よくあるご質問

1. データはオンラインで処理されますか？Causalasはオンプレミス型のデスクトップアプリケーションです。 そのため、すべてのデータはユーザーのPC内で処理され、外部サーバーに送信されることはありません。 情報漏洩のリスクを最小限に抑えた、安全性の高い運用が可能です。
2. Causalasのライセンス形態は？通常ライセンスとアカデミックライセンスの2種類があり、いずれも買い切り型の永続ライセンスです。 ただし、2年目以降も最新バージョンへのアップデートを希望する場合は、年間保守費用が別途必要となります。 なお、通常ライセンスには期間指定型のライセンスもご用意しております。ご利用目的に応じて柔軟に対応いたします。
3. macでは使えますか？Mac環境ではご利用いただけませんので、Windows環境での運用をお願いいたします。
4. コンサルの価格はいくらでしょうか？お客様の課題やご提供いただくデータの内容に応じて、最適なご提案内容や価格は異なります。 まずは無料相談にて、現状やご要望をお聞かせください。 ご相談の内容をもとに、最適なプランとお見積もりをご案内いたします。
5. どんなデータがCausalasで扱えますか？Causalasは表形式の数値データに対応しております。 また、日時データの読み込みも可能です。 これにより、時系列データを用いた因果探索にもご活用いただけます。
6. カテゴリカルな変数や離散値は扱えますか？順序変数としての取り扱いが可能なリッカート尺度などのアンケートデータについては扱えます。 離散値については三層構造データの因果探索シナリオでのみ対応しております。 条件に合わない離散データを含む因果探索をご希望の場合、まずは無料相談をご活用ください。
7. どれくらいの量のデータがあればいいですか？十分な精度の分析を行うためには、変数の数に対して10倍程度のデータ量があることが望ましいです。 ちなみに、変数の数よりもデータの数が少ない場合、計算できないため、十分なデータ量の確保をおすすめします。
8. 相関があるデータでないと因果探索できませんか？相関がなくても因果探索を試みる価値はあります。
9. なぜLiNGAMを採用しているのですか？LiNGAMを採用している理由は、仮定を満たす場合に数理的に一意の因果モデルを導き出すことが理論的に証明されているためです。 この特性により、因果方向の特定が可能となり、探索的な因果分析において高い信頼性を確保できます。
10. LiNGAMの因果探索はどうやってるの？LiNGAMは、変数間の残差の独立性に着目して因果順序を推定します。 具体的には、ある変数が他の変数に与える影響を線形モデルで表現し、その残差が他の変数と独立であるかどうかを検証することで、因果の方向性を明らかにします。
11. Starter版と製品版の違いは何ですか？ Starter版では、LiNGAMによる基本的な因果探索を無償でお試しいただけます。 製品版では、Starter版に搭載されているICA-LiNGAMに加え、DirectLiNGAM、RCD、BottomUpParceLiNGAM、CAM-UV、VAR-LiNGAMなど複数の因果探索アルゴリズムをご利用いただけます。 因果探索アルゴリズムにはそれぞれ異なる特徴や前提条件があるため、製品版では分析対象やデータの特性に応じてアルゴリズムを使い分けることが可能です。 例えばDirectLiNGAMは、Starter版で利用できるICA-LiNGAMの発展手法の一つです。 製品版では複数のアルゴリズムを利用できるため、1つの分析手法だけに依存せず、多角的に因果構造を確認できます。
12. 複数のアルゴリズムで異なる結果になることはありますか？ はい、あります。 因果探索アルゴリズムにはそれぞれ異なる特徴や前提条件があるため、同じデータでも結果が異なる場合があります。 そのため製品版では複数のアルゴリズムによる分析結果を比較できるようになっています。 複数のアルゴリズムで同様の因果構造が得られた場合は、その因果仮説に対する信頼性が高まると考えられます。 さらに、ブートストラップ評価を組み合わせることで結果の安定性を確認できます。
13. LiNGAMでの分析事例はありますか？異常時のデータを含む製造装置の稼働データから、因果モデルを構築・分析し、異常状態に関与する変数や要因を推定しました。 この因果モデルをもとに、現場での異常発生時の迅速な原因解明にご活用いただき、トラブル対応の精度とスピード向上に貢献しました。
14. どれくらいの精度がでますか？因果探索では、精度を「予測の正確さ」ではなく、因果関係の推定の信頼性として評価します。 これは確率的な評価指標に基づいて判断されるため、機械学習の分類や回帰タスクで用いられる評価指標とは異なります。 また、因果探索の精度は、データの質・量、変数間の関係性、モデルの仮定の妥当性などに大きく依存します。
15. ブートストラップの確率は何％で信用してよいですか？ブートストラップによる確率は、何％以上なら「信頼できる」と一概に判断することはできません。 因果グラフの構造や背景知識、分析の目的などを踏まえ、総合的に判断する必要があります。 参考までに、当社ではまず60％以上の確率を持つ因果関係から因果グラフを確認し、必要に応じて詳細な検証を行っています。
16. 未観測共通原因とはなんですか？未観測共通原因とは、ある2つの変数の間に、観測されていない第三の変数が影響を与えている場合に、その第三の変数を指します。 この未観測の変数が、両方の変数に影響を及ぼしているため、2つの変数の間に因果関係があるように見えてしまうことがあります。 たとえば、XとYに相関があるように見えても、実際にはZという未観測の変数がXとYの両方に影響している場合、Zが未観測共通原因となります。
17. 多重共線性はどう処理すればよいでしょうか？CausalasにはVIF（Variance Inflation Factor：分散膨張係数）の計算機能があり、多重共線性の検出に活用できます。 VIFの値を参考にすることで、共線性の高い変数を特定し、必要に応じて除外することが可能です。 ただし、変数を除外することで、その変数が未観測共通原因となり、因果探索に影響を与える可能性があります。 そのため、変数の除外は慎重に行い、因果グラフや背景知識と照らし合わせながら判断することが重要です。
18. 構造方程式モデリング（SEM）とはどう違うの？SEMは、理論に基づいて因果構造を定義し、観測データを用いてその妥当性を検証する手法です。 理論が不明確な場合や探索的研究においては、因果探索によって得られた因果構造をモデル設計の出発点とすることで、SEMの構造的妥当性や解釈可能性を高めることができます。
19. 重回帰分析とはどう違うの？重回帰分析は、因果関係を前提としない変数間の相関関係を評価するための統計的手法です。 探索的研究においては、因果探索によって得られた因果構造を基盤にすることで、説明変数の選定や重回帰モデルの設計における合理性および解釈可能性を高めることができます。