🙄

Qiita記事（**「Python × 公開経済データで学ぶ マクロ経済学 入門（3）」**）

に公開
Python
ChatGPT
マクロ経済学
idea

いいですね — 記事を読み込んだ上で「中身を丁寧に噛み砕いて」解説します。下は要点→コードの動き→得られた結果の読み方→統計的注意点と改良案、という順で整理しました。参照元はすべて該当Qiita記事です。(Qiita)

1) 記事の目的と構成（サマリ）

この記事（「Python × 公開経済データで学ぶ マクロ経済学 入門（3）」）は、World Bank の公開データを wbdata で取得して（GDP と構成要素）、日本を例に 時系列的な「予測因果」＝グレンジャー因果性 を調べるワークフローを示しています。特に1975–2024年データを取得し、日本を 1975–2000（前期） と 2001–2024（後期） に分けて、主要6指標（GDP, Consumption, Investment, Gov_Spending, Exports, Imports） の全変数ペアに対してグレンジャー検定の p 値行列を返す実装を載せ、それを解釈しています。(Qiita)

2) 実際のコード（ポイント解説）

データ取得周り

  • wbdata.get_dataframe(...) により World Bank 指標を年次（freq="Y"）で取得する関数 get_gdp_and_related_data()（記事内では get_japan_economic_data() 等の類似実装）を用意しています。インジケーター（例：NY.GDP.MKTP.CD = GDP）と出力整形（Year 列作成）まで含めた一連の処理です。記事のコードを参照してください。(Qiita)

国名／国コードの辞書化

  • wbdata.get_countries() で取得したメタデータから「Aggregates（集計地域）」を除き、iso2Code ↔ name のマッピングを作って、国コード／国名の変換ヘルパーを用意しています（複数国で拡張しやすい設計）。(Qiita)

グレンジャー検定の実装

  • statsmodels.tsa.stattools.grangercausalitytests() を用い、全ての (caused, causing) ペアについて maxlag=2（記事例）で検定を回しています。戻り値から ssr_ftest の p 値（test_result[max_lag][0]["ssr_ftest"][1]）を取り出し、結果を pivot して「行：被説明変数、列：説明変数」の p 値マトリクスにしています。検定の仕様や内部的に返るテスト群については statsmodels のドキュメント参照が便利です。(Qiita)

出力

  • p < 0.05 を「グレンジャー因果が統計的に有意」とする判断基準を採用（記事中でも明記）。結果は pandas DataFrame（行列）として出して可視化やネットワーク化に使える形にしています。(Qiita)

3) 記事で得られた結果（要点の読み取り）

記事に掲載された p 値行列の要点（抜粋）は次の通りです。元の数値は記事の表を参照してください。(Qiita)

前期（1975–2000） の特徴

  • Exports → Consumption（p ≈ 0.0038）、逆向き Consumption → Exports（p ≈ 0.0030）など 双方向の有意関係 が複数見られる。
  • Gov_Spending → Exports や Gov_Spending → Imports のように 政府支出が外需や輸入を牽引 するような有意性も観察される。
  • 全体として 外需（輸出・輸入）が消費や GDP と密に結びつくネットワーク（複雑な相互作用）がみられます。(Qiita)

後期（2001–2024） の特徴

  • Investment → Consumption（p ≈ 0.020）、Investment → GDP（p ≈ 0.006）や GDP → Investment（p ≈ 0.0067）など 「投資—GDP—消費」の関係が相対的に目立つ。
  • 一方で Exports → Consumption 等、かつて有意だった外需関連の因果が 消えている（p が大きい） 場合が多い（例：Exports → Consumption の p ≈ 0.82）。
  • 要するに「前期は外需を含む複雑な相互依存ネットワーク、後期は投資が中心になった単純化された構造に見える」という解釈が記事の結論です。(Qiita)

4) 統計的・計量的な注意点（重要）

この記事は良い出発点ですが、グレンジャー因果の解釈と検定には注意点が多く、結果をそのまま構造的因果（政策因果）と読むのは危険です。主要な注意点と対応策を列挙します。

  1. Granger因果は「予測的因果（predictive causality）」であり因果（構造的因果）とは別物。
    → 「X が Y をグレンジャー因果する」とは「X の過去値が Y を予測する情報を持つ」こと。因果のメカニズム証明ではありません（記事もその点は暗に示唆）。(Statology)

  2. 非定常性（unit root）と単位根検定の欠如

    • マクロ年次系列（GDP 等）はトレンドや単位根を持ちやすく、非定常なデータでそのままグレンジャー検定を行うと偽陽性／偽陰性を招きます。まず ADF（Augmented Dickey–Fuller）などで単位根検定 を行い、非定常なら差分や対数差分、あるいは VECM などで扱うべきです。statsmodels の adfuller 参照。(statsmodels.org)

  3. 共積分（cointegration）

    • 系列が非定常かつ共に単位根を持ちつつ線形結合が定常である（cointegrated）場合は 単純な Granger 検定より VECM（誤差修正モデル） を用いるのが妥当です（statsmodels.tsa.stattools.coint / VECM）。(statsmodels.org)

  4. ラグ長の選択（maxlag の固定は危険）

    • 記事は max_lag=2 を使っていますが、ラグ選択は AIC/BIC 等でデータごとに決めるべきです。VAR の select_order() を使って最適ラグを確認すると良いです。(statsmodels.org)

  5. サンプルサイズの問題（有効サンプルが小さい）

    • 前期：1975–2000 は 26 観測、後期：2001–2024 は 24 観測（年次データ）。ラグを入れるとさらに有効 n が減るため、検定のパワーや p 値の安定性に注意が必要です（小サンプルゆえの不確実性）。(Qiita)

  6. 多重検定（multiple testing）

    • 全ペア（6×5 = 30 件弱）を同時に検定するため 偽陽性 が増えます。Benjamini–Hochberg（FDR）や Bonferroni 等で補正することを強く推奨します（statsmodels.stats.multitest.multipletests に実装あり）。(statsmodels.org)

  7. 構造変化（structural breaks）

    • 2000 年前後は日本経済にとって（失われた十年→政策変化→グローバル化など）構造変化しやすい時期です。分割自体は良いアイデアですが、分割点を事前仮定するか検証（構造変化検定）するかは検討すべきです。(Qiita)

5) 実務的な改良案（すぐ使えるチェックリストとコード方針）

以下は記事のワークフローに「統計的により堅牢な前処理」を付けるための具体案（要約＋コードスニペット案）。

ワークフロー（推奨）

  1. 生データ取得（記事と同じ） → 2. ログ変換（必要なら） → 3. 単位根検定（ADF）→ 4-a 非定常なら差分（Δ） or 4-b 共積分なら VECM → 5. VARでラグ選択（AIC/BIC）→ 6. Granger検定（選ばれたラグ）→ 7. p 値補正（FDR 等）→ 8. 可視化（ヒートマップ・ネットワーク）→ 9. 感度分析（別ラグ／別期間／ブートストラップ）

主なコードヒント（擬似コード）

from statsmodels.tsa.stattools import adfuller, grangercausalitytests, coint
from statsmodels.tsa.api import VAR
from statsmodels.stats.multitest import multipletests
import numpy as np, pandas as pd

# 1) 単位根検定関数
def check_stationarity(series, alpha=0.05):
    stat, p, *_ = adfuller(series.dropna(), autolag='AIC')
    return p < alpha, p  # True=stationary

# 2) ラグ選択（VAR）
model = VAR(df)  # df: 各列が系列
sel = model.select_order(maxlags=6)
best_lag = sel.aic  # あるいは bic

# 3) 全ペアでGranger（選ばれたlagを使う）
# ... (grangercausalitytests を使う)

# 4) p値補正（FDR）
pvals = np.array(all_pvals)  # flatten
rej, p_adjusted = multipletests(pvals, alpha=0.05, method='fdr_bh')[:2]

（adfuller, VAR.select_order, multipletests の各関数は statsmodels ドキュメント参照）(statsmodels.org)

6) 可視化・発展アイデア（分析の深掘り）

  • ヒートマップ：p 値行列（または -log10(p)）をヒートマップにして前期／後期で比較。
  • ネットワーク図：有意リンクのみをエッジにしたグラフ（NetworkX）で、中心性（degree / eigenvector）を測ると「中心変数」が視覚的にわかる。
  • VAR / インパルス応答（IRF）：有意なペアが見つかったら VAR を推定してショックの動学的効果（impulse response）を見る。statsmodels の VAR/IRF 機能が使えます。(statsmodels.org)

7) 記事の結論に対する私見（簡潔）

  • 記事の結論（前期は外需中心で複雑、後期は投資中心に単純化）はデータから読み取れる示唆として説得力がありますが、上に挙げた検定前処理（単位根・共積分の確認、ラグ選択、多重検定補正）を入れてロバストネスを確認するとより説得力が増します。記事自体は「良い実務的テンプレ」として非常に有用で、次のステップ（VAR/VECM、ネットワーク可視化、他国比較）に自然につながります。(Qiita)

必要なら、この記事のコードをベースにして以下のうち どれを優先的に実装するか を選んでください（すぐにコードを書いて差分を提示します）：

  1. ADF による単位根検定＆自動差分化（非定常なら差分を取る）を追加するパイプライン。
  2. VAR の select_order() でラグを自動決定してから Granger を回す改良（各国・各期間ごと）。
  3. 多重検定補正（FDR）を入れて有意リンクだけを出力する仕組み。
  4. 結果のネットワーク可視化（NetworkX＋matplotlib）を追加。
  5. 他国（US, CN, DE など）への一括実行＆比較レポート出力。

やるならどれを先にやりますか？（「全部やって」と言っていただければ、優先度つけて順にサンプル実装を示します。）

Discussion