{ "executed_at": "2026-09-02", "standard": "103機能の実行可否を調べ、各データに合う分析を実行し、別の説明ができる条件と失敗結果も保存する。", "selftest": { "path": "data/public-analysis/education-real-estate-2025/103機能_再実行結果_20260902.json", "sha256": "487336faad996efbc24dbed55002840bdf1bd66d80afbe314189b3d41144eb45", "passed": 103, "failed": 0 }, "themes": { "asking-price-vs-transaction-price": { "slug": "asking-price-vs-transaction-price", "title": "売出価格と取引価格", "source": null, "source_sha256": null, "rows": 1, "columns": 2, "verified_total": 103, "executed_count": 15, "screened_count": 88, "executed": { "pandas": { "rows": 1, "columns": 2, "target": null, "missing": 0 }, "pyarrow": { "rows": 1 }, "openpyxl": { "rows": 1 }, "janome": { "tokens": 10 }, "fugashi": { "tokens": 12 }, "sudachipy": { "tokens": 15 }, "wordcloud": { "path": "public/research/figures/asking-price-vs-transaction-price_用語監査.png" }, "networkx": { "nodes": 5, "edges": 4 }, "python-louvain": { "communities": 2 }, "igraph": { "nodes": 5, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "dask": { "partitions": 1, "rows": 1 }, "pandera": { "rows": 1, "columns": 2, "violations": 0 }, "pyjanitor": { "rows": 1, "columns": 2, "names_unique": true } }, "screened": { "numpy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "scipy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "statsmodels": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "scikit-learn": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "researchpy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "pyreadstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "xgboost": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "lightgbm": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "shap": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "optuna": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "category_encoders": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "feature-engine": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "umap-learn": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "hdbscan": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "gensim": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "matplotlib": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "seaborn": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "plotly": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "missingno": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "scikit-image": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "duckdb": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "polars": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "SALib": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "openturns": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sympy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "autograd": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "numdifftools": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "numba": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "numexpr": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "xarray": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "xarray-einstats": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "formulaic": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "patsy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "bokeh": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "altair": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "plotnine": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "catboost": "予測・異常検知を診断できる数値行または説明変数が不足する", "pyod": "予測・異常検知を診断できる数値行または説明変数が不足する", "river": "予測・異常検知を診断できる数値行または説明変数が不足する", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "dcor": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "hyppo": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "prince": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "holoviews": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行0）", "minisom": "自己組織化マップの近傍構造を安定して学習できる標本数がない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "一件の価格差は物件差の可能性を残す", "公開価格は比較の入口で、査定や購入判断ではない" ], "public_note": { "ja": "103機能を全件監査し、15機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。88機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 15 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 88 retain explicit exclusion reasons." } }, "japan-enterprise-ai-adoption-2026": { "slug": "japan-enterprise-ai-adoption-2026", "title": "日本企業の生成AI導入", "source": "data/public-analysis/日本企業のAI導入と運用課題2026.csv", "source_sha256": "8ad736434f3e71a135737dc4724962cc12ad5c4511edef9f4c69179366023b17", "rows": 21, "columns": 7, "verified_total": 103, "executed_count": 65, "screened_count": 38, "executed": { "pandas": { "rows": 21, "columns": 7, "target": "value_percent", "missing": 0 }, "numpy": { "mean": 26.609524, "median": 22.9, "p10": 13.7, "p90": 45.8 }, "polars": { "rows": 21, "columns": 7 }, "duckdb": { "rows": 21 }, "pyarrow": { "rows": 21 }, "openpyxl": { "rows": 21 }, "pyreadstat": { "rows": 21 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.280052, "theil_slope": 0.360924, "bootstrap_mean_ci": [ 21.185714, 32.41004 ] }, "statsmodels": { "slope": 0.477662, "pvalue": 0.151823, "r2": 0.049799 }, "scikit-learn": { "pca_first": 0.5784000847548442, "clusters": [ 1, 1, 1, 1, 2, 2, 0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 0, 0, 0, 0 ] }, "category_encoders": { "encoded_columns": 4 }, "feature-engine": { "rows": 21 }, "xgboost": { "cv_mae": 11.65383652278355 }, "lightgbm": { "cv_mae": 11.842577013448507 }, "shap": { "mean_abs": [ 0.47502535581588745, 5.630446910858154 ] }, "optuna": { "best_mae": 10.709041141328356, "trials": 5 }, "umap-learn": { "shape": [ 21, 2 ] }, "hdbscan": { "labels": [ -1, 0, 1 ] }, "matplotlib": { "path": "public/research/figures/japan-enterprise-ai-adoption-2026_再確認_ja.png", "sha256": "fd52ce7ddb8f046bee10b6102cddd7dc373b8e6deb984d2d96b5d7c304bef3f2" }, "seaborn": { "path": "public/research/figures/japan-enterprise-ai-adoption-2026_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-enterprise-ai-adoption-2026_対話監査.html" }, "scikit-image": { "edge_density": 0.023900824652777777 }, "missingno": { "missing": 0 }, "janome": { "tokens": 385 }, "fugashi": { "tokens": 384 }, "sudachipy": { "tokens": 657 }, "wordcloud": { "path": "public/research/figures/japan-enterprise-ai-adoption-2026_用語監査.png" }, "gensim": { "topics": 3, "terms": 61 }, "networkx": { "nodes": 20, "edges": 22 }, "python-louvain": { "communities": 4 }, "igraph": { "nodes": 20, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "2794/5" }, "autograd": { "mean_abs_gradient": 2.5342403628117913 }, "numdifftools": { "mean_abs_gradient": 2.5342403628123895 }, "numba": { "rows": 21, "mean": 1.7182023000151233e-16, "std": 1.0 }, "numexpr": { "rows": 21, "max_abs_difference": 2.220446049250313e-16 }, "xarray": { "rows": 21, "mean": 26.609523809523807 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 21.0 }, "formulaic": { "shape": [ 21, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 21, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "utilsforecast": { "previous_row_mae": 13.175 }, "SALib": { "rounding_sensitivity": 13.1391070438422 }, "openturns": { "mc_mean": 28.096791777095262 }, "dask": { "partitions": 4, "rows": 21 }, "pandera": { "rows": 21, "columns": 7, "violations": 0 }, "pyjanitor": { "rows": 21, "columns": 7, "names_unique": true }, "bokeh": { "points": 21, "root_id": "p1006" }, "altair": { "rows": 21, "mark": "line" }, "plotnine": { "rows": 21, "axes": 1 }, "holoviews": { "points": 21, "renderer": "figure" }, "pyod": { "candidate_row": 9, "rows": 21 }, "river": { "updates": 21, "prequential_mae": 68303.83938423914 }, "catboost": { "rows": 21, "training_mae": 9.23645807577215 }, "prince": { "shape": [ 21, 2 ] }, "skforecast": { "lags": 3, "forecast": [ 27.959659669026948, 29.506956964492367 ] }, "tsfresh": { "series": 1, "features": 3 }, "pymannkendall": { "trend": "no trend", "pvalue": 0.60738, "sen_slope": 0.360924 }, "filterpy": { "final_state": 24.691229823650172, "observations": 21 }, "pykalman": { "final_state": 25.1994395974221, "observations": 21 }, "dcor": { "distance_correlation": 0.3785788057418472 }, "hyppo": { "statistic": 0.10778142599479226, "pvalue": 0.08, "repetitions": 199 }, "minisom": { "rows": 21, "occupied_nodes": 11 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "導入率の上昇は利用の広がりであり、成功率ではない", "効果と管理体制は異なる分母で、企業別の漏斗にできない" ], "public_note": { "ja": "103機能を全件監査し、65機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。38機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 65 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 38 retain explicit exclusion reasons." } }, "japan-extracurricular-spending-2023": { "slug": "japan-extracurricular-spending-2023", "title": "学校外活動費", "source": "data/public-analysis/followup-education/学校外活動費2023_活動別分析用.csv", "source_sha256": "36cd530c9fdf3cbfc09e734b215ff6d21e760e154c1bc70a47485373284b4e65", "rows": 18, "columns": 12, "verified_total": 103, "executed_count": 56, "screened_count": 47, "executed": { "pandas": { "rows": 18, "columns": 12, "target": "overall_mean_yen", "missing": 0 }, "numpy": { "mean": 34028.166667, "median": 20226.5, "p10": 2593.1, "p90": 69128.5 }, "polars": { "rows": 18, "columns": 12 }, "duckdb": { "rows": 18 }, "pyarrow": { "rows": 18 }, "openpyxl": { "rows": 18 }, "pyreadstat": { "rows": 18 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -0.05676, "theil_slope": -157.25, "bootstrap_mean_ci": [ 18365.67087, 74632.290256 ] }, "statsmodels": { "slope": 185.833849, "pvalue": 0.910972, "r2": 0.000347 }, "scikit-learn": { "pca_first": 0.613675914722146, "clusters": [ 2, 0, 0, 0, 0, 0, 2, 0, 2, 2, 0, 1, 0, 0, 0, 0, 0, 2 ] }, "category_encoders": { "encoded_columns": 2 }, "feature-engine": { "rows": 18 }, "xgboost": { "cv_mae": 24019.21120876736 }, "lightgbm": { "cv_mae": 31341.22039072039 }, "shap": { "mean_abs": [ 10093.46484375, 17951.646484375, 0.0 ] }, "optuna": { "best_mae": 22616.90123155382, "trials": 5 }, "umap-learn": { "shape": [ 18, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-extracurricular-spending-2023_再確認_ja.png", "sha256": "8b8c9bbaabe0dcf320cfdb4094a2b6cb1fc5baa9481371f9b08afe1b9a0d4ed7" }, "seaborn": { "path": "public/research/figures/japan-extracurricular-spending-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-extracurricular-spending-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.041278211805555555 }, "missingno": { "missing": 0 }, "janome": { "tokens": 1252 }, "fugashi": { "tokens": 1374 }, "sudachipy": { "tokens": 1357 }, "wordcloud": { "path": "public/research/figures/japan-extracurricular-spending-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 44 }, "networkx": { "nodes": 25, "edges": 35 }, "python-louvain": { "communities": 5 }, "igraph": { "nodes": 25, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "612507" }, "autograd": { "mean_abs_gradient": 3780.907407407407 }, "numdifftools": { "mean_abs_gradient": 3780.9074065133236 }, "numba": { "rows": 18, "mean": 4.625929269271486e-17, "std": 1.0 }, "numexpr": { "rows": 18, "max_abs_difference": 4.440892098500626e-16 }, "xarray": { "rows": 18, "mean": 34028.166666666664 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 18.0 }, "formulaic": { "shape": [ 18, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 18, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 66291.74390689864 }, "openturns": { "mc_mean": 115759.88145638938 }, "dask": { "partitions": 4, "rows": 18 }, "pandera": { "rows": 18, "columns": 12, "violations": 0 }, "pyjanitor": { "rows": 18, "columns": 12, "names_unique": true }, "bokeh": { "points": 18, "root_id": "p1105" }, "altair": { "rows": 18, "mark": "line" }, "plotnine": { "rows": 18, "axes": 1 }, "holoviews": { "points": 18, "renderer": "figure" }, "pyod": { "candidate_row": 12, "rows": 18 }, "river": { "updates": 18, "prequential_mae": 10795416.257809656 }, "catboost": { "rows": 18, "training_mae": 19930.436538467642 }, "prince": { "shape": [ 18, 2 ] } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行18）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "dcor": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "hyppo": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "minisom": "自己組織化マップの近傍構造を安定して学習できる標本数がない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "支出率と支出者平均の両方が全体平均を動かす", "費用の高さと参加の必要性は別の問い" ], "public_note": { "ja": "103機能を全件監査し、56機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。47機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 56 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 47 retain explicit exclusion reasons." } }, "japan-grade-level-learning-cost-shifts-2023": { "slug": "japan-grade-level-learning-cost-shifts-2023", "title": "学年別学習費", "source": "public/research/学年別学習費2023_負担構造.csv", "source_sha256": "8e917c29e3d85847b176ea7895f175854ea0a2d8efdca823d9c9d12106c4bece", "rows": 30, "columns": 11, "verified_total": 103, "executed_count": 60, "screened_count": 43, "executed": { "pandas": { "rows": 30, "columns": 11, "target": "total_yen", "missing": 6 }, "numpy": { "mean": 860973.433333, "median": 563098.5, "p10": 289500.7, "p90": 1749885.2 }, "polars": { "rows": 30, "columns": 11 }, "duckdb": { "rows": 30 }, "pyarrow": { "rows": 30 }, "openpyxl": { "rows": 30 }, "pyreadstat": { "rows": 30 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.657397, "theil_slope": 24706.730769, "bootstrap_mean_ci": [ 658982.524693, 1110296.656612 ] }, "statsmodels": { "slope": 34043.743938, "pvalue": 5.6e-05, "r2": 0.232311 }, "scikit-learn": { "pca_first": 0.5754396508892606, "clusters": [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 2, 2, 2, 0, 0, 0, 2, 2, 0 ] }, "scikit-learn(IterativeImputer)": { "shape": [ 30, 5 ] }, "category_encoders": { "encoded_columns": 4 }, "feature-engine": { "rows": 30 }, "xgboost": { "cv_mae": 150489.053125 }, "lightgbm": { "cv_mae": 582969.5444444442 }, "shap": { "mean_abs": [ 1108.1361083984375, 421458.5625, 0.0, 63924.328125 ] }, "optuna": { "best_mae": 107426.565625, "trials": 5 }, "umap-learn": { "shape": [ 30, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-grade-level-learning-cost-shifts-2023_再確認_ja.png", "sha256": "f7480d20802cb6303b0c8fb09128819736128dcb405ff15d1a5782c98a15a219" }, "seaborn": { "path": "public/research/figures/japan-grade-level-learning-cost-shifts-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-grade-level-learning-cost-shifts-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.049470486111111114 }, "missingno": { "missing": 6 }, "janome": { "tokens": 598 }, "fugashi": { "tokens": 748 }, "sudachipy": { "tokens": 808 }, "wordcloud": { "path": "public/research/figures/japan-grade-level-learning-cost-shifts-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 14 }, "networkx": { "nodes": 10, "edges": 18 }, "python-louvain": { "communities": 4 }, "igraph": { "nodes": 10, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "25829203" }, "autograd": { "mean_abs_gradient": 57398.22888888889 }, "numdifftools": { "mean_abs_gradient": 57398.2282550796 }, "numba": { "rows": 30, "mean": -7.864079757761526e-17, "std": 0.9999999999999999 }, "numexpr": { "rows": 30, "max_abs_difference": 0.0 }, "xarray": { "rows": 30, "mean": 860973.4333333333 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 30.0 }, "formulaic": { "shape": [ 30, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 30, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 583475.3591016531 }, "openturns": { "mc_mean": 1156125.2080201046 }, "dask": { "partitions": 4, "rows": 30 }, "pandera": { "rows": 30, "columns": 11, "violations": 0 }, "pyjanitor": { "rows": 30, "columns": 11, "names_unique": true }, "bokeh": { "points": 30, "root_id": "p1201" }, "altair": { "rows": 30, "mark": "line" }, "plotnine": { "rows": 30, "axes": 1 }, "holoviews": { "points": 30, "renderer": "figure" }, "pyod": { "candidate_row": 13, "rows": 30 }, "river": { "updates": 30, "prequential_mae": 911878114771.3369 }, "catboost": { "rows": 30, "training_mae": 256800.42564388725 }, "prince": { "shape": [ 30, 2 ] }, "dcor": { "distance_correlation": 0.27110168484153857 }, "hyppo": { "statistic": -0.00987086344292165, "pvalue": 0.48, "repetitions": 199 }, "minisom": { "rows": 30, "occupied_nodes": 10 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行30）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "学年差は受験だけでなく支出費目の構成変化を含む", "横断平均であり、同じ子どもの増加を示さない" ], "public_note": { "ja": "103機能を全件監査し、60機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。43機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 60 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 43 retain explicit exclusion reasons." } }, "japan-land-price-publication-2026": { "slug": "japan-land-price-publication-2026", "title": "2026年地価公示", "source": "data/public-analysis/令和8年地価公示_圏域用途別.csv", "source_sha256": "0a5041c568177f3b328899f43fd74b89271a2a6ba8a27308d67243953bd504e5", "rows": 165, "columns": 8, "verified_total": 103, "executed_count": 59, "screened_count": 44, "executed": { "pandas": { "rows": 165, "columns": 8, "target": "rate_2026", "missing": 0 }, "numpy": { "mean": 2.595152, "median": 1.9, "p10": -0.2, "p90": 7.3 }, "polars": { "rows": 165, "columns": 8 }, "duckdb": { "rows": 165 }, "pyarrow": { "rows": 165 }, "openpyxl": { "rows": 165 }, "pyreadstat": { "rows": 165 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -0.20353, "theil_slope": -0.00892, "bootstrap_mean_ci": [ 2.21305, 3.06 ] }, "statsmodels": { "slope": -0.009211, "pvalue": 0.05638, "r2": 0.024374 }, "scikit-learn": { "pca_first": 0.49577138260298703, "clusters": [ 1, 2, 2, 0, 2, 2, 0, 0, 0, 1, 2, 2, 2, 2, 2, 1, 0, 0, 1, 0, 0, 1, 1, 2, 0, 0, 2, 0, 0, 0, 0, 0, 0, 2, 2, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 0, 2, 2, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 2, 2, 0, 2, 2, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 2, 0, 0, 2, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2, 2 ] }, "category_encoders": { "encoded_columns": 2 }, "feature-engine": { "rows": 165 }, "xgboost": { "cv_mae": 0.5262631253762678 }, "lightgbm": { "cv_mae": 0.5423377308887063 }, "shap": { "mean_abs": [ 1.822536587715149, 0.06736400723457336, 0.0 ] }, "optuna": { "best_mae": 0.2782315162670883, "trials": 5 }, "umap-learn": { "shape": [ 165, 2 ] }, "hdbscan": { "labels": [ -1, 0, 1 ] }, "matplotlib": { "path": "public/research/figures/japan-land-price-publication-2026_再確認_ja.png", "sha256": "b967193c384c4d700758b4b71146f07edb6d19bf0c1f3c0b5fa8a4a3bf684471" }, "seaborn": { "path": "public/research/figures/japan-land-price-publication-2026_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-land-price-publication-2026_対話監査.html" }, "scikit-image": { "edge_density": 0.06103949652777778 }, "missingno": { "missing": 0 }, "janome": { "tokens": 312 }, "fugashi": { "tokens": 367 }, "sudachipy": { "tokens": 552 }, "wordcloud": { "path": "public/research/figures/japan-land-price-publication-2026_用語監査.png" }, "gensim": { "topics": 3, "terms": 25 }, "networkx": { "nodes": 15, "edges": 34 }, "python-louvain": { "communities": 3 }, "igraph": { "nodes": 15, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "2141/5" }, "autograd": { "mean_abs_gradient": 0.03258769513314968 }, "numdifftools": { "mean_abs_gradient": 0.03258769513314659 }, "numba": { "rows": 165, "mean": 4.521635591200637e-16, "std": 1.0000000000000002 }, "numexpr": { "rows": 165, "max_abs_difference": 1.7763568394002505e-15 }, "xarray": { "rows": 165, "mean": 2.595151515151515 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 165.0 }, "formulaic": { "shape": [ 165, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 165, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 3.878062431442412 }, "openturns": { "mc_mean": 5.748623297595745 }, "dask": { "partitions": 4, "rows": 165 }, "pandera": { "rows": 165, "columns": 8, "violations": 0 }, "pyjanitor": { "rows": 165, "columns": 8, "names_unique": true }, "bokeh": { "points": 165, "root_id": "p1297" }, "altair": { "rows": 165, "mark": "line" }, "plotnine": { "rows": 165, "axes": 1 }, "holoviews": { "points": 165, "renderer": "figure" }, "pyod": { "candidate_row": 147, "rows": 165 }, "river": { "updates": 165, "prequential_mae": 44860057013018.84 }, "catboost": { "rows": 165, "training_mae": 0.9585451026861733 }, "prince": { "shape": [ 165, 2 ] }, "dcor": { "distance_correlation": 0.9803352054623787 }, "hyppo": { "statistic": 0.9605448687487712, "pvalue": 0.005, "repetitions": 199 }, "minisom": { "rows": 165, "occupied_nodes": 14 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行165）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "全国上昇と用途・圏域別の減速は両立する", "平均変動率は個別物件の価格水準ではない" ], "public_note": { "ja": "103機能を全件監査し、59機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。44機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 59 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 44 retain explicit exclusion reasons." } }, "japan-learning-costs-2023": { "slug": "japan-learning-costs-2023", "title": "学習費の公私差", "source": "data/public-analysis/学習費2023_分析用.csv", "source_sha256": "b743d3c5b0271b264a8b9626def3ad1e615ad362c7b7c213cc3768e8567dbc89", "rows": 38, "columns": 11, "verified_total": 103, "executed_count": 60, "screened_count": 43, "executed": { "pandas": { "rows": 38, "columns": 11, "target": "total_yen", "missing": 8 }, "numpy": { "mean": 851271.736842, "median": 563098.5, "p10": 273082.1, "p90": 1738044.7 }, "polars": { "rows": 38, "columns": 11 }, "duckdb": { "rows": 38 }, "pyarrow": { "rows": 38 }, "openpyxl": { "rows": 38 }, "pyreadstat": { "rows": 38 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.445672, "theil_slope": 17249.541667, "bootstrap_mean_ci": [ 662582.180768, 1059531.268311 ] }, "statsmodels": { "slope": 19113.596892, "pvalue": 0.016196, "r2": 0.121749 }, "scikit-learn": { "pca_first": 0.5704669577956685, "clusters": [ 0, 0, 0, 1, 0, 2, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 2, 2, 2, 0, 0, 0, 2, 2, 0 ] }, "scikit-learn(IterativeImputer)": { "shape": [ 38, 5 ] }, "category_encoders": { "encoded_columns": 4 }, "feature-engine": { "rows": 38 }, "xgboost": { "cv_mae": 156984.3791118421 }, "lightgbm": { "cv_mae": 548322.0375212225 }, "shap": { "mean_abs": [ 0.0, 420297.1875, 0.0, 65121.5859375 ] }, "optuna": { "best_mae": 115864.86430921052, "trials": 5 }, "umap-learn": { "shape": [ 38, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-learning-costs-2023_再確認_ja.png", "sha256": "e1ae74cdd376cfcf06c4d86427e2a3242de55c9bb7e852ed8b5d8242ff6ce623" }, "seaborn": { "path": "public/research/figures/japan-learning-costs-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-learning-costs-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.05185763888888889 }, "missingno": { "missing": 8 }, "janome": { "tokens": 730 }, "fugashi": { "tokens": 909 }, "sudachipy": { "tokens": 994 }, "wordcloud": { "path": "public/research/figures/japan-learning-costs-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 18 }, "networkx": { "nodes": 15, "edges": 27 }, "python-louvain": { "communities": 3 }, "igraph": { "nodes": 15, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "32348326" }, "autograd": { "mean_abs_gradient": 44803.775623268695 }, "numdifftools": { "mean_abs_gradient": 44803.77552867355 }, "numba": { "rows": 38, "mean": -2.1912296538654406e-17, "std": 0.9999999999999998 }, "numexpr": { "rows": 38, "max_abs_difference": 0.0 }, "xarray": { "rows": 38, "mean": 851271.7368421053 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 38.0 }, "formulaic": { "shape": [ 38, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 38, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 583475.3591016531 }, "openturns": { "mc_mean": 1158359.1964169745 }, "dask": { "partitions": 4, "rows": 38 }, "pandera": { "rows": 38, "columns": 11, "violations": 0 }, "pyjanitor": { "rows": 38, "columns": 11, "names_unique": true }, "bokeh": { "points": 38, "root_id": "p1393" }, "altair": { "rows": 38, "mark": "line" }, "plotnine": { "rows": 38, "axes": 1 }, "holoviews": { "points": 38, "renderer": "figure" }, "pyod": { "candidate_row": 4, "rows": 38 }, "river": { "updates": 38, "prequential_mae": 1908407876651.1116 }, "catboost": { "rows": 38, "training_mae": 236972.09191671092 }, "prince": { "shape": [ 38, 2 ] }, "dcor": { "distance_correlation": 0.19236145140512112 }, "hyppo": { "statistic": -0.026357971889421378, "pvalue": 0.75, "repetitions": 199 }, "minisom": { "rows": 38, "occupied_nodes": 11 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行38）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "総額差は授業料だけでなく学校外支出も含む", "公私差は個人属性を統制した因果効果ではない" ], "public_note": { "ja": "103機能を全件監査し、60機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。43機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 60 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 43 retain explicit exclusion reasons." } }, "japan-school-nonattendance-2024": { "slug": "japan-school-nonattendance-2024", "title": "小中学校不登校", "source": "data/public-analysis/小中学校不登校2024年度.csv", "source_sha256": "77f1d466f99b9695edbc331937219bb21e68be8fb60ec3e48ff0f7a3e53cbda3", "rows": 89, "columns": 12, "verified_total": 103, "executed_count": 60, "screened_count": 43, "executed": { "pandas": { "rows": 89, "columns": 12, "target": "count", "missing": 322 }, "numpy": { "mean": 59931.213483, "median": 19460.0, "p10": 2424.6, "p90": 167876.8 }, "polars": { "rows": 89, "columns": 12 }, "duckdb": { "rows": 89 }, "pyarrow": { "rows": 89 }, "openpyxl": { "rows": 89 }, "pyreadstat": { "rows": 89 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -0.761529, "theil_slope": -1030.548132, "bootstrap_mean_ci": [ 44503.737228, 79255.833352 ] }, "statsmodels": { "slope": -1815.852009, "pvalue": 0.0, "r2": 0.332888 }, "scikit-learn": { "pca_first": 0.3619562066144136, "clusters": [ 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 2, 2, 1, 2, 2, 1, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 0 ] }, "scikit-learn(IterativeImputer)": { "shape": [ 89, 8 ] }, "category_encoders": { "encoded_columns": 3 }, "feature-engine": { "rows": 89 }, "xgboost": { "cv_mae": 22140.13634568118 }, "lightgbm": { "cv_mae": 62349.31875697082 }, "shap": { "mean_abs": [ 15704.576171875, 37825.19921875, 0.0, 1012.6832885742188, 0.0, 1025.9442138671875, 0.0 ] }, "optuna": { "best_mae": 17911.86388474368, "trials": 5 }, "umap-learn": { "shape": [ 89, 2 ] }, "hdbscan": { "labels": [ -1, 0, 1, 2 ] }, "matplotlib": { "path": "public/research/figures/japan-school-nonattendance-2024_再確認_ja.png", "sha256": "7e09bf89d780eaa5fb5205ae76e079f4115f90772fb28e2abf50c0caec005b67" }, "seaborn": { "path": "public/research/figures/japan-school-nonattendance-2024_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-school-nonattendance-2024_対話監査.html" }, "scikit-image": { "edge_density": 0.050732421875 }, "missingno": { "missing": 322 }, "janome": { "tokens": 405 }, "fugashi": { "tokens": 408 }, "sudachipy": { "tokens": 598 }, "wordcloud": { "path": "public/research/figures/japan-school-nonattendance-2024_用語監査.png" }, "gensim": { "topics": 3, "terms": 30 }, "networkx": { "nodes": 14, "edges": 21 }, "python-louvain": { "communities": 3 }, "igraph": { "nodes": 14, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "5333878" }, "autograd": { "mean_abs_gradient": 1346.7688423178888 }, "numdifftools": { "mean_abs_gradient": 1346.7688424608637 }, "numba": { "rows": 89, "mean": -3.742324802107269e-18, "std": 0.9999999999999998 }, "numexpr": { "rows": 89, "max_abs_difference": 0.0 }, "xarray": { "rows": 89, "mean": 59931.213483146064 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 89.0 }, "formulaic": { "shape": [ 89, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 89, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 101980.04754371365 }, "openturns": { "mc_mean": 177268.41296560675 }, "dask": { "partitions": 4, "rows": 89 }, "pandera": { "rows": 89, "columns": 12, "violations": 0 }, "pyjanitor": { "rows": 89, "columns": 12, "names_unique": true }, "bokeh": { "points": 89, "root_id": "p1489" }, "altair": { "rows": 89, "mark": "line" }, "plotnine": { "rows": 89, "axes": 1 }, "holoviews": { "points": 89, "renderer": "figure" }, "pyod": { "candidate_row": 33, "rows": 89 }, "river": { "updates": 89, "prequential_mae": 12808189969477.955 }, "catboost": { "rows": 89, "training_mae": 34617.45869995412 }, "prince": { "shape": [ 89, 2 ] }, "dcor": { "distance_correlation": 0.7019582350137399 }, "hyppo": { "statistic": 0.46891798779257604, "pvalue": 0.005, "repetitions": 199 }, "minisom": { "rows": 89, "occupied_nodes": 13 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行89）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "総数と在籍者比率は異なる変化を示す", "学校段階別寄与は原因寄与ではない" ], "public_note": { "ja": "103機能を全件監査し、60機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。43機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 60 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 43 retain explicit exclusion reasons." } }, "japan-social-media-data-2026": { "slug": "japan-social-media-data-2026", "title": "日本のSNS利用", "source": "data/public-analysis/日本のSNSプラットフォーム公開データ2026.csv", "source_sha256": "388bd6a29d48468c0b98849ec391c5bc46c2e2c8351ccb1545445cc74d482d05", "rows": 4, "columns": 9, "verified_total": 103, "executed_count": 41, "screened_count": 62, "executed": { "pandas": { "rows": 4, "columns": 9, "target": "value_millions", "missing": 0 }, "numpy": { "mean": 57.35, "median": 67.2, "p10": 30.51, "p90": 76.31 }, "polars": { "rows": 7, "columns": 9 }, "duckdb": { "rows": 7 }, "pyarrow": { "rows": 4 }, "openpyxl": { "rows": 4 }, "pyreadstat": { "rows": 4 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -1.0, "theil_slope": -14.333333, "bootstrap_mean_ci": [ 16.5, 73.025 ] }, "statsmodels": { "slope": -19.4, "pvalue": 0.177062, "r2": 0.80347 }, "scikit-learn": { "pca_first": 1.0, "clusters": [ 1, 1, 2, 0 ] }, "category_encoders": { "encoded_columns": 4 }, "matplotlib": { "path": "public/research/figures/japan-social-media-data-2026_再確認_ja.png", "sha256": "77ed971f1f993ecbfc3839b40f974c4ff602fb259077b1aa98d69e898986dda2" }, "seaborn": { "path": "public/research/figures/japan-social-media-data-2026_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-social-media-data-2026_対話監査.html" }, "scikit-image": { "edge_density": 0.04285915798611111 }, "missingno": { "missing": 0 }, "janome": { "tokens": 159 }, "fugashi": { "tokens": 180 }, "sudachipy": { "tokens": 228 }, "wordcloud": { "path": "public/research/figures/japan-social-media-data-2026_用語監査.png" }, "gensim": { "topics": 3, "terms": 31 }, "networkx": { "nodes": 30, "edges": 32 }, "python-louvain": { "communities": 6 }, "igraph": { "nodes": 30, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "1147/5" }, "autograd": { "mean_abs_gradient": 28.674999999999997 }, "numdifftools": { "mean_abs_gradient": 28.67499999999946 }, "numba": { "rows": 4, "mean": 3.3306690738754696e-16, "std": 1.0 }, "numexpr": { "rows": 4, "max_abs_difference": 0.0 }, "xarray": { "rows": 4, "mean": 57.349999999999994 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 4.0 }, "dask": { "partitions": 4, "rows": 4 }, "pandera": { "rows": 4, "columns": 9, "violations": 0 }, "pyjanitor": { "rows": 4, "columns": 9, "names_unique": true }, "bokeh": { "points": 4, "root_id": "p1585" }, "altair": { "rows": 4, "mark": "line" }, "plotnine": { "rows": 4, "axes": 1 }, "holoviews": { "points": 4, "renderer": "figure" } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "xgboost": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "lightgbm": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "shap": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "optuna": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "feature-engine": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "umap-learn": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "hdbscan": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "SALib": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "openturns": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "formulaic": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "patsy": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "catboost": "予測・異常検知を診断できる数値行または説明変数が不足する", "pyod": "予測・異常検知を診断できる数値行または説明変数が不足する", "river": "予測・異常検知を診断できる数値行または説明変数が不足する", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "dcor": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "hyppo": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "prince": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行4）", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "minisom": "自己組織化マップの近傍構造を安定して学習できる標本数がない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "広告到達人数の順位は発注可能性の順位ではない", "異なる指標を混ぜたランキングは作れない" ], "public_note": { "ja": "103機能を全件監査し、41機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。62機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 41 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 62 retain explicit exclusion reasons." } }, "japan-study-time-achievement-2026": { "slug": "japan-study-time-achievement-2026", "title": "学習時間と学力", "source": "public/research/全国学力調査2026_学習時間と振り返り.csv", "source_sha256": "28f368a728adb38d15fbfa67bea552ef57552fec4839f4be250a7c8f7d04b6ef", "rows": 32, "columns": 8, "verified_total": 103, "executed_count": 60, "screened_count": 43, "executed": { "pandas": { "rows": 32, "columns": 8, "target": "japanese_correct_pct", "missing": 20 }, "numpy": { "mean": 62.496875, "median": 63.55, "p10": 53.34, "p90": 70.85 }, "polars": { "rows": 32, "columns": 8 }, "duckdb": { "rows": 32 }, "pyarrow": { "rows": 32 }, "openpyxl": { "rows": 32 }, "pyreadstat": { "rows": 32 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -0.109064, "theil_slope": -0.120761, "bootstrap_mean_ci": [ 59.986967, 64.817702 ] }, "statsmodels": { "slope": -0.103721, "pvalue": 0.478107, "r2": 0.018535 }, "scikit-learn": { "pca_first": 0.6462514666664273, "clusters": [ 2, 2, 0, 0, 1, 1, 2, 2, 0, 0, 1, 1, 2, 2, 2, 0, 0, 1, 2, 2, 2, 0, 0, 1, 2, 0, 1, 1, 2, 0, 0, 1 ] }, "scikit-learn(IterativeImputer)": { "shape": [ 32, 5 ] }, "category_encoders": { "encoded_columns": 3 }, "feature-engine": { "rows": 32 }, "xgboost": { "cv_mae": 2.101692724227906 }, "lightgbm": { "cv_mae": 5.715269171274624 }, "shap": { "mean_abs": [ 0.0, 0.37013447284698486, 4.544657230377197, 0.0 ] }, "optuna": { "best_mae": 1.6300707578659064, "trials": 5 }, "umap-learn": { "shape": [ 32, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-study-time-achievement-2026_再確認_ja.png", "sha256": "1152df9fc326a316ce508990b85e72e1535df56d20b5b4caf970517cc2f174cd" }, "seaborn": { "path": "public/research/figures/japan-study-time-achievement-2026_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-study-time-achievement-2026_対話監査.html" }, "scikit-image": { "edge_density": 0.04864583333333333 }, "missingno": { "missing": 20 }, "janome": { "tokens": 159 }, "fugashi": { "tokens": 160 }, "sudachipy": { "tokens": 248 }, "wordcloud": { "path": "public/research/figures/japan-study-time-achievement-2026_用語監査.png" }, "gensim": { "topics": 3, "terms": 13 }, "networkx": { "nodes": 13, "edges": 21 }, "python-louvain": { "communities": 3 }, "igraph": { "nodes": 13, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "19999/10" }, "autograd": { "mean_abs_gradient": 3.9060546875 }, "numdifftools": { "mean_abs_gradient": 3.906054687500066 }, "numba": { "rows": 32, "mean": -3.7470027081099033e-16, "std": 0.9999999999999999 }, "numexpr": { "rows": 32, "max_abs_difference": 0.0 }, "xarray": { "rows": 32, "mean": 62.496875 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 32.0 }, "formulaic": { "shape": [ 32, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 32, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 8.740110852952302 }, "openturns": { "mc_mean": 60.83217394165324 }, "dask": { "partitions": 4, "rows": 32 }, "pandera": { "rows": 32, "columns": 8, "violations": 0 }, "pyjanitor": { "rows": 32, "columns": 8, "names_unique": true }, "bokeh": { "points": 32, "root_id": "p1681" }, "altair": { "rows": 32, "mark": "line" }, "plotnine": { "rows": 32, "axes": 1 }, "holoviews": { "points": 32, "renderer": "figure" }, "pyod": { "candidate_row": 28, "rows": 32 }, "river": { "updates": 32, "prequential_mae": 787398660747.7161 }, "catboost": { "rows": 32, "training_mae": 3.1532355827559773 }, "prince": { "shape": [ 32, 2 ] }, "dcor": { "distance_correlation": 0.7704480749647133 }, "hyppo": { "statistic": 0.5643022154467067, "pvalue": 0.005, "repetitions": 199 }, "minisom": { "rows": 32, "occupied_nodes": 12 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行32）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "学習時間区分と正答率の関連は因果効果ではない", "長時間層の構成差や逆因果を分離できない" ], "public_note": { "ja": "103機能を全件監査し、60機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。43機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 60 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 43 retain explicit exclusion reasons." } }, "japan-vacancy-and-land-price-2023": { "slug": "japan-vacancy-and-land-price-2023", "title": "空き家率と地価", "source": "data/public-analysis/空き家2023_分析用.csv", "source_sha256": "2140f678270b14e7740002810670410de56a61a30fabfe61505f2e9a256d07b0", "rows": 47, "columns": 18, "verified_total": 103, "executed_count": 59, "screened_count": 44, "executed": { "pandas": { "rows": 47, "columns": 18, "target": "land_rate_2026", "missing": 0 }, "numpy": { "mean": 1.170213, "median": 0.6, "p10": -0.4, "p90": 3.1 }, "polars": { "rows": 47, "columns": 18 }, "duckdb": { "rows": 47 }, "pyarrow": { "rows": 47 }, "openpyxl": { "rows": 47 }, "pyreadstat": { "rows": 47 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.02576, "theil_slope": 0.0, "bootstrap_mean_ci": [ 0.759574, 1.736014 ] }, "statsmodels": { "slope": 0.012581, "pvalue": 0.557281, "r2": 0.010157 }, "scikit-learn": { "pca_first": 0.6028489118002357, "clusters": [ 2, 1, 1, 0, 1, 0, 0, 0, 0, 0, 2, 2, 2, 2, 0, 0, 0, 0, 1, 1, 0, 0, 2, 1, 0, 0, 2, 2, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 2, 0, 1, 0, 1, 1, 1, 0 ] }, "category_encoders": { "encoded_columns": 47 }, "feature-engine": { "rows": 47 }, "xgboost": { "cv_mae": 0.9796140791253838 }, "lightgbm": { "cv_mae": 1.3425970761152375 }, "shap": { "mean_abs": [ 0.19237011671066284, 0.05057813599705696, 0.0, 0.019853055477142334, 0.0, 0.010360224172472954, 0.03298896551132202, 0.3773363530635834, 0.5153471231460571, 0.0, 0.0, 0.10711468011140823, 0.0, 0.0, 0.0, 0.0 ] }, "optuna": { "best_mae": 0.9456241609132351, "trials": 5 }, "umap-learn": { "shape": [ 47, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-vacancy-and-land-price-2023_再確認_ja.png", "sha256": "979bdb9d07bebeca6fbeac2bc82f61c48eee7d636b3de961734b2a3245b1410f" }, "seaborn": { "path": "public/research/figures/japan-vacancy-and-land-price-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-vacancy-and-land-price-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.04674587673611111 }, "missingno": { "missing": 0 }, "janome": { "tokens": 96 }, "fugashi": { "tokens": 97 }, "sudachipy": { "tokens": 99 }, "wordcloud": { "path": "public/research/figures/japan-vacancy-and-land-price-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 49 }, "networkx": { "nodes": 49, "edges": 48 }, "python-louvain": { "communities": 9 }, "igraph": { "nodes": 49, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "55" }, "autograd": { "mean_abs_gradient": 0.05685830692621096 }, "numdifftools": { "mean_abs_gradient": 0.05685830692621155 }, "numba": { "rows": 47, "mean": 1.3228189229576333e-16, "std": 1.0 }, "numexpr": { "rows": 47, "max_abs_difference": 4.440892098500626e-16 }, "xarray": { "rows": 47, "mean": 1.1702127659574468 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 47.0 }, "formulaic": { "shape": [ 47, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 47, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 2.0837350377899524 }, "openturns": { "mc_mean": 2.955873364562797 }, "dask": { "partitions": 4, "rows": 47 }, "pandera": { "rows": 47, "columns": 18, "violations": 0 }, "pyjanitor": { "rows": 47, "columns": 18, "names_unique": true }, "bokeh": { "points": 47, "root_id": "p1777" }, "altair": { "rows": 47, "mark": "line" }, "plotnine": { "rows": 47, "axes": 1 }, "holoviews": { "points": 47, "renderer": "figure" }, "pyod": { "candidate_row": 13, "rows": 47 }, "river": { "updates": 47, "prequential_mae": 2955557343448.4463 }, "catboost": { "rows": 47, "training_mae": 0.911066844767441 }, "prince": { "shape": [ 47, 2 ] }, "dcor": { "distance_correlation": 0.22806470654556585 }, "hyppo": { "statistic": -0.008837969846411374, "pvalue": 0.48, "repetitions": 199 }, "minisom": { "rows": 47, "occupied_nodes": 16 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "空き家率と地価の相関は地域規模・用途・都市性を混ぜる", "空き家の種類構成によって同じ総空き家率でも意味が異なる" ], "public_note": { "ja": "103機能を全件監査し、59機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。44機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 59 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 44 retain explicit exclusion reasons." } }, "japan-vacancy-composition-pca-2023": { "slug": "japan-vacancy-composition-pca-2023", "title": "空き家の種類別構成", "source": "public/research/空き家2023_構成主成分.csv", "source_sha256": "6b6ddef8c19161101987ac9b8c71cb49dc4ecd71efc6bd86eb097ad5cae56718", "rows": 47, "columns": 11, "verified_total": 103, "executed_count": 59, "screened_count": 44, "executed": { "pandas": { "rows": 47, "columns": 11, "target": "excluded_rate", "missing": 0 }, "numpy": { "mean": 7.942932, "median": 7.82668, "p10": 4.464976, "p90": 11.626348 }, "polars": { "rows": 47, "columns": 11 }, "duckdb": { "rows": 47 }, "pyarrow": { "rows": 47 }, "openpyxl": { "rows": 47 }, "pyreadstat": { "rows": 47 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.388992, "theil_slope": 0.081189, "bootstrap_mean_ci": [ 7.210314, 8.687944 ] }, "statsmodels": { "slope": 0.074725, "pvalue": 0.015439, "r2": 0.150487 }, "scikit-learn": { "pca_first": 0.5595629064588646, "clusters": [ 1, 2, 2, 1, 2, 2, 2, 2, 0, 0, 1, 1, 1, 1, 0, 2, 2, 2, 0, 0, 2, 0, 1, 2, 2, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 1 ] }, "category_encoders": { "encoded_columns": 47 }, "feature-engine": { "rows": 47 }, "xgboost": { "cv_mae": 0.7758727015467294 }, "lightgbm": { "cv_mae": 2.131265227657557 }, "shap": { "mean_abs": [ 0.12443996965885162, 0.4568873345851898, 0.11217693239450455, 0.8766553401947021, 0.0, 0.0, 0.11421214044094086, 0.0, 0.5188985466957092 ] }, "optuna": { "best_mae": 0.6488669434117321, "trials": 5 }, "umap-learn": { "shape": [ 47, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/japan-vacancy-composition-pca-2023_再確認_ja.png", "sha256": "b67271d243da7ff99787b7fc77c25cb287f65190d45fcb38263b2f952133e9cc" }, "seaborn": { "path": "public/research/figures/japan-vacancy-composition-pca-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-vacancy-composition-pca-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.045252821180555555 }, "missingno": { "missing": 0 }, "janome": { "tokens": 97 }, "fugashi": { "tokens": 98 }, "sudachipy": { "tokens": 100 }, "wordcloud": { "path": "public/research/figures/japan-vacancy-composition-pca-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 50 }, "networkx": { "nodes": 50, "edges": 49 }, "python-louvain": { "communities": 8 }, "igraph": { "nodes": 50, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "466647279830550289/1250000000000000" }, "autograd": { "mean_abs_gradient": 0.33799712436798574 }, "numdifftools": { "mean_abs_gradient": 0.3379971243679682 }, "numba": { "rows": 47, "mean": 5.669223955532714e-17, "std": 1.0 }, "numexpr": { "rows": 47, "max_abs_difference": 8.881784197001252e-16 }, "xarray": { "rows": 47, "mean": 7.9429324226476625 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 47.0 }, "formulaic": { "shape": [ 47, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 47, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 3.2043404833565363 }, "openturns": { "mc_mean": 8.122251962057769 }, "dask": { "partitions": 4, "rows": 47 }, "pandera": { "rows": 47, "columns": 11, "violations": 0 }, "pyjanitor": { "rows": 47, "columns": 11, "names_unique": true }, "bokeh": { "points": 47, "root_id": "p1873" }, "altair": { "rows": 47, "mark": "line" }, "plotnine": { "rows": 47, "axes": 1 }, "holoviews": { "points": 47, "renderer": "figure" }, "pyod": { "candidate_row": 47, "rows": 47 }, "river": { "updates": 47, "prequential_mae": 2921970022307.1714 }, "catboost": { "rows": 47, "training_mae": 1.0344700409876995 }, "prince": { "shape": [ 47, 2 ] }, "dcor": { "distance_correlation": 0.4387033985928926 }, "hyppo": { "statistic": 0.14246910994751338, "pvalue": 0.02, "repetitions": 199 }, "minisom": { "rows": 47, "occupied_nodes": 15 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行47）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "PCAは地域の良否や因果でなく、構成差の要約", "CLR変換前後と外れ地域の扱いで軸の解釈を確認する必要がある" ], "public_note": { "ja": "103機能を全件監査し、59機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。44機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 59 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 44 retain explicit exclusion reasons." } }, "japan-workplace-training-bottlenecks-2026": { "slug": "japan-workplace-training-bottlenecks-2026", "title": "職場研修の制約", "source": "data/public-analysis/日本の職場研修課題2026.csv", "source_sha256": "c3dab666a2f0106349fc198180b07e42574c74545c88875971d941967a587dbb", "rows": 21, "columns": 6, "verified_total": 103, "executed_count": 65, "screened_count": 38, "executed": { "pandas": { "rows": 21, "columns": 6, "target": "value_percent", "missing": 0 }, "numpy": { "mean": 32.266667, "median": 26.7, "p10": 6.2, "p90": 61.1 }, "polars": { "rows": 21, "columns": 6 }, "duckdb": { "rows": 21 }, "pyarrow": { "rows": 21 }, "openpyxl": { "rows": 21 }, "pyreadstat": { "rows": 21 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": -0.525974, "theil_slope": -2.674359, "bootstrap_mean_ci": [ 21.554914, 43.15142 ] }, "statsmodels": { "slope": -2.202987, "pvalue": 0.004285, "r2": 0.285939 }, "scikit-learn": { "pca_first": 0.7130307515589092, "clusters": [ 1, 2, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 0 ] }, "category_encoders": { "encoded_columns": 7 }, "feature-engine": { "rows": 21 }, "xgboost": { "cv_mae": 23.00539283752441 }, "lightgbm": { "cv_mae": 23.211414596275624 }, "shap": { "mean_abs": [ 3.014821767807007 ] }, "optuna": { "best_mae": 22.977229835873555, "trials": 5 }, "umap-learn": { "shape": [ 21, 2 ] }, "hdbscan": { "labels": [ -1, 0, 1 ] }, "matplotlib": { "path": "public/research/figures/japan-workplace-training-bottlenecks-2026_再確認_ja.png", "sha256": "127029e356aaac7ebcdcba839aaf2c9cddb44ee3a472235bf6425735f3410fef" }, "seaborn": { "path": "public/research/figures/japan-workplace-training-bottlenecks-2026_分布監査_ja.png" }, "plotly": { "path": "public/research/japan-workplace-training-bottlenecks-2026_対話監査.html" }, "scikit-image": { "edge_density": 0.052991536458333335 }, "missingno": { "missing": 0 }, "janome": { "tokens": 382 }, "fugashi": { "tokens": 490 }, "sudachipy": { "tokens": 509 }, "wordcloud": { "path": "public/research/figures/japan-workplace-training-bottlenecks-2026_用語監査.png" }, "gensim": { "topics": 3, "terms": 84 }, "networkx": { "nodes": 33, "edges": 43 }, "python-louvain": { "communities": 5 }, "igraph": { "nodes": 33, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "3388/5" }, "autograd": { "mean_abs_gradient": 3.0730158730158728 }, "numdifftools": { "mean_abs_gradient": 3.0730158730157133 }, "numba": { "rows": 21, "mean": 3.2778013107980814e-16, "std": 1.0 }, "numexpr": { "rows": 21, "max_abs_difference": 6.661338147750939e-16 }, "xarray": { "rows": 21, "mean": 32.266666666666666 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 21.0 }, "formulaic": { "shape": [ 21, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 21, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "utilsforecast": { "previous_row_mae": 17.96 }, "SALib": { "rounding_sensitivity": 22.602737007138238 }, "openturns": { "mc_mean": 40.970380698626926 }, "dask": { "partitions": 4, "rows": 21 }, "pandera": { "rows": 21, "columns": 6, "violations": 0 }, "pyjanitor": { "rows": 21, "columns": 6, "names_unique": true }, "bokeh": { "points": 21, "root_id": "p1969" }, "altair": { "rows": 21, "mark": "line" }, "plotnine": { "rows": 21, "axes": 1 }, "holoviews": { "points": 21, "renderer": "figure" }, "pyod": { "candidate_row": 1, "rows": 21 }, "river": { "updates": 21, "prequential_mae": 378814.17962143023 }, "catboost": { "rows": 21, "training_mae": 21.637936094054247 }, "prince": { "shape": [ 21, 2 ] }, "skforecast": { "lags": 3, "forecast": [ 16.012439357228278, 18.423019777841738 ] }, "tsfresh": { "series": 1, "features": 3 }, "pymannkendall": { "trend": "decreasing", "pvalue": 0.005997, "sen_slope": -2.674359 }, "filterpy": { "final_state": 12.483971045226399, "observations": 21 }, "pykalman": { "final_state": 8.318830949380787, "observations": 21 }, "dcor": { "distance_correlation": 0.41797632760995923 }, "hyppo": { "statistic": 1.0149177681296552e-16, "pvalue": 0.245, "repetitions": 199 }, "minisom": { "rows": 21, "occupied_nodes": 8 } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行21）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "教材で減らせる説明負担と人員・時間制約は別", "企業・事業所・個人調査は同じ分母の経路にできない" ], "public_note": { "ja": "103機能を全件監査し、65機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。38機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 65 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 38 retain explicit exclusion reasons." } }, "nagano-cities-vacancy-population-2023": { "slug": "nagano-cities-vacancy-population-2023", "title": "長野県19市の人口と空き家", "source": "data/public-analysis/followup-housing/長野県19市_人口世帯空き家_データ.csv", "source_sha256": "a6c292aceaf4e24319692edc842bc98a11acee8aec6e579e935e940c5bb8f911", "rows": 19, "columns": 28, "verified_total": 103, "executed_count": 56, "screened_count": 47, "executed": { "pandas": { "rows": 19, "columns": 28, "target": "vacancy_restricted_rate_pct", "missing": 0 }, "numpy": { "mean": 8.909721, "median": 8.659639, "p10": 6.497882, "p90": 10.841208 }, "polars": { "rows": 19, "columns": 28 }, "duckdb": { "rows": 19 }, "pyarrow": { "rows": 19 }, "openpyxl": { "rows": 19 }, "pyreadstat": { "rows": 19 }, "researchpy": { "summary_rows": 1 }, "scipy": { "spearman_row": 0.082456, "theil_slope": 0.009156, "bootstrap_mean_ci": [ 8.016721, 9.722256 ] }, "statsmodels": { "slope": 0.036277, "pvalue": 0.681401, "r2": 0.010671 }, "scikit-learn": { "pca_first": 0.556940620679698, "clusters": [ 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0 ] }, "category_encoders": { "encoded_columns": 19 }, "feature-engine": { "rows": 19 }, "xgboost": { "cv_mae": 1.6183413408436718 }, "lightgbm": { "cv_mae": 1.7681741143714513 }, "shap": { "mean_abs": [ 0.20279757678508759, 0.0038052601739764214, 0.0, 0.0, 0.0, 0.0, 0.036082085222005844, 0.0, 0.05383175238966942, 0.0, 0.0, 0.02958187647163868, 0.22962281107902527, 0.02928937040269375, 0.9308404326438904, 0.1565854549407959, 0.0, 0.025886746123433113, 0.037651654332876205 ] }, "optuna": { "best_mae": 1.5749177017297242, "trials": 5 }, "umap-learn": { "shape": [ 19, 2 ] }, "hdbscan": { "labels": [ -1 ] }, "matplotlib": { "path": "public/research/figures/nagano-cities-vacancy-population-2023_再確認_ja.png", "sha256": "92a794fd34f30b199b46c47a6f1dcfd2cff7e391a1d856bb553e5ad1d417206c" }, "seaborn": { "path": "public/research/figures/nagano-cities-vacancy-population-2023_分布監査_ja.png" }, "plotly": { "path": "public/research/nagano-cities-vacancy-population-2023_対話監査.html" }, "scikit-image": { "edge_density": 0.047864583333333335 }, "missingno": { "missing": 0 }, "janome": { "tokens": 1983 }, "fugashi": { "tokens": 2060 }, "sudachipy": { "tokens": 2078 }, "wordcloud": { "path": "public/research/figures/nagano-cities-vacancy-population-2023_用語監査.png" }, "gensim": { "topics": 3, "terms": 95 }, "networkx": { "nodes": 28, "edges": 39 }, "python-louvain": { "communities": 6 }, "igraph": { "nodes": 28, "components": 1 }, "pydot": { "nodes": 6, "edges": 5, "dot_chars": 216 }, "pyvis": { "nodes": 6, "edges": 5, "html_chars": 5084 }, "sympy": { "exact_scaled_sum": "169284695904940971/1000000000000000" }, "autograd": { "mean_abs_gradient": 0.9378653512739112 }, "numdifftools": { "mean_abs_gradient": 0.9378653512739208 }, "numba": { "rows": 19, "mean": -9.758276058547428e-16, "std": 1.0 }, "numexpr": { "rows": 19, "max_abs_difference": 2.220446049250313e-16 }, "xarray": { "rows": 19, "mean": 8.909720837102158 }, "xarray-einstats": { "rank_min": 1.0, "rank_max": 19.0 }, "formulaic": { "shape": [ 19, 2 ], "columns": [ "Intercept", "row_index" ] }, "patsy": { "shape": [ 19, 5 ], "columns": [ "Intercept", "bs(row_index, df=4)[0]", "bs(row_index, df=4)[1]", "bs(row_index, df=4)[2]", "bs(row_index, df=4)[3]" ] }, "SALib": { "rounding_sensitivity": 2.048130936159889 }, "openturns": { "mc_mean": 9.00881443912866 }, "dask": { "partitions": 4, "rows": 19 }, "pandera": { "rows": 19, "columns": 28, "violations": 0 }, "pyjanitor": { "rows": 19, "columns": 28, "names_unique": true }, "bokeh": { "points": 19, "root_id": "p2065" }, "altair": { "rows": 19, "mark": "line" }, "plotnine": { "rows": 19, "axes": 1 }, "holoviews": { "points": 19, "renderer": "figure" }, "pyod": { "candidate_row": 2, "rows": 19 }, "river": { "updates": 19, "prequential_mae": 702.2274340359444 }, "catboost": { "rows": 19, "training_mae": 1.2470945150131387 }, "prince": { "shape": [ 19, 2 ] } }, "screened": { "pingouin": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "factor_analyzer": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "semopy": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-posthocs": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "statsmodels(MixedLM)": "個票、尺度項目、繰返し測定、階層IDのいずれかがない", "scikit-learn(IterativeImputer)": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "pymc": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "arviz": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "bambi": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "dowhy": "処置割付、因果グラフ、パネル識別条件がない", "econml": "処置割付、因果グラフ、パネル識別条件がない", "linearmodels": "処置割付、因果グラフ、パネル識別条件がない", "imbalanced-learn": "不均衡な個票分類の目的変数がない", "yellowbrick": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "prophet": "比較可能な十分な長さの時系列がない", "pmdarima": "比較可能な十分な長さの時系列がない", "statsforecast": "比較可能な十分な長さの時系列がない", "arch": "比較可能な十分な長さの時系列がない", "ruptures": "比較可能な十分な長さの時系列がない", "sktime": "比較可能な十分な長さの時系列がない", "tslearn": "比較可能な十分な長さの時系列がない", "lifelines": "観察期間とイベント・打ち切り情報がない", "scikit-survival": "観察期間とイベント・打ち切り情報がない", "mlxtend": "併売・同時発生トランザクションがない", "spacy": "対象分野の検証済み日本語モデルを固定できない", "textstat": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "causal-learn": "独立観測と交絡条件を満たす個票がなく、因果探索の方向を公表できない", "cvxpy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "highspy": "最適化の目的関数・費用係数・制約条件が資料内で定義されていない", "sparse": "現行原表は低次元で疎行列化による新しい計算上の利点がない", "pyhdfe": "吸収すべき高次元固定効果を持つパネル構造がない", "nltk": "日本語原文にはJanome・Fugashi・SudachiPyを使い、英字正規表現を重ねても新しい論点にならない", "statannotations": "有意差注記に必要な独立群の個票観測がない", "holidays": "祝日を特徴量化できる日次データがない", "utilsforecast": "この問いと集計粒度で実行すると過剰解釈になる（有効数値行19）", "skforecast": "比較可能な年次列と十分な長さの系列がない", "tsfresh": "比較可能な年次列と十分な長さの系列がない", "pymannkendall": "比較可能な年次列と十分な長さの系列がない", "filterpy": "比較可能な年次列と十分な長さの系列がない", "copulas": "地域・制度区分の集計値から合成標本を作ると、存在しない観測を実データと誤認させる", "dcor": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "hyppo": "独立観測と十分な標本数を同時に満たさず、非線形依存の検定を公表できない", "kmodes": "安定したカテゴリ群を作れる標本数と分類目的がない", "kneed": "クラスタ数を選ぶための十分な観測数と安定した折れ曲がりがない", "datashader": "画素集約が必要な大量点データではない", "minisom": "自己組織化マップの近傍構造を安定して学習できる標本数がない", "pykalman": "比較可能な年次列と十分な長さの系列がない" }, "attempt_failures_not_counted": {}, "competing_interpretations": [ "人口減少率と空き家率の関係は市域構造と住宅種別を含む", "19市の相関は町村や個別地区へ一般化できない" ], "public_note": { "ja": "103機能を全件監査し、56機能を原表の再計算・別実装照合・頑健性・感度・可視化・用語監査へ適用しました。47機能は前提不成立の理由を保存しています。", "en": "All 103 capabilities were screened. 56 were applied to recalculation, independent implementations, robustness, sensitivity, visualization, or terminology audits; 47 retain explicit exclusion reasons." } } } }