差の差分法

同義語:差分の差分法difference-in-differencesdifference in differences

概要

差の差分法(difference-in-differences)とは、処置群と対照群を処置の前後で観測し、処置群の前後差から対照群の前後差を引いて処置の効果を推定する方法である。処置がなかったときの結果の平均の変化が両群で同じという平行トレンドの仮定と、処置の前の結果が処置を見越して変わらないという仮定のもとで、差の差は処置群での平均処置効果に等しい。推定量は 2 群 2 時点の回帰や二方向固定効果の回帰の係数として書け、パネルデータでは一致性と漸近正規性をもつ。処置の時期が群ごとにずれ効果が群や時点で違うときは、二方向固定効果の回帰の係数は効果の重み付き和で、重みが負になることがある。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: 因果推論, 最小二乗法, 中心極限定理

差の差分法(difference-in-differences)は、処置を受けた群(処置群)と受けなかった群(対照群)を、処置の前と後の 2 時点で観測し、「処置群の前後差」から「対照群の前後差」を引いて処置の効果を推定する方法である。2 つの群が処置の前から違っていても、その違いが時間によらなければ前後差をとったときに消え、時間の変化が両群で同じなら群の差をとったときに消える。後者の仮定を 平行トレンドの仮定 という。
この記事では、平行トレンドの仮定と予期のないことのもとで、差の差が処置群での平均処置効果に等しいこと(thm-did-ident)を証明し、共変量で条件付けた版(prop-did-conditional)を述べる。推定量については、3 つの回帰の係数がどれも差の差に一致すること(prop-did-regression)と、一致性・漸近正規性(thm-did-asymp)を証明する。最後に、処置の時期が群ごとにずれるとき、二方向固定効果の回帰の係数が効果の重み付き和で、重みが負になりうること(thm-did-twfe)を証明し、すべての効果が正なのに係数が負になる例を示す。

設定と識別

各個体は群の指示変数 $G\in\{0,1\}$ をもち、時点 $t=0$(処置の前)と $t=1$(処置の後)で観測される。$G=1$ の個体は時点 $1$ でだけ処置を受ける。因果推論 の定義「潜在結果と平均処置効果」の記法で、各時点 $t$ に潜在結果 $Y_t(0),Y_t(1)$(処置を受けなかったとき・受けたときの結果)を考える。観測される結果は
$$ Y_0=Y_0(0),\qquad Y_1=G\,Y_1(1)+(1-G)\,Y_1(0) $$
とする。$Y_0=Y_0(0)$ は、時点 $0$ の結果が将来の処置の影響を受けないこと(予期がないこと)を表している。以下 $0< P(G=1)< 1$ とし、出てくる確率変数はすべて可積分とする。前後差を $\Delta Y:=Y_1-Y_0$、$\Delta Y(0):=Y_1(0)-Y_0(0)$ と書く。

処置群での平均処置効果と平行トレンド
  1. $\mathrm{ATT}:=E[Y_1(1)-Y_1(0)\mid G=1]$ を 処置群での平均処置効果 という。
  2. $E[\Delta Y(0)\mid G=1]=E[\Delta Y(0)\mid G=0]$ を 平行トレンドの仮定 という。処置がなかったときの結果の平均の変化が、両群で同じであることを言う。
  3. 観測される分布から決まる量
    $$ \tau_{\mathrm{DiD}}:=\bigl(E[Y_1\mid G=1]-E[Y_0\mid G=1]\bigr)-\bigl(E[Y_1\mid G=0]-E[Y_0\mid G=0]\bigr) $$
    を 差の差 という。

$\mathrm{ATT}$ の $Y_1(0)$ は処置群では観測されない(反実仮想の)量なので、そのままでは推定できない。差の差はそれを対照群の変化で補う。

差の差による識別

上の設定で、平行トレンドが成り立つかどうかによらず
$$ \tau_{\mathrm{DiD}}=\mathrm{ATT}+\Bigl(E[\Delta Y(0)\mid G=1]-E[\Delta Y(0)\mid G=0]\Bigr) $$
である。とくに平行トレンドの仮定のもとで $\tau_{\mathrm{DiD}}=\mathrm{ATT}$ である。

観測されない項を足して引く

$G=1$ の上では $Y_1=Y_1(1)$、$Y_0=Y_0(0)$ なので
$$ E[Y_1-Y_0\mid G=1]=E[Y_1(1)-Y_1(0)\mid G=1]+E[Y_1(0)-Y_0(0)\mid G=1]=\mathrm{ATT}+E[\Delta Y(0)\mid G=1] $$
である(観測されない $E[Y_1(0)\mid G=1]$ を足して引いた)。$G=0$ の上では $Y_1=Y_1(0)$、$Y_0=Y_0(0)$ なので $E[Y_1-Y_0\mid G=0]=E[\Delta Y(0)\mid G=0]$。2 つを引けば主張の等式になり、平行トレンドのもとで括弧の中は $0$ である。$\square$

括弧の中は、平行トレンドからずれた分だけ差の差を偏らせる。この量は $Y_1(0)$ を処置群で含むので、2 時点のデータからは推定できず、平行トレンドの仮定はデータだけからは検証できない。処置の前の時点がさらにあるときは、処置の前どうしの変化を両群で比べて、仮定がもっともらしいかを調べることが多い(処置の前の変化が同じでも、処置の時点の変化が同じとは限らない)。
よく使われる構造モデル
$$ Y_{t}=W+S_t+\tau\,G\,\mathbf 1\{t=1\}+\xi_t,\qquad E[\xi_t\mid W,S_t,G]=0 $$
($W$ は個体の時間によらない効果、$S_t$ は全個体に共通の時点の効果で、$G$ と独立とする。処置がなければ $Y_t(0)=W+S_t+\xi_t$、処置の効果は $Y_1(1)-Y_1(0)=\tau$)では、$W$ が群ごとに違ってもよく、$\Delta Y(0)=S_1-S_0+\xi_1-\xi_0$ の平均は群によらないので平行トレンドが成り立ち、$\tau_{\mathrm{DiD}}=\tau$ である。Mur25 §36.6(式 (36.86)〜(36.88)、pp. 1216–1217)は、最低賃金を引き上げた州と隣の州の飲食店の雇用を比べた Card と Krueger の研究を例に、この模型を説明している。

共変量で条件付けた平行トレンド

両群で共変量 $X$ の分布が違い、時間の変化が $X$ に依るときは、平行トレンドを $X$ ごとに仮定するほうがもっともらしい。

条件付き平行トレンドによる識別

上の設定に共変量 $X$ を加え、次を仮定する。

  1. 条件付き平行トレンド:$E[\Delta Y(0)\mid X,G=1]=E[\Delta Y(0)\mid X,G=0]$(ほとんど確実に)。
  2. 重なり:$P(G=1\mid X)< 1$(ほとんど確実に)。
    このとき
    $$ \mathrm{ATT}=E\Bigl[\,E[\Delta Y\mid X,G=1]-E[\Delta Y\mid X,G=0]\Bigm|G=1\Bigr] $$
    である(Mur25 Theorem 5、pp. 1218–1219)。

prf-did-ident と同じ計算を $X$ を条件にして行うと、$E[\Delta Y\mid X,G=1]=E[Y_1(1)-Y_1(0)\mid X,G=1]+E[\Delta Y(0)\mid X,G=1]$、$E[\Delta Y\mid X,G=0]=E[\Delta Y(0)\mid X,G=0]$ である。重なりの仮定により、処置群の $X$ の分布のもとで $G=0$ を条件とする条件付き期待値がほとんど確実に定まる。条件付き平行トレンドから差は $E[Y_1(1)-Y_1(0)\mid X,G=1]$ で、これを $G=1$ のもとで平均すれば、条件付き期待値 の塔の性質により $\mathrm{ATT}$ になる。$\square$

右辺は、結果を $\Delta Y$ に替えたときの、共変量による調整の式(因果推論 の定理「無視可能性と調整の公式」)の処置群での版と同じ形をしている。従って推定には 傾向スコア の方法(とくに注意「処置群での効果」)がそのまま使える(Mur25 §36.6.1、p. 1219)。

推定量と回帰による表示

以下、$(Y_{0i},Y_{1i},G_i)$($i=1,\dots,n$)は $(Y_0,Y_1,G)$ と同じ分布の独立な列とする(パネルデータ)。$n_1:=\sum_iG_i$、$n_0:=n-n_1$ とし、$0< n_1< n$ のとき
$$ \hat\tau:=\frac1{n_1}\sum_{i:G_i=1}\Delta Y_i-\frac1{n_0}\sum_{i:G_i=0}\Delta Y_i,\qquad\Delta Y_i:=Y_{1i}-Y_{0i} $$
とおく。これは群 $g$・時点 $t$ の標本平均 $\bar Y_{gt}$ を使って $(\bar Y_{11}-\bar Y_{10})-(\bar Y_{01}-\bar Y_{00})$ とも書ける。

差の差の 3 つの回帰表示

$0< n_1< n$ とする。次の 3 つの最小二乗法の $\tau$ の係数は、どれも $\hat\tau$ に等しい。

  1. 前後差の回帰:$\sum_i(\Delta Y_i-\lambda-\tau G_i)^2$ を $(\lambda,\tau)$ で最小にする。
  2. 2 群 2 時点の回帰:$2n$ 個の観測 $Y_{ti}$ について $\sum_{i,t}(Y_{ti}-\alpha-\gamma G_i-\lambda t-\tau G_it)^2$ を最小にする。
  3. 二方向固定効果の回帰:個体ごとの定数 $a_i$ を入れて $\sum_{i,t}(Y_{ti}-a_i-\lambda t-\tau G_it)^2$ を最小にする。
平均への射影と個体の定数の消去

1:説明変数が $1$ と群の指示変数だけの回帰では、当てはめ値は各群の $\Delta Y_i$ の平均になる(群ごとに定数を当てはめる最小二乗法と同じで、群 $g$ の当てはめ値は $\lambda+\tau g$、群ごとの 2 乗和は平均で最小になる)。よって $\hat\lambda$ は $G=0$ の平均、$\hat\lambda+\hat\tau$ は $G=1$ の平均で、$\hat\tau$ はその差である。
2:説明変数 $1,G,t,Gt$ の張る空間は、4 つのセル $(g,t)$ の指示関数の張る空間と同じである(指示関数は $(1-G)(1-t)$ などと書け、逆に $1,G,t,Gt$ は指示関数の和である)。どちらも 4 次元なので係数は一意で、当てはめ値は各セルでの定数、すなわちセルの平均 $\bar Y_{gt}$ になる。当てはめ値が $\alpha+\gamma g+\lambda t+\tau gt$ なので、$\tau=(\bar Y_{11}-\bar Y_{10})-(\bar Y_{01}-\bar Y_{00})=\hat\tau$。
3:$(\lambda,\tau)$ を止めて $a_i$ について最小にする。$r_{ti}:=Y_{ti}-\lambda t-\tau G_it$ とおくと、$\sum_t(r_{ti}-a_i)^2$ は $a_i=(r_{0i}+r_{1i})/2$ で最小になり、最小値は $(r_{1i}-r_{0i})^2/2=(\Delta Y_i-\lambda-\tau G_i)^2/2$ である。残った $(\lambda,\tau)$ の目的関数は 1 の目的関数の $1/2$ 倍なので、最小点は 1 と同じである。$\square$

2 の回帰はパネルでなくてもよく、各時点で別の個体を観測するデータ(繰り返しの横断面)でも、係数はセルの平均の差の差になる。

差の差の推定量の漸近的な性質

パネルデータで、$p:=P(G=1)\in(0,1)$、$E[(\Delta Y)^2]< \infty$ とし、$\mu_g:=E[\Delta Y\mid G=g]$、$\sigma_g^2:=\mathrm{Var}(\Delta Y\mid G=g)$ とおく。このとき $\hat\tau\to\tau_{\mathrm{DiD}}=\mu_1-\mu_0$(概収束)で、
$$ \sqrt n\,(\hat\tau-\tau_{\mathrm{DiD}})\xrightarrow{d}\mathcal N\Bigl(0,\ \frac{\sigma_1^2}p+\frac{\sigma_0^2}{1-p}\Bigr) $$
である($\hat\tau$ が定まらない事象 $\{n_1\in\{0,n\}\}$ の確率は $0$ に収束するので、そこでは任意の値を置く)。平行トレンドと予期のないことのもとでは、thm-did-ident により $\tau_{\mathrm{DiD}}=\mathrm{ATT}$ である。

群ごとの和に分けて中心極限定理を当てる

$\hat p:=n_1/n$ とおくと
$$ \hat\tau-(\mu_1-\mu_0)=\frac{\frac1n\sum_iG_i(\Delta Y_i-\mu_1)}{\hat p}-\frac{\frac1n\sum_i(1-G_i)(\Delta Y_i-\mu_0)}{1-\hat p} $$
である。大数の強法則 により $\hat p\to p$ で、2 つの分子は $E[G(\Delta Y-\mu_1)]=p\,(E[\Delta Y\mid G=1]-\mu_1)=0$ と同様に $0$ に概収束する。これで一致性が従う。
ベクトル $V_i:=\bigl(G_i(\Delta Y_i-\mu_1),\,(1-G_i)(\Delta Y_i-\mu_0)\bigr)$ は平均 $0$ で、$G_i(1-G_i)=0$ から 2 成分の積は $0$、分散は $E[G(\Delta Y-\mu_1)^2]=p\sigma_1^2$ と $(1-p)\sigma_0^2$ である。中心極限定理 により $n^{-1/2}\sum_iV_i$ は共分散行列 $\operatorname{diag}(p\sigma_1^2,(1-p)\sigma_0^2)$ の正規分布に分布収束する。$\sqrt n(\hat\tau-\tau_{\mathrm{DiD}})$ はこれに $(1/\hat p,\,-1/(1-\hat p))$ を掛けたもので、係数は $(1/p,-1/(1-p))$ に収束するから、Slutsky の補題により極限は分散 $p\sigma_1^2/p^2+(1-p)\sigma_0^2/(1-p)^2$ の正規分布である。$\square$

分散の推定には $\sigma_g^2$ を群ごとの標本分散に、$p$ を $\hat p$ に替えればよい(大数の強法則 により一致する)。同じ個体の 2 時点の誤差は一般に相関するので、prop-did-regression の 2 の回帰を $2n$ 個の独立な観測とみなした標準誤差は一般に正しくない。前後差をとってから扱えばこの相関は問題にならない。

処置の時期がずれるとき

多くの時点と群があり、群ごとに処置を始める時期が違うとき、prop-did-regression の 3 を一般化した二方向固定効果の回帰がよく使われる。効果が群や時点によって違うと、その係数は解釈しにくい量になる。
群(または個体)$i=1,\dots,N$ を時点 $t=1,\dots,T$ で観測し、処置の指示 $D_{it}\in\{0,1\}$ は確率的でない(計画で決まっている)とする。潜在結果 $Y_{it}(0),Y_{it}(1)$ から $Y_{it}=Y_{it}(0)+D_{it}\bigl(Y_{it}(1)-Y_{it}(0)\bigr)$ を観測し、$\tau_{it}:=E[Y_{it}(1)-Y_{it}(0)]$ とおく。$N\times T$ の行列 $M$ に対し、行の平均 $\bar M_{i\cdot}$、列の平均 $\bar M_{\cdot t}$、全体の平均 $\bar M$ を使って
$$ \tilde M_{it}:=M_{it}-\bar M_{i\cdot}-\bar M_{\cdot t}+\bar M $$
と書く(二方向の中心化)。行列の内積は $\langle M,M'\rangle:=\sum_{i,t}M_{it}M'_{it}$ とする。

二方向固定効果の係数の分解

上の設定で次を仮定する。

  1. 平行トレンド:ある実数 $\alpha_i,\lambda_t$ があって $E[Y_{it}(0)]=\alpha_i+\lambda_t$。
  2. 退化しないこと:$\tilde D\ne0$($D$ が $a_i+b_t$ の形でない)。
    $\sum_{i,t}(Y_{it}-a_i-b_t-\tau D_{it})^2$ を $(a,b,\tau)$ で最小にしたときの $\tau$ を $\hat\tau_{\mathrm{FE}}$ とする。このとき $\hat\tau_{\mathrm{FE}}$ は一意に定まり、
    $$ \hat\tau_{\mathrm{FE}}=\frac{\langle\tilde D,Y\rangle}{\langle\tilde D,\tilde D\rangle},\qquad E[\hat\tau_{\mathrm{FE}}]=\sum_{(i,t):D_{it}=1}\omega_{it}\tau_{it},\qquad\omega_{it}:=\frac{\tilde D_{it}}{\sum_{(j,s):D_{js}=1}\tilde D_{js}} $$
    である。重みの和は $1$ だが、負の重みがありうる(dCDH20 Theorem 1、p. 7)。
二方向の中心化は固定効果の空間への射影の残差

$a_i+b_t$ の形の行列全体を $S$ とする。$\tilde M$ は各行・各列の和が $0$ なので、どの $a_i+b_t$ とも内積が $0$ で、$\tilde M\perp S$ である。また $M-\tilde M=\bar M_{i\cdot}+\bar M_{\cdot t}-\bar M\in S$ なので、$\tilde M$ は $M$ から $S$ への直交射影を引いた残差である。2 から $D\notin S$ である。
最小化は $Y$ を $S+\mathbb R D$ へ直交射影することで、射影 $\hat s+\hat\tau_{\mathrm{FE}}D$($\hat s\in S$)は一意である。$D\notin S$ なので、この和の表し方も一意で、$\hat\tau_{\mathrm{FE}}$ は一意に定まる($a_i,b_t$ 自体は定数のずらしの分だけ一意でない)。残差 $r:=Y-\hat s-\hat\tau_{\mathrm{FE}}D$ は $S$ と $D$ に直交し、$\tilde D=D-(D-\tilde D)$ は $D$ と $S$ の元の差なので $\langle\tilde D,r\rangle=0$ である。従って
$$ \langle\tilde D,Y\rangle=\langle\tilde D,\hat s\rangle+\hat\tau_{\mathrm{FE}}\langle\tilde D,D\rangle=\hat\tau_{\mathrm{FE}}\langle\tilde D,\tilde D\rangle $$
($\tilde D\perp S$ と $\langle\tilde D,D-\tilde D\rangle=0$ による)で、$\tilde D\ne0$ から最初の式が出る。
$E[Y_{it}]=\alpha_i+\lambda_t+D_{it}\tau_{it}$ で、$\alpha_i+\lambda_t\in S$ は $\tilde D$ と直交するから、$E[\langle\tilde D,Y\rangle]=\sum_{i,t}\tilde D_{it}D_{it}\tau_{it}$ である。分母は $\langle\tilde D,\tilde D\rangle=\langle\tilde D,D\rangle=\sum_{D_{it}=1}\tilde D_{it}$ なので、$E[\hat\tau_{\mathrm{FE}}]$ の式と重みの和が $1$ であることが従う。$\square$

$N$ 個の個体で $T=2$、$D_{it}=G_i\mathbf 1\{t=2\}$ のときは、処置されたセルの $\tilde D$ はすべて等しく($(1-\bar G)/2$)、重みは処置されたセルの数の逆数で正である。処置の時期がずれると、早く処置された群の遅い時点のように、$\tilde D_{it}< 0$ となる処置されたセルが現れる。Goodman-Bacon は、$\hat\tau_{\mathrm{FE}}$ が 2 群 2 時点の差の差の推定量の重み付き平均に分解され、その中に「すでに処置された群を対照群とする比較」が含まれることを示した(GB21 Theorem 1、pp. 7–8)。負の重みはこの比較から来る。

効果がすべて正なのに係数が負になる例

$N=2$、$T=3$ とし、群 A は時点 3 だけ、群 B は時点 2 と 3 で処置を受ける:$D_{A\cdot}=(0,0,1)$、$D_{B\cdot}=(0,1,1)$。行の平均は $1/3,2/3$、列の平均は $0,1/2,1$、全体の平均は $1/2$ なので、処置されたセルについて
$$ \tilde D_{A3}=1-\tfrac13-1+\tfrac12=\tfrac16,\qquad\tilde D_{B2}=1-\tfrac23-\tfrac12+\tfrac12=\tfrac13,\qquad\tilde D_{B3}=1-\tfrac23-1+\tfrac12=-\tfrac16 $$
で、和は $1/3$、重みは $\omega_{A3}=\frac12$、$\omega_{B2}=1$、$\omega_{B3}=-\frac12$ である。効果が処置の開始時に $1$ で、群 B では次の時点に $4$ へ育つとする($\tau_{A3}=\tau_{B2}=1$、$\tau_{B3}=4$)。平行トレンドが成り立っていても
$$ E[\hat\tau_{\mathrm{FE}}]=\tfrac12\cdot1+1\cdot1-\tfrac12\cdot4=-\tfrac12< 0 $$
である(dCDH20 pp. 8–9 の例と同じ数値)。効果がどのセルでも同じ値 $\tau$ なら、重みの和が $1$ なので $E[\hat\tau_{\mathrm{FE}}]=\tau$ である。

例と反例

4 つの平均からの計算

処置群の結果の平均が前 $20$・後 $21$、対照群が前 $23$・後 $21.5$ とする。処置の後だけで比べると $21-21.5=-0.5$、処置群の前後だけで比べると $21-20=1$ だが、差の差は $(21-20)-(21.5-23)=2.5$ である。前者は両群のもとからの差 $-3$ を、後者は共通の時点の変化 $-1.5$ を、効果と取り違えている。

反例:結果が一時的に低い個体を処置に選ぶ

$Y_t(0)=W+\eta_t$($t=0,1$)とし、$\eta_0,\eta_1$ は $W$ と独立で、互いに独立な標準正規分布に従うとする。処置は効果をもたない($Y_1(1)=Y_1(0)$、$\mathrm{ATT}=0$)が、時点 $0$ の一時的な落ち込みで処置群を選ぶ:$G=\mathbf 1\{\eta_0< 0\}$。予期のないことは成り立つ。$\Delta Y(0)=\eta_1-\eta_0$ で、$E[\eta_0\mid\eta_0< 0]=-\sqrt{2/\pi}$(正規分布 の密度 $\varphi$ について $\int_{-\infty}^0x\varphi(x)\,dx=-\varphi(0)$ を $P(\eta_0< 0)=\frac12$ で割る)、対称性から $E[\eta_0\mid\eta_0\ge0]=\sqrt{2/\pi}$ なので
$$ E[\Delta Y(0)\mid G=1]-E[\Delta Y(0)\mid G=0]=\sqrt{2/\pi}-\bigl(-\sqrt{2/\pi}\bigr)=2\sqrt{2/\pi}\approx1.596 $$
で、平行トレンドが成り立たない。thm-did-ident により $\tau_{\mathrm{DiD}}=2\sqrt{2/\pi}\ne0=\mathrm{ATT}$ である。落ち込みが次の時点に戻る分を、差の差は効果と取り違える。

反例:処置を見越して前の時点の結果が変わる

平行トレンドは成り立つが、処置群の個体が処置を見越して時点 $0$ の結果を $a\ne0$ だけ下げる($G=1$ の上で $Y_0=Y_0(0)-a$)とする。prf-did-ident の計算で $E[Y_1-Y_0\mid G=1]$ に $a$ が加わるので、$\tau_{\mathrm{DiD}}=\mathrm{ATT}+a\ne\mathrm{ATT}$ である。

主張外した仮定反例確かめ
$\tau_{\mathrm{DiD}}=\mathrm{ATT}$(thm-did-ident)平行トレンドex-did-selection$\tau_{\mathrm{DiD}}=2\sqrt{2/\pi}$、$\mathrm{ATT}=0$
$\tau_{\mathrm{DiD}}=\mathrm{ATT}$(thm-did-ident)予期のないことex-did-anticipation$\tau_{\mathrm{DiD}}-\mathrm{ATT}=a$
二方向固定効果の係数の期待値は処置されたセルの効果の重み非負の平均効果がセルによらないこと(thm-did-twfe の仮定は満たす)ex-did-negative効果は $1,1,4$ でどれも正、$E[\hat\tau_{\mathrm{FE}}]=-\frac12$
平行トレンドは尺度に依る

処置がないときの結果の平均が、処置群で $10\to20$、対照群で $20\to30$ と動くなら、水準では平行トレンドが成り立つ(どちらも $+10$)。対数をとると変化は $\log2\approx0.693$ と $\log\frac32\approx0.405$ で、成り立たない。平行トレンドは結果の尺度ごとの仮定で、単調な変換で保たれるとは限らない。効果を比率で測りたいときは、対数の尺度で平行トレンドを仮定する必要がある。

関連項目

参考文献

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する