July 02, 2009
トヨタ、独ダイムラーとの提携模索
らしいです。元々クライスラーと合併したのは、トヨタに買われないようにという目的があったことは有名ですが、ダイムラーはクライスラーと別れたので、早速大豊田様からお声がかかりました。
Newsweek: トヨタ、独ダイムラーとの提携模索
元記事はこちら(Toyota erwägt Kooperation mit Daimler)
いくら現行Sクラスがちょっと”あれ”だとはいえ、レクサスLSと共同開発をしたいって、いくらなんでもそれはないんじゃあなかろうかと…。
ベンツを買おう！最新モデルから認定中古車までメルセデス・ベンツのすべてがわかる！
ベンツを買おう！最新モデルから認定中古車までメルセデス・ベンツのすべてがわかる！
Newsweek: トヨタ、独ダイムラーとの提携模索
元記事はこちら(Toyota erwägt Kooperation mit Daimler)
いくら現行Sクラスがちょっと”あれ”だとはいえ、レクサスLSと共同開発をしたいって、いくらなんでもそれはないんじゃあなかろうかと…。
ベンツを買おう！最新モデルから認定中古車までメルセデス・ベンツのすべてがわかる！
ベンツを買おう！最新モデルから認定中古車までメルセデス・ベンツのすべてがわかる！
July 01, 2009
危ういマイクロファイナンス・バブル
ニューズウィークでおもしろい記事を読みました。
危ういマイクロファイナンス・バブル
元記事への言及がなかったので、検索してみるとありました。
The Impact of Microcredit on the Poor in Bangladesh: Revisiting the Evidence - Working Paper 174
ニューズウィークでは、バブルなんていうタイトルがつけられていますが、論文中ではマイクロファイナンスはバブルだとは書かれていないよと、本人はブログで言っています。
David Roodman’s Microfinance Open Book Blog
親切なことにデータセットもstataのdoファイルもおいてあるので、読みやすそう。
危ういマイクロファイナンス・バブル
元記事への言及がなかったので、検索してみるとありました。
The Impact of Microcredit on the Poor in Bangladesh: Revisiting the Evidence - Working Paper 174
ニューズウィークでは、バブルなんていうタイトルがつけられていますが、論文中ではマイクロファイナンスはバブルだとは書かれていないよと、本人はブログで言っています。
David Roodman’s Microfinance Open Book Blog
親切なことにデータセットもstataのdoファイルもおいてあるので、読みやすそう。
June 05, 2009
世襲議員は大臣になりやすい−国会議員白書の分析より−
超久しぶりに書くのにつまらないネタですみません。
学校の宿題をしてて、自分でデータを見つけてきて、ロジットモデルもしくはプロビットモデルの推定をすることになりました。んで、ちょうどそのときニュースで世襲議員のことが出ていたので、ネタ的におもしろいかなと分析しました。結論から言うと、年齢や当選回数といった要素は、統計的に有意にならず、世襲かどうかのみが統計的に有意となりました。限界効果は
年齢が-7.64で世襲は0.13、当選回数(5回以上当選しているかどうか)は2.69でした。
使ったデータは国会議員白書。
現職の衆議院議員対象です。
まとめ
分析の枠組み
N サンプルが{y1, y2, ..., yN} をとる実現確率（密度）：
Pr{y1, y2, ..., yN|xi} = P(y1|xi)P(y2|xi) · · · P(yN|xi).
としたとき、
yi = xiβ +ui
のyi について、上式から得られる尤度が最大になるパラメータβ を求める。
上式の確率密度が、平均0、分散1 の標準正規分布に従うとして、
P(yi = 1|xi) = F(xiβ) = Φ(xiβ) =
P(yi = 0|xi) = 1 − F(xiβ) = 1 − Φ(xiβ)
と仮定する。
yiの確率は、その議員が国務大臣、もしくは政党の要職に就いたことがあれば、1。なければ、0。
xiには、({age}:年齢, {age2}:年齢の二乗, {sesyu}:世襲かどうか[世襲なら1], {tousen2}:当選回数が多いかどうか[5回以上なら1], {age*tousen2}:年齢×当選回数が多いかどうか, {age2*tousen2}:年齢の二乗×当選回数が多いかどうか)がはいります。
衆議院議員定数480なのに、サンプルサイズが492となっているのは、郵政選挙以降の国会議員で、途中でやめたり、補選で当選した人が入っているからです。
また、年齢は当選回数と相関を持つので、交互作用があります。
計算方法
このとき、尤度関数は
次に、対数尤度を取ります。
これを最大化(一回の条件より最大尤度を求める)して、推定値を求めます。
また得られた推定値xiβの限界効果は以下の通り。
今回は平均で限界効果を求めています。(ダミー変数は平均で評価するのは良くないかも。この部分はもうちょっと勉強してあとで書き換える可能性があります。)
検定方法
モデル自体の有意性を確かめるために尤度比検定量を行う。
検定すべき制約を
とおく。
制約付モデルを推定したパラメータを
制約なしモデルを最尤法で推定した推定量を
とおく。
尤度を制約付推定量（）と制約なし推定量（）で評価したときの尤度比は、
とかける。
このときLRは自由度qのカイ二乗分布に従う。
帰無仮説：LR=0
対立仮説：LR=1
有意水準は95%とした。
また係数の有意性を確かめるためにz検定を用いる。
z=(標本の平均)−(母集団の平均) / (標準誤差)
標準誤差＝(母集団の標準偏差) / √(サンプルサイズ)
帰無仮説：xiβ=0
対立仮説：xiβ≠0
得られたzスコアをZ数表から有意水準95%で検定を行った。
考察
世襲議員の何がいけないのか？
何がいけないんでしょう。
1. 親の七光りで甘い汁を吸うのが許せない？
→でも与えられた環境を最大限活かして、自分の能力を発揮するのは悪いことではないでしょう。
2. 国会議員が世襲ばかりになると、国民の代表であるはずの国会議員が固定化する。
→これはある程度当たっていると思います。とはいえ、この問題は国会議員だけに限った話だけではなく、民間企業でも官僚でも同様の問題はあるうえ、職業選択の自由を考えると、法的に制限するのは憲法違反ですね。
3. 当選回数が国会議員の出世に直結する今の自民党の人事システムでは、若くして当選して、当選回数を重ねられる世襲議員は出世にかなり有利である。
→今回の分析では、限界効果は低いものの世襲議員であると大臣もしくは党要職に就くのに有利であると分析されました。一方で年齢の限界効果の符号がマイナスになっています。
年齢は収入や職業、役職に大きなプラスの影響を与えるものと通常は思われます。つまり人は年を取るにつれて、出世をしていくものですが、国会議員に関してはマイナスになっています。一方で当選回数と世襲に関してはプラスになっています。
ということは、政治以外で成功した人が政治の世界で、大臣になって辣腕をふるうことは難しいと言えます。若手の抜擢はありますが、たいてい世襲政治家です。なぜなら、若くても当選回数が多いからです。
制約
いわゆるランダムサンプリングした標本からの推定ではないため、母集団の平均も分散も真の値がわかっています。従って検定結果は信頼できるでしょう。
一方で定式化の誤りについては、その可能性があります。説明変数が年齢、世襲化、当選回数とその交互作用項のみですので、他の要因がある可能性があります。
なお、国会議員白書には、委員会への出席率や議員立法など、国会議員の仕事を成果としてとらえる指標もありますが、データとして2期分しか整備されていないこと、また、これらの指標は大臣になると政府側からの出席や立法行為となるため、現職の大臣や議員立法に関しては与党であれば、当然ほぼ0になるため、説明変数としては不的確です。また大臣になった回数が多い人ほど、その間の数字が減るので、プラスとマイナスの効果が同時に出てくるため、採用するのは難しそうです。
あと、官僚出身や松下政経塾出身などの変数も検討してみましたが、投入するとモデルの当てはまりが悪くなる上に係数も統計的に有意となりませんでした。その意味で、国会議員になるためには有利な条件というのと、国会議員になって大臣になる条件はまたかなり別なのでしょう。
学校の宿題をしてて、自分でデータを見つけてきて、ロジットモデルもしくはプロビットモデルの推定をすることになりました。んで、ちょうどそのときニュースで世襲議員のことが出ていたので、ネタ的におもしろいかなと分析しました。結論から言うと、年齢や当選回数といった要素は、統計的に有意にならず、世襲かどうかのみが統計的に有意となりました。限界効果は
年齢が-7.64で世襲は0.13、当選回数(5回以上当選しているかどうか)は2.69でした。
使ったデータは国会議員白書。
現職の衆議院議員対象です。
まとめ
分析の枠組み
N サンプルが{y1, y2, ..., yN} をとる実現確率（密度）：
Pr{y1, y2, ..., yN|xi} = P(y1|xi)P(y2|xi) · · · P(yN|xi).
としたとき、
yi = xiβ +ui
のyi について、上式から得られる尤度が最大になるパラメータβ を求める。
上式の確率密度が、平均0、分散1 の標準正規分布に従うとして、
P(yi = 1|xi) = F(xiβ) = Φ(xiβ) =
P(yi = 0|xi) = 1 − F(xiβ) = 1 − Φ(xiβ)
と仮定する。
yiの確率は、その議員が国務大臣、もしくは政党の要職に就いたことがあれば、1。なければ、0。
xiには、({age}:年齢, {age2}:年齢の二乗, {sesyu}:世襲かどうか[世襲なら1], {tousen2}:当選回数が多いかどうか[5回以上なら1], {age*tousen2}:年齢×当選回数が多いかどうか, {age2*tousen2}:年齢の二乗×当選回数が多いかどうか)がはいります。
衆議院議員定数480なのに、サンプルサイズが492となっているのは、郵政選挙以降の国会議員で、途中でやめたり、補選で当選した人が入っているからです。
また、年齢は当選回数と相関を持つので、交互作用があります。
計算方法
このとき、尤度関数は
次に、対数尤度を取ります。
これを最大化(一回の条件より最大尤度を求める)して、推定値を求めます。
また得られた推定値xiβの限界効果は以下の通り。
今回は平均で限界効果を求めています。(ダミー変数は平均で評価するのは良くないかも。この部分はもうちょっと勉強してあとで書き換える可能性があります。)
検定方法
モデル自体の有意性を確かめるために尤度比検定量を行う。
検定すべき制約を
とおく。制約付モデルを推定したパラメータを
制約なしモデルを最尤法で推定した推定量をとおく。尤度を制約付推定量（
）と制約なし推定量（）で評価したときの尤度比は、とかける。このときLRは自由度qのカイ二乗分布に従う。
帰無仮説：LR=0
対立仮説：LR=1
有意水準は95%とした。
また係数の有意性を確かめるためにz検定を用いる。
z=(標本の平均)−(母集団の平均) / (標準誤差)
標準誤差＝(母集団の標準偏差) / √(サンプルサイズ)
帰無仮説：xiβ=0
対立仮説：xiβ≠0
得られたzスコアをZ数表から有意水準95%で検定を行った。
考察
世襲議員の何がいけないのか？
何がいけないんでしょう。
1. 親の七光りで甘い汁を吸うのが許せない？
→でも与えられた環境を最大限活かして、自分の能力を発揮するのは悪いことではないでしょう。
2. 国会議員が世襲ばかりになると、国民の代表であるはずの国会議員が固定化する。
→これはある程度当たっていると思います。とはいえ、この問題は国会議員だけに限った話だけではなく、民間企業でも官僚でも同様の問題はあるうえ、職業選択の自由を考えると、法的に制限するのは憲法違反ですね。
3. 当選回数が国会議員の出世に直結する今の自民党の人事システムでは、若くして当選して、当選回数を重ねられる世襲議員は出世にかなり有利である。
→今回の分析では、限界効果は低いものの世襲議員であると大臣もしくは党要職に就くのに有利であると分析されました。一方で年齢の限界効果の符号がマイナスになっています。
年齢は収入や職業、役職に大きなプラスの影響を与えるものと通常は思われます。つまり人は年を取るにつれて、出世をしていくものですが、国会議員に関してはマイナスになっています。一方で当選回数と世襲に関してはプラスになっています。
ということは、政治以外で成功した人が政治の世界で、大臣になって辣腕をふるうことは難しいと言えます。若手の抜擢はありますが、たいてい世襲政治家です。なぜなら、若くても当選回数が多いからです。
制約
いわゆるランダムサンプリングした標本からの推定ではないため、母集団の平均も分散も真の値がわかっています。従って検定結果は信頼できるでしょう。
一方で定式化の誤りについては、その可能性があります。説明変数が年齢、世襲化、当選回数とその交互作用項のみですので、他の要因がある可能性があります。
なお、国会議員白書には、委員会への出席率や議員立法など、国会議員の仕事を成果としてとらえる指標もありますが、データとして2期分しか整備されていないこと、また、これらの指標は大臣になると政府側からの出席や立法行為となるため、現職の大臣や議員立法に関しては与党であれば、当然ほぼ0になるため、説明変数としては不的確です。また大臣になった回数が多い人ほど、その間の数字が減るので、プラスとマイナスの効果が同時に出てくるため、採用するのは難しそうです。
あと、官僚出身や松下政経塾出身などの変数も検討してみましたが、投入するとモデルの当てはまりが悪くなる上に係数も統計的に有意となりませんでした。その意味で、国会議員になるためには有利な条件というのと、国会議員になって大臣になる条件はまたかなり別なのでしょう。
