎么办？介绍「自然实验」手法
RD设计入门：以日本的医疗支出问题为例
着眼于医疗费用自负额变动之「界线」的分析手法
为什么患者人数在70岁之「界线」上不连续地增加？
自负额从3成减少为1成后，门诊患者人数增加10％左右
RD设计需要的假设
从医疗费用自负额的分析来看，RD设计的假设有可能成立吗？
运用RD设计时分析者该做的事：检验其他因素是否在界线上发生不连续的跳跃
什么情况会使RD设计的假设不成立？
RD设计是在界线附近制造近似RCT的状况
RD设计有什么弱点？
RD设计有什么优点？
只因隔着1条界线，南北电价就大不相同？利用地理界线的RD设计
在「地理界线上」RD设计的假设成立吗？
运用RD设计时，检验能否主张「针对某对象的因果关系」十分重要
第4章 善加利用「阶梯状变化」的堆集分析
汽车越大台，油耗规定越宽松？
着眼于诱因呈阶梯状变化的日本油耗政策
只要绘制直方图就能釐清企业行为
堆集分析与RD设计的差异
堆集分析的基本概念
堆集分析的假设
堆集分析的结果：油耗规定导致重量平均增加了110kg
堆集分析的优点和弱点是什么？
堆集分析的事例：所得税的税率会影响工作方式吗？
第5章 运用「数个期间的资料」的纵横资料分析
要不要移居到所得税较低的国家？所得税与移民行动的因果关系分析
运用丹麦个人纳税资料的研究
纵横资料分析的概念
纵横资料分析需要的「平行趋势假设」
关于平行趋势假设，资料分析者可提供的2种资讯
何种情况会推翻平行趋势假设？
纵横资料分析的优点和弱点
纵横资料分析的事例：撒钱实施景气刺激政策只会增加抢购需求吗？
第6章 实践篇：如何将资料分析应用在经商或政策制定上？
硅谷平常都会运用RCT进行商业策略分析
美国联邦政府内部推动的「循证政策制定」
评议会的使命
若要将资料分析应用在商业策略或政策制定上，关键是什么？
成功关键1：与资料分析专家建立合作关系
成功关键2：开放资料
企业与资料分析者的伙伴关系事例1：加州大学、史丹佛大学与大型超市的合作
企业与资料分析者的伙伴关系事例2：加州大学与电力公司的合作
企业与资料分析者的伙伴关系事例3：芝加哥大学与Uber的合作
政府与资料分析者的伙伴关系事例1：芝加哥大学与芝加哥市的合作
政府与资料分析者的伙伴关系事例2：由经济产业省资源能源厅主导的社会系统实证实验
第7章 进阶篇：了解资料分析的不完全性与极限
1 假如资料本身有问题，分析手法再出色也难以解决问题
2 分析结果的「外在效度」问题
3 「出版偏误」与「伙伴关系偏误」问题
4 介入存在「外溢效果」时的注意要点
5 存在一般均衡效果时的注意要点
第8章 给想进一步学习的人：参考书籍介绍
聚焦于计量经济学实践层面的日文入门书
读完入门书后的中阶书（经济学院大学生程度）与高阶书（研究所程度）
后记
引用文献
数学附录
图书序言
第1章 从资料导出因果关系为什么并不容易？
从资料导出因果关系为什么那么困难呢？
本章将使用3个具体例子说明这一点。
第1个例子，是以在企业任职者的观点来看行销策略。第2个例子，是以在公家机关任职者的观点来看政策制定。第3个具体例子，则是从在教育机构任职者的观点来思考。
例1：广告使冰淇淋的业绩增加了？
假设你在贩售冰淇淋的企业任职，隶属行销部。目前公司正在研究，在网站上打广告能否提升今年夏季的业绩。上司想知道打广告能增加多少业绩，于是请你分析资料。
看了过去的资料后，你得知以下资讯：
你的公司曾在2010年，针对某项冰淇淋商品推出网路广告。跟没打广告的2009年相比，2010年的业绩增加40％。图表1-1为资料走势。从这张图来看，业绩似乎因广告的影响而增加。于是，你向上司报告：
「如这张图所示，分析之后可知，受到广告的影响，2010年的业绩比2009年多了40％。」
现在请想一想，为什么你的结论有可能是错的？原因可能是什么呢？
这里的问题是，能否从你的资料分析结果导出：
「推出广告↓业绩因广告的影响而增加40％」
也就是广告与业绩的因果关系（英文称为Causal Relationship或Causality）。
那么，假如2010年的夏季比2009年的夏季还热呢？
实际上，2009年日本的夏季较为凉爽，2010年的夏季则十分炎热。如果业绩在这种情况下增加了4成，就有可能不是受到广告的影响，单纯是因为气温变高，促使消费者想吃冰吧？
除此之外还有其他可能的原因。
举例来说，自从2008年爆发全球金融危机以后，日本就面临消费低迷的情况，但从2010年起消费便逐渐回温。如果业绩在这种情况下增加了4成，就有可能不是广告的成效，单纯是因为整体经济好转，消费者终于愿意打开荷包吧？
从资料来看，广告量在2010年变多，与此同时冰淇淋的业绩也增加了。我们究竟能不能根据这项分析结果，主张「广告带动了冰淇淋的业绩」之因果关系呢？
例2：调涨电价能促进节电吗？
第2个例子，我们来看实施政策的政策负责人所抱持的课题。
假设你是经济产业省的职员，正在研拟明年夏季的节电对策。本次的专案目的，是向上司报告调涨电价能带来多少节电效果。于是，你蒐集过去的电价与用电量资料。
从资料导出因果关系为什么那么困难呢？
本章将使用3个具体例子说明这一点。
第1个例子，是以在企业任职者的观点来看行销策略。第2个例子，是以在公家机关任职者的观点来看政策制定。第3个具体例子，则是从在教育机构任职者的观点来思考。
例1：广告使冰淇淋的业绩增加了？
假设你在贩售冰淇淋的企业任职，隶属行销部。目前公司正在研究，在网站上打广告能否提升今年夏季的业绩。上司想知道打广告能增加多少业绩，于是请你分析资料。
看了过去的资料后，你得知以下资讯：
你的公司曾在2010年，针对某项冰淇淋商品推出网路广告。跟没打广告的2009年相比，2010年的业绩增加40％。图表1-1为资料走势。从这张图来看，业绩似乎因广告的影响而增加。于是，你向上司报告：
「如这张图所示，分析之后可知，受到广告的影响，2010年的业绩比2009年多了40％。」
现在请想一想，为什么你的结论有可能是错的？原因可能是什么呢？
这里的问题是，能否从你的资料分析结果导出：
「推出广告↓业绩因广告的影响而增加40％」
也就是广告与业绩的因果关系（英文称为Causal Relationship或Causality）。
那么，假如2010年的夏季比2009年的夏季还热呢？
实际上，2009年日本的夏季较为凉爽，2010年的夏季则十分炎热。如果业绩在这种情况下增加了4成，就有可能不是受到广告的影响，单纯是因为气温变高，促使消费者想吃冰吧？
除此之外还有其他可能的原因。
举例来说，自从2008年爆发全球金融危机以后，日本就面临消费低迷的情况，但从2010年起消费便逐渐回温。如果业绩在这种情况下增加了4成，就有可能不是广告的成效，单纯是因为整体经济好转，消费者终于愿意打开荷包吧？
从资料来看，广告量在2010年变多，与此同时冰淇淋的业绩也增加了。我们究竟能不能根据这项分析结果，主张「广告带动了冰淇淋的业绩」之因果关系呢？
例2：调涨电价能促进节电吗？
第2个例子，我们来看实施政策的政策负责人所抱持的课题。
假设你是经济产业省的职员，正在研拟明年夏季的节电对策。本次的专案目的，是向上司报告调涨电价能带来多少节电效果。于是，你蒐集过去的电价与用电量资料。
图书试读
None
用户评价
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 ttbooks.qciss.net All Rights Reserved. 小特书站 版权所有