kubo2015ngt6 p.2 ( ( (MLE 8 y i L(q q log L(q q 0 ˆq log L(q / q = 0 q ˆq = = = * ˆq = 0.46 ( 8 y 0.46 y y y i kubo (ht
|
|
- きのこ ますはら
- 5 years ago
- Views:
Transcription
1 kubo2015ngt6 p (6 1 ( JAGS : :48 kubo ( (6 1 / 70 kubo ( (6 2 / 70 ( 階層ベイズモデル もっと自由な統計モデリングを! 線形モデルの発展 (HBM 一般化線形混合モデル 個体差 場所差といった変量効果をあつかいたい 一般化線形モデル 正規分布以外の確率分布をあつかいたい (GLMM 推定計算方法 MCMC 最尤推定法 (GLM 最小二乗法 線形モデル 1. ( kubo ( (6 3 / 70 kubo ( (6 4 / 70 ( ( : ( y i q i N i y i p(y i q = ( Ni y i q y i (1 q N i y i, q kubo ( (6 5 / 70 kubo ( (6 6 / 70
2 kubo2015ngt6 p.2 ( ( (MLE 8 y i L(q q log L(q q 0 ˆq log L(q / q = 0 q ˆq = = = * ˆq = 0.46 ( 8 y 0.46 y y y i kubo ( (6 7 / 70 kubo ( (6 8 / 70 ( ( 2. kubo ( (6 9 / 70 kubo ( (6 10 / 70 : MCMC ( Markov chain Monte Carlo (MCMC (Metropolis method :?? log L(q * : q q ( kubo ( (6 11 / 70 kubo ( (6 12 / 70
3 kubo2015ngt6 p.3 q q 1 q 2 q 3 (1, (2 kubo ( (6 13 / 70 : 1 q ( q q ( q q new 3 q new L(q new L(q L(q new L(q (: q q new L(q new < L(q (: r = L(qnew/L(q q qnew 1 r q 4 2. (q = 0.01 q = 0.99 kubo ( (6 14 / 70 q (MCMC kubo ( (6 15 / 70 q ( MCMC ? q kubo ( (6 16 / 70 q q ? q q ? q MCMC MCMC?? kubo ( (6 17 / 70 kubo ( (6 18 / 70
4 kubo2015ngt6 p.4? q MCMC q q? log L(q * L(q p(q = L(q L(q q kubo ( (6 19 / 70 kubo ( (6 20 / 70 q ( MCMC p(q q 95%! kubo ( (6 21 / 70 q MCMC q kubo ( (6 22 / 70 kubo ( (6 23 / 70 kubo ( (6 24 / 70
5 kubo2015ngt6 p.5 最尤推定と MCMC はちがう! 同じような推定を MCMC でやってみる q の事前分布は一様分布 と考えるとつじつまがあう? 事後分布 p(q Y 0.00 (事後分布 事前分布 p(q (尤度に比例 p(y はデータ Y が得られる確率 (単なる規格化定数 尤度 L(q 1.98 p(q Y = 0 p(y q p(q p(y p(q Y は何かデータ (Y のもとで何かパラメーター (q が 得られる確率 (事後分布 p(q はあるパラメーター q が得られる確率 (事前分布 p(y q パラメーターを決めたときにデータが得られる確率 ベイズの公式 最尤推定と MCMC はちがう! ベイズ統計にむりやりこじつけてみると? 0.10 ベイズモデル: 尤度 事後分布 事前分布 0.05 同じような推定を MCMC でやってみる 生存確率 q 尤度 事前分布 (データが得られる確率 事前分布ってのがよくわからない 尤度 事前分布 kubo ( 統計モデリング入門 新潟大 2015 (6 同じような推定を MCMC でやってみる 25 / 70 最尤推定と MCMC はちがう! kubo ( 統計モデリング入門 新潟大 2015 (6 MCMC のためのソフトウェア 26 / 70 Gibbs sampling などが簡単にできるような 以上の説明は MCMC によって得られる結果 3. MCMC のためのソフトウェア は ベイズ統計でいうパラメーターの事後分布 と考えると解釈しやすいかも といったことを Gibbs sampling などが簡単にできるような 事後分布から効率よくサンプリングしたい ばくぜんかつなんとなく対応づける ひとつのこころみでありました 厳密な正当化とかそういったものではありません kubo ( 統計モデリング入門 新潟大 2015 (6 MCMC のためのソフトウェア 27 / 70 Gibbs sampling などが簡単にできるような 統計ソフトウェア R kubo ( 統計モデリング入門 新潟大 2015 (6 MCMC のためのソフトウェア 28 / 70 Gibbs sampling などが簡単にできるような 簡単な GLMM なら R だけで推定可能 今回の例題の事後分布 (Y = {yi } はデータ p(a, {ri }, s Y 100 i=1 p(yi q(a + ri p(a p(ri s p(s 積分で 個体差 ri を消して 周辺尤度を定義する L(a, s Y = 100 i=1 p(yi q(a + ri p(ri sdri これを最大化する a と s を推定すればよい 経験ベイズ法 (empirical Bayesian method kubo ( 統計モデリング入門 新潟大 2015 (6 29 / 70 kubo ( 統計モデリング入門 新潟大 2015 (6 30 / 70
6 kubo2015ngt6 p.6 R R library(glmmml glmmml( library(lme4 lmer( library(nlme nlme( ( GLMM + (! p(q Y L(q p(q q OK kubo ( (6 31 / 70 kubo ( (6 32 / 70 :? MCMC? > post.mcmc[,"a"] # [1] [9] [17] (... 95% N = 1200 Bandwidth = kubo ( (6 33 / 70 1 : : 2 R package : package : 3 BUGS Gibbs sampler : Gibbs sampler? kubo ( (6 34 / 70 MCMC Gibbs sampling? MCMC : MCMC : : MCMC ( : β 1 β 2 Gibbs sampling 1 β 2 2 β 2 β 1 MCMC sampling ( 3 β 1 β 2 MCMC sampling ( kubo ( (6 35 / 70 kubo ( (6 36 / 70
7 kubo2015ngt6 p.7 : Gibbs sampling ( 9 BUGS Gibbs sampler MCMC step β β β β BUGS (+ WinBUGS? step β β 2 OpenBUGS? JAGS OS step β β 2 kubo ( (6 37 / 70 Stan : BUGS? kubo ( (6 38 / 70 BUGS WinBUGS データ Y[i] 種子数 8 個のうちの生存数 二項分布 dbin(q,8 生存確率 q 無情報事前分布 BUGS BUGS : Spiegelhalter et al BUGS: Bayesian Using Gibbs Sampling version kubo ( (6 39 / 70 Gibbs sampler BUGS ( OpenBUGS Windows kubo ( (6 40 / 70 OS JAGS3.4.0 R JAGS (1 / 3 R core team Martyn Plummer Just Another Gibbs Sampler C++ R Linux, Windows, Mac OS X R : library(rjags library(rjags library(r2winbugs # to use write.model( model.bugs <- function( { for (i in 1:N.data { Y[i] ~ dbin(q, 8 # } q ~ dunif(0.0, 1.0 # q } file.model <- "model.bug.txt" write.model(model.bugs, file.model # kubo ( (6 41 / 70 # kubo ( (6 42 / 70
8 kubo2015ngt6 p.8 R JAGS (2 / 3 load("data.rdata" list.data <- list(y = data, N.data = length(data inits <- list(q = 0.5 n.burnin < n.chain <- 3 n.thin <- 1 n.iter <- n.thin * 1000 model <- jags.model( file = file.model, data = list.data, inits = inits, n.chain = n.chain # kubo ( (6 43 / 70 R JAGS (3 / 3 # burn-in update(model, n.burnin # burn in # post.mcmc.list post.mcmc.list <- coda.samples( model = model, variable.names = names(inits, n.iter = n.iter, thin = n.thin # kubo ( (6 44 / 70 burn in? MCMC step kubo ( (6 45 / 70 MCMC ˆR = MCMC ˆR = MCMC MCMC step! kubo ( (6 46 / 70 ˆR Gibbs sampling plot(post.mcmc.list gelman.diag(post.mcmc.list R-hat Gelman-Rubin ˆR var ˆ + (ψ y = W var ˆ + (ψ y = n 1 n W + 1 n B W : variance B : variance Gelman et al Bayesian Data Analysis. Chapman & Hall/CRC Trace of q Density of q terations N = 1000 Bandwidth = kubo ( (6 47 / 70 kubo ( (6 48 / 70
9 kubo2015ngt6 p.9! ! y i? ( 10 kubo ( (6 49 / 70 kubo ( (6 50 / 70 (overdispersion : y i i N i y i p(y i q i = ( Ni y i q y i i (1 q i N i y i, 0.5 : overdispersion q i kubo ( (6 51 / 70 kubo ( (6 52 / 70 GLM : r i q i = q(z i q(z = 1/{1 + exp( z} q(z z i = a + r i a: r i : i ( z (a {r 1, r 2,, r 100 } /! ( kubo ( (6 53 / 70 kubo ( (6 54 / 70
10 kubo2015ngt6 p.10 {r i } s = 1.0 s = 1.5 s = 3.0 r i 1 p(r i s = ( exp r2 i 2πs 2 2s 2 p(r i s r i r i r i kubo ( (6 55 / 70 : r i (A y i (B p(r i s s = {r i} s = 3.0 r i 1 q i = 1+exp( r i p(y i q i y i kubo ( (6 56 / 70 r i r i {r i } 100 r i s = 1.0 s = 1.5 r i p(r i s = s = πs 2 exp ( r2 i 2s 2 (A (! (B (C s kubo ( (6 57 / 70 kubo ( (6 58 / 70 r i! s = 1.0 s = 1.5 r i s = 3.0 p(r i s = 1 2πs 2 exp ( r2 i 2s 2 kubo ( (6 59 / 70 全データ 個体個体 3 3 のデータのデータ個体 1 のデータ個体個体 3 3 のデータのデータ個体 2 のデータ {r 1, r 2, r 3,..., r 100 } s local parameter a global parameter? kubo ( (6 60 / 70
11 kubo2015ngt6 p.11 {r i } s (B (C s = 1.0 a, s {r i } s s = 1.5 s = s s (non-informative prior 0 < s < 10 4 kubo ( (6 61 / 70 kubo ( (6 62 / 70 a : ( 0; 1 ( 0; (logit a a 種子 8 個のうち Y[i] が生存 生存 q[i] 全個体共通の 平均 a r[i] s hyper parameter kubo ( (6 63 / 70 kubo ( (6 64 / 70 JAGS JAGS 5. JAGS R JAGS BUGS model { } for (i in 1:N.data { Y[i] ~ dbin(q[i], 8 logit(q[i] <- a + r[i] } a ~ dnorm(0, 1.0E-4 for (i in 1:N.data { r[i] ~ dnorm(0, tau } tau <- 1 / (s * s s ~ dunif(0, 1.0E+4 種子 8 個のうち Y[i] が生存 生存 q[i] 全個体共通の 平均 a r[i] s hyper parameter kubo ( (6 65 / 70 kubo ( (6 66 / 70
12 kubo2015ngt6 p.12 JAGS JAGS JAGS > source("mcmc.list2bugs.r" # > post.bugs <- mcmc.list2bugs(post.mcmc.list # bugs 80% 10 interval 5 0 for each 5 10 chain 1 R hat a * r[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] s [76] * array truncated for lack of space 3 chains, each with 4000 iterations (first 2000 discarded a * r s medians and 80% intervals kubo ( (6 67 / 70 bugs post.bugs print(post.bugs, digits.summary = 3 95% 3 chains, each with 4000 iterations (first 2000 discarded, n.thin = 2 n.sims = 3000 iterations saved mean sd 2.5% 25% 50% 75% 97.5% Rhat n.eff a s r[1] r[2] r[3] r[4] r[5] ( r[99] r[100] kubo ( (6 68 / 70 JAGS JAGS R Trace of a Density of a post.mcmc <- to.mcmc(post.bugs terations Trace of s N = 1000 Bandwidth = Density of s matrix terations N = 1000 Bandwidth = kubo ( (6 69 / 70 kubo ( (6 70 / 70
kubostat1g p. MCMC binomial distribution q MCMC : i N i y i p(y i q = ( Ni y i q y i (1 q N i y i, q {y i } q likelihood q L(q {y i } = i=1 p(y i q 1
kubostat1g p.1 1 (g Hierarchical Bayesian Model kubo@ees.hokudai.ac.jp http://goo.gl/7ci The development of linear models Hierarchical Bayesian Model Be more flexible Generalized Linear Mixed Model (GLMM
More information12/1 ( ) GLM, R MCMC, WinBUGS 12/2 ( ) WinBUGS WinBUGS 12/2 ( ) : 12/3 ( ) :? ( :51 ) 2/ 71
2010-12-02 (2010 12 02 10 :51 ) 1/ 71 GCOE 2010-12-02 WinBUGS kubo@ees.hokudai.ac.jp http://goo.gl/bukrb 12/1 ( ) GLM, R MCMC, WinBUGS 12/2 ( ) WinBUGS WinBUGS 12/2 ( ) : 12/3 ( ) :? 2010-12-02 (2010 12
More informationkubo2017sep16a p.1 ( 1 ) : : :55 kubo ( ( 1 ) / 10
kubo2017sep16a p.1 ( 1 ) kubo@ees.hokudai.ac.jp 2017 09 16 : http://goo.gl/8je5wh : 2017 09 13 16:55 kubo (http://goo.gl/ufq2) ( 1 ) 2017 09 16 1 / 106 kubo (http://goo.gl/ufq2) ( 1 ) 2017 09 16 2 / 106
More information/22 R MCMC R R MCMC? 3. Gibbs sampler : kubo/
2006-12-09 1/22 R MCMC R 1. 2. R MCMC? 3. Gibbs sampler : kubo@ees.hokudai.ac.jp http://hosho.ees.hokudai.ac.jp/ kubo/ 2006-12-09 2/22 : ( ) : : ( ) : (?) community ( ) 2006-12-09 3/22 :? 1. ( ) 2. ( )
More information/ *1 *1 c Mike Gonzalez, October 14, Wikimedia Commons.
2010 05 22 1/ 35 2010 2010 05 22 *1 kubo@ees.hokudai.ac.jp *1 c Mike Gonzalez, October 14, 2007. Wikimedia Commons. 2010 05 22 2/ 35 1. 2. 3. 2010 05 22 3/ 35 : 1.? 2. 2010 05 22 4/ 35 1. 2010 05 22 5/
More information60 (W30)? 1. ( ) 2. ( ) web site URL ( :41 ) 1/ 77
60 (W30)? 1. ( ) kubo@ees.hokudai.ac.jp 2. ( ) web site URL http://goo.gl/e1cja!! 2013 03 07 (2013 03 07 17 :41 ) 1/ 77 ! : :? 2013 03 07 (2013 03 07 17 :41 ) 2/ 77 2013 03 07 (2013 03 07 17 :41 ) 3/ 77!!
More informationkubostat2017j p.2 CSV CSV (!) d2.csv d2.csv,, 286,0,A 85,0,B 378,1,A 148,1,B ( :27 ) 10/ 51 kubostat2017j (http://goo.gl/76c4i
kubostat2017j p.1 2017 (j) Categorical Data Analsis kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2017 11 15 : 2017 11 08 17:11 kubostat2017j (http://goo.gl/76c4i) 2017 (j) 2017 11 15 1 / 63 A B C D E F G
More informationkubostat7f p GLM! logistic regression as usual? N? GLM GLM doesn t work! GLM!! probabilit distribution binomial distribution : : β + β x i link functi
kubostat7f p statistaical models appeared in the class 7 (f) kubo@eeshokudaiacjp https://googl/z9cjy 7 : 7 : The development of linear models Hierarchical Baesian Model Be more flexible Generalized Linear
More informationkubostat2017b p.1 agenda I 2017 (b) probability distribution and maximum likelihood estimation :
kubostat2017b p.1 agenda I 2017 (b) probabilit distribution and maimum likelihood estimation kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2017 11 14 : 2017 11 07 15:43 1 : 2 3? 4 kubostat2017b (http://goo.gl/76c4i)
More informationkubostat2017c p (c) Poisson regression, a generalized linear model (GLM) : :
kubostat2017c p.1 2017 (c), a generalized linear model (GLM) : kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2017 11 14 : 2017 11 07 15:43 kubostat2017c (http://goo.gl/76c4i) 2017 (c) 2017 11 14 1 / 47 agenda
More information2014ESJ.key
http://www001.upp.so-net.ne.jp/ito-hi/stat/2014esj/ Statistical Software for State Space Models Commandeur et al. (2011) Journal of Statistical Software 41(1) State Space Models in R Petris & Petrone (2011)
More informationuntitled
MCMC 2004 23 1 I. MCMC 1. 2. 3. 4. MH 5. 6. MCMC 2 II. 1. 2. 3. 4. 5. 3 I. MCMC 1. 2. 3. 4. MH 5. 4 1. MCMC 5 2. A P (A) : P (A)=0.02 A B A B Pr B A) Pr B A c Pr B A)=0.8, Pr B A c =0.1 6 B A 7 8 A, :
More information日心TWS
2017.09.22 (15:40~17:10) 日本心理学会第 81 回大会 TWS ベイジアンデータ解析入門 回帰分析を例に ベイジアンデータ解析 を体験してみる 広島大学大学院教育学研究科平川真 ベイジアン分析のステップ (p.24) 1) データの特定 2) モデルの定義 ( 解釈可能な ) モデルの作成 3) パラメタの事前分布の設定 4) ベイズ推論を用いて パラメタの値に確信度を再配分ベイズ推定
More information一般化線形 (混合) モデル (2) - ロジスティック回帰と GLMM
.. ( ) (2) GLMM kubo@ees.hokudai.ac.jp I http://goo.gl/rrhzey 2013 08 27 : 2013 08 27 08:29 kubostat2013ou2 (http://goo.gl/rrhzey) ( ) (2) 2013 08 27 1 / 74 I.1 N k.2 binomial distribution logit link function.3.4!
More information講義のーと : データ解析のための統計モデリング. 第2回
Title 講義のーと : データ解析のための統計モデリング Author(s) 久保, 拓弥 Issue Date 2008 Doc URL http://hdl.handle.net/2115/49477 Type learningobject Note この講義資料は, 著者のホームページ http://hosho.ees.hokudai.ac.jp/~kub ードできます Note(URL)http://hosho.ees.hokudai.ac.jp/~kubo/ce/EesLecture20
More informationMicrosoft PowerPoint - R-stat-intro_20.ppt [互換モード]
と WinBUGS R で統計解析入門 (20) ベイズ統計 超 入門 WinBUGS と R2WinBUGS のセットアップ 1. 本資料で使用するデータを以下からダウンロードする http://www.cwk.zaq.ne.jp/fkhud708/files/r-intro/r-stat-intro_data.zip 2. WinBUGS のホームページから下記ファイルをダウンロードし WinBUGS14.exe
More informationスライド 1
WinBUGS 入門 水産資源学におけるベイズ統計の応用ワークショップ 2007 年 8 月 2-3 日, 中央水研 遠洋水産研究所外洋資源部 鯨類管理研究室 岡村寛 WinBUGS とは BUGS (Bayesian Inference Using Gibbs Sampling) の Windows バージョン フリーのソフトウェア Gibbs samplingを利用した事後確率からのサンプリングを行う
More informationkubostat2017e p.1 I 2017 (e) GLM logistic regression : : :02 1 N y count data or
kubostat207e p. I 207 (e) GLM kubo@ees.hokudai.ac.jp https://goo.gl/z9ycjy 207 4 207 6:02 N y 2 binomial distribution logit link function 3 4! offset kubostat207e (https://goo.gl/z9ycjy) 207 (e) 207 4
More information今回 次回の要点 あぶない 時系列データ解析は やめましょう! 統計モデル のあてはめ Danger!! (危 1) 時系列データの GLM あてはめ (危 2) 時系列Yt 時系列 Xt 各時刻の個体数 気温 とか これは次回)
生態学の時系列データ解析でよく見る あぶない モデリング 久保拓弥 mailto:kubo@ees.hokudai.ac.jp statistical model for time-series data 2017-07-03 kubostat2017 (h) 1/59 今回 次回の要点 あぶない 時系列データ解析は やめましょう! 統計モデル のあてはめ Danger!! (危 1) 時系列データの
More informationベイズ統計入門
ベイズ統計入門 条件付確率 事象 F が起こったことが既知であるという条件の下で E が起こる確率を条件付確率 (codtoal probablt) という P ( E F ) P ( E F ) P( F ) 定義式を変形すると 確率の乗法公式となる ( E F ) P( F ) P( E F ) P( E) P( F E) P 事象の独立 ある事象の生起する確率が 他のある事象が生起するかどうかによって変化しないとき
More informationkubostat2015e p.2 how to specify Poisson regression model, a GLM GLM how to specify model, a GLM GLM logistic probability distribution Poisson distrib
kubostat2015e p.1 I 2015 (e) GLM kubo@ees.hokudai.ac.jp http://goo.gl/76c4i 2015 07 22 2015 07 21 16:26 kubostat2015e (http://goo.gl/76c4i) 2015 (e) 2015 07 22 1 / 42 1 N k 2 binomial distribution logit
More information@i_kiwamu Bayes - -
Bayes RStan 1 2012 12 1 R @ @i_kiwamu Bayes - - Stan / RStan Bayes Stan Development Team - Andrew Gelman, Bob Carpenter, Matt Hoffman, Ben Goodrich, Michael Malecki, Daniel Lee and Chad Scherrer Open source
More information: Bradley-Terry Burczyk
58 (W15) 2011 03 09 kubo@ees.hokudai.ac.jp http://goo.gl/edzle 2011 03 09 (2011 03 09 19 :32 ) : Bradley-Terry Burczyk ? ( ) 1999 2010 9 R : 7 (1) 8 7??! 15 http://www.atmarkit.co.jp/fcoding/articles/stat/07/stat07a.html
More information今日の要点 あぶない 時系列データ解析は やめましょう! 統計モデル のあてはめ (危 1) 時系列データの GLM あてはめ (危 2) 時系列Yt 時系列 Xt 各時刻の個体数 気温 とか
時系列データ解析でよく見る あぶない モデリング 久保拓弥 (北海道大 環境科学) 1/56 今日の要点 あぶない 時系列データ解析は やめましょう! 統計モデル のあてはめ (危 1) 時系列データの GLM あてはめ (危 2) 時系列Yt 時系列 Xt 各時刻の個体数 気温 とか (危 1) 時系列データを GLM で (危 2) 時系列Yt 時系列 Xt 相関は因果関係ではない 問題の一部
More informationX X X Y R Y R Y R MCAR MAR MNAR Figure 1: MCAR, MAR, MNAR Y R X 1.2 Missing At Random (MAR) MAR MCAR MCAR Y X X Y MCAR 2 1 R X Y Table 1 3 IQ MCAR Y I
(missing data analysis) - - 1/16/2011 (missing data, missing value) (list-wise deletion) (pair-wise deletion) (full information maximum likelihood method, FIML) (multiple imputation method) 1 missing completely
More information: (GLMM) (pseudo replication) ( ) ( ) & Markov Chain Monte Carlo (MCMC)? /30
PlotNet 6 ( ) 2006-01-19 TOEF(1998 2004), AM, growth6 DBH growth (mm) 1998 1999 2000 2001 2002 2003 2004 10 20 30 40 50 70 DBH (cm) 1. 2. - - : kubo@ees.hokudai.ac.jp http://hosho.ees.hokudai.ac.jp/ kubo/show/2006/plotnet/
More informationkubostat2018a p.1 統計モデリング入門 2018 (a) The main language of this class is 生物多様性学特論 Japanese Sorry An overview: Statistical Modeling 観測されたパターンを説明する統計モデル
p.1 統計モデリング入門 2018 (a) The main language of this class is 生物多様性学特論 Japanese Sorry An overview: Statistical Modeling 観測されたパターンを説明する統計モデル 久保拓弥 (北海道大 環境科学) Why in Japanese? because even in Japanese, statistics
More information統計モデリング入門 2018 (a) 生物多様性学特論 An overview: Statistical Modeling 観測されたパターンを説明する統計モデル 久保拓弥 (北海道大 環境科学) 統計モデリング入門 2018a 1
統計モデリング入門 2018 (a) 生物多様性学特論 An overview: Statistical Modeling 観測されたパターンを説明する統計モデル 久保拓弥 (北海道大 環境科学) kubo@ees.hokudai.ac.jp 1/56 The main language of this class is Japanese Sorry Why in Japanese? because
More informationスライド 1
. 無情報事前分布 前回 前回の復習 データの分布 ( 統計モデル を設定 ( θ モデルごとに相性のよい事前分布 ( 共役事前分布 を紹介 事後分布の計算 π (θ π ( θ, π ( θ dθ, 昔 共役事前分布を利用して 解析的に事後分布を導出簡単な形で書けない場合は ラプラス近似を利用 現在 パラメータの次元が高い, もしくは複雑な入り方をする統計モデル 数値的な方法 ( 第六回 で近似するため共役事前分布にこだわらない
More informationStanによるハミルトニアンモンテカルロ法を用いたサンプリングについて
Stan によるハミルトニアンモンテカルロ法を用いたサンプリングについて 10 月 22 日中村文士 1 目次 1.STANについて 2.RでSTANをするためのインストール 3.STANのコード記述方法 4.STANによるサンプリングの例 2 1.STAN について ハミルトニアンモンテカルロ法に基づいた事後分布からのサンプリングなどができる STAN の HP: mc-stan.org 3 由来
More information2. 方法 対象とする期間と地域対象期間は 2002 年から 2010 年までとした 対象地域は淡路島とする 用いたデータ推定には以下のデータを使用した 有害捕獲数 ( 年度 )i_yugai[i]:i 年度の有害許可による捕獲数 個体数を反映する指標として用いる 目撃効率 spue[i]:i 年度
兵庫ワイルドライフレポート 1: 56-67. 2012 原著論文 イノシシの個体群動態の推定 ( 淡路島 2011 年 ) 関香菜子 1 岸本康誉 1,2 坂田宏志 1,2 * 1 兵庫県森林動物研究センター 2 兵庫県立大学自然 環境科学研究所 要点 2011 年までに入手されたデータから 兵庫県淡路島のイノシシの自然増加率や個体数を 階層ベイズモデルを構築し マルコフ連鎖モンテカルロ法によって推定した
More informationMicrosoft PowerPoint - 14回パラメータ推定配布用.pptx
パラメータ推定の理論と実践 BEhavior Study for Transportation Graduate school, Univ. of Yamanashi 山梨大学佐々木邦明 最尤推定法 点推定量を求める最もポピュラーな方法 L n x n i1 f x i 右上の式を θ の関数とみなしたものが尤度関数 データ (a,b) が得られたとき, 全体の平均がいくつとするのがよいか 平均がいくつだったら
More information1 環境統計学ぷらす 第 5 回 一般 ( 化 ) 線形混合モデル 高木俊 2013/11/21
1 環境統計学ぷらす 第 5 回 一般 ( 化 ) 線形混合モデル 高木俊 shun.takagi@sci.toho-u.ac.jp 2013/11/21 2 予定 第 1 回 : Rの基礎と仮説検定 第 2 回 : 分散分析と回帰 第 3 回 : 一般線形モデル 交互作用 第 4.1 回 : 一般化線形モデル 第 4.2 回 : モデル選択 (11/29?) 第 5 回 : 一般化線形混合モデル
More information2. 方法対象とする期間と地域対象期間は 2002 年から 2010 年までとした 対象地域は兵庫県本州部とする 用いたデータ推定には以下のデータを使用した 有害捕獲数 ( 年度 )i_yugai[i]:i 年度の有害許可による捕獲数 個体数を反映する指標として用いる 目撃効率 spue[i]:i
兵庫ワイルドライフレポート 1: 44-55. 2012 原著論文 イノシシの個体群動態の推定 ( 兵庫県本州部 2011 年 ) 坂田宏志 1,2 * 岸本康誉 1,2 関香菜子 1 1 兵庫県森林動物研究センター 2 兵庫県立大学自然 環境科学研究所 要点 2011 年までに入手されたデータから 兵庫県本州部のイノシシの自然増加率や個体数を 階層ベイズモデルを構築し マルコフ連鎖モンテカルロ法によって推定した
More informationNLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, A
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, AstraZeneca KK 要旨 : NLMIXEDプロシジャの最尤推定の機能を用いて 指数分布 Weibull
More informationバイオインフォマティクス特論4
藤 博幸 1-3-1. ピアソン相関係数 1-3-2. 致性のカッパ係数 1-3-3. 時系列データにおける変化検出 ベイズ統計で実践モデリング 5.1 ピアソン係数 第 5 章データ解析の例 データは n ペアの独 な観測値の対例 : 特定の薬剤の投与量と投与から t 時間後の注 する遺伝 の発現量 2 つの変数間の線形の関係性はピアソンの積率相関係数 r で表現される t 時間後の注 する遺伝
More informationk2 ( :35 ) ( k2) (GLM) web web 1 :
2012 11 01 k2 (2012-10-26 16:35 ) 1 6 2 (2012 11 01 k2) (GLM) kubo@ees.hokudai.ac.jp web http://goo.gl/wijx2 web http://goo.gl/ufq2 1 : 2 2 4 3 7 4 9 5 : 11 5.1................... 13 6 14 6.1......................
More informationバイオインフォマティクス特論12
藤 博幸 事後予測分布 パラメータの事後分布に従って モデルがどんなデータを期待するかを予測する 予測分布が観測されたデータと 致するかを確認することで モデルの適切さを確認できる 前回と同じ問題で事後予測を う 3-1-1. 個 差を考えない場合 3-1-2. 完全な個 差を考える場合 3-1-3. 構造化された個 差を考える場合 ベイズ統計で実践モデリング 10.1 個 差を考えない場合 第 10
More informationしたがって このモデルではの長さをもつ潜在履歴 latent history が存在し 同様に と指標化して扱うことができる 以下では 潜在的に起こりうる履歴を潜在履歴 latent history 実際にデ ータとして記録された履歴を記録履歴 recorded history ということにする M
Bayesian Inference with ecological applications Chapter 10 Bayesian Inference with ecological applications 輪読会 潜在的な事象を扱うための多項分布モデル Latent Multinomial Models 本章では 記録した頻度データが多項分布に従う潜在的な変数を集約したものと考えられるときの
More information2009 5 1...1 2...3 2.1...3 2.2...3 3...10 3.1...10 3.1.1...10 3.1.2... 11 3.2...14 3.2.1...14 3.2.2...16 3.3...18 3.4...19 3.4.1...19 3.4.2...20 3.4.3...21 4...24 4.1...24 4.2...24 4.3 WinBUGS...25 4.4...28
More information医薬品開発の意思決定における Bayesian Posterior Probability の適用例 ~ Random-Walk Metropolis vs. No-U-Turn Sampler ~ 作井将 清水康平 舟尾暢男 武田薬品工業株式会社日本開発センター生物統計室 Using Bayesi
医薬品開発の意思決定における Bayesian Posterior Probability の適用例 ~ Random-Walk Metropolis vs. No-U-Turn Sampler ~ 作井将 清水康平 舟尾暢男 武田薬品工業株式会社日本開発センター生物統計室 Using Bayesian Posterior Probability for Go/No-Go Decision Making
More information講義のーと : データ解析のための統計モデリング. 第3回
Title 講義のーと : データ解析のための統計モデリング Author(s) 久保, 拓弥 Issue Date 2008 Doc URL http://hdl.handle.net/2115/49477 Type learningobject Note この講義資料は, 著者のホームページ http://hosho.ees.hokudai.ac.jp/~kub ードできます Note(URL)http://hosho.ees.hokudai.ac.jp/~kubo/ce/EesLecture20
More informationdvi
2017 65 2 235 249 2017 1 2 2 2016 12 26 2017 3 1 4 25 1 MCMC 1. SLG OBP OPS Albert and Benett, 2003 1 2 3 4 OPS Albert and Benett 2003 Albert 2008 1 112 8551 1 13 27 2 112 8551 1 13 27 236 65 2 2017 Albert
More information講義のーと : データ解析のための統計モデリング. 第5回
Title 講義のーと : データ解析のための統計モデリング Author(s) 久保, 拓弥 Issue Date 2008 Doc URL http://hdl.handle.net/2115/49477 Type learningobject Note この講義資料は, 著者のホームページ http://hosho.ees.hokudai.ac.jp/~kub ードできます Note(URL)http://hosho.ees.hokudai.ac.jp/~kubo/ce/EesLecture20
More information,, Poisson 3 3. t t y,, y n Nµ, σ 2 y i µ + ɛ i ɛ i N0, σ 2 E[y i ] µ * i y i x i y i α + βx i + ɛ i ɛ i N0, σ 2, α, β *3 y i E[y i ] α + βx i
Armitage.? SAS.2 µ, µ 2, µ 3 a, a 2, a 3 a µ + a 2 µ 2 + a 3 µ 3 µ, µ 2, µ 3 µ, µ 2, µ 3 log a, a 2, a 3 a µ + a 2 µ 2 + a 3 µ 3 µ, µ 2, µ 3 * 2 2. y t y y y Poisson y * ,, Poisson 3 3. t t y,, y n Nµ,
More informationDirichlet process mixture Dirichlet process mixture 2 /40 MIRU2008 :
Dirichlet Process : joint work with: Max Welling (UC Irvine), Yee Whye Teh (UCL, Gatsby) http://kenichi.kurihara.googlepages.com/miru_workshop.pdf 1 /40 MIRU2008 : Dirichlet process mixture Dirichlet process
More informationRによる計量分析:データ解析と可視化 - 第3回 Rの基礎とデータ操作・管理
R 3 R 2017 Email: gito@eco.u-toyama.ac.jp October 23, 2017 (Toyama/NIHU) R ( 3 ) October 23, 2017 1 / 34 Agenda 1 2 3 4 R 5 RStudio (Toyama/NIHU) R ( 3 ) October 23, 2017 2 / 34 10/30 (Mon.) 12/11 (Mon.)
More information様々なミクロ計量モデル†
担当 : 長倉大輔 ( ながくらだいすけ ) この資料は私の講義において使用するために作成した資料です WEB ページ上で公開しており 自由に参照して頂いて構いません ただし 内容について 一応検証してありますが もし間違いがあった場合でもそれによって生じるいかなる損害 不利益について責任を負いかねますのでご了承ください 間違いは発見次第 継続的に直していますが まだ存在する可能性があります 1 カウントデータモデル
More information専修人間科学論集心理学篇 Vol. 7, No. 1, pp. 15~23, ロジスティック型項目反応理論モデルにおける JAGS と Stan を用いた推定の比較評価 1 北條大樹 2 岡田謙介 3 Comparative evaluation of parameter estim
専修人間科学論集心理学篇 Vol. 7, No. 1, pp. 15~23, 2017 15 ロジスティック型項目反応理論モデルにおける JAGS と Stan を用いた推定の比較評価 1 北條大樹 2 岡田謙介 3 Comparative evaluation of parameter estimation methods between JAGS and Stan in Bayesian item
More information生命情報学
生命情報学 5 隠れマルコフモデル 阿久津達也 京都大学化学研究所 バイオインフォマティクスセンター 内容 配列モチーフ 最尤推定 ベイズ推定 M 推定 隠れマルコフモデル HMM Verアルゴリズム EMアルゴリズム Baum-Welchアルゴリズム 前向きアルゴリズム 後向きアルゴリズム プロファイル HMM 配列モチーフ モチーフ発見 配列モチーフ : 同じ機能を持つ遺伝子配列などに見られる共通の文字列パターン
More information二項‐ベータ階層ベイズモデルによる児童虐待相談対応率の地域差に関する研究 : 都道府県政令指定都市別による多重比較
Kwansei Gakuin University Rep Title Author(s) 二 項 ベータ 階 層 ベイズモデルによる 児 童 虐 待 相 談 対 応 率 の 地 域 差 に 関 する 研 究 : 都 道 府 県 政 令 指 定 都 市 別 による 多 重 比 較 Lee, Jung Won, 李, 政 元 Citation 総 合 政 策 研 究, 41: 29-36 Issue
More informationみっちりGLM
2015/3/27 12:00-13:00 日本草地学会若手 R 統計企画 ( 信州大学農学部 ) R と一般化線形モデル入門 山梨県富士山科学研究所 安田泰輔 謝辞 : 日本草地学会若手の会の皆様 発表の機会を頂き たいへんありがとうございます! 茨城大学 学生時代 自己紹介 ベータ二項分布を用いた種の空間分布の解析 所属 : 山梨県富士山科学研究所 最近の研究テーマ 近接リモートセンシングによる半自然草地のモニタリング手法開発
More informationMicrosoft PowerPoint - 【配布・WEB公開用】SAS発表資料.pptx
生存関数における信頼区間算出法の比較 佐藤聖士, 浜田知久馬東京理科大学工学研究科 Comparison of confidence intervals for survival rate Masashi Sato, Chikuma Hamada Graduate school of Engineering, Tokyo University of Science 要旨 : 生存割合の信頼区間算出の際に用いられる各変換関数の性能について被覆確率を評価指標として比較した.
More informationAR(1) y t = φy t 1 + ɛ t, ɛ t N(0, σ 2 ) 1. Mean of y t given y t 1, y t 2, E(y t y t 1, y t 2, ) = φy t 1 2. Variance of y t given y t 1, y t
87 6.1 AR(1) y t = φy t 1 + ɛ t, ɛ t N(0, σ 2 ) 1. Mean of y t given y t 1, y t 2, E(y t y t 1, y t 2, ) = φy t 1 2. Variance of y t given y t 1, y t 2, V(y t y t 1, y t 2, ) = σ 2 3. Thus, y t y t 1,
More informationMicrosoft PowerPoint - bayes-juku_2015_03010(public).pptx
1 第 2 回ベイズ推定 WS Stan によるベイズ推定の可能性と課題 2015 年 03 月 04 日 ベイズ塾実践篇 STAN の魅力 使い方階層ベイズ その他ベイズ統計いろいろ 専修大学 岡田謙介 2 塾生 さんらよりいただいたお題 1 他の MCMC 実行ソフトウェアにない STAN の特徴 (STAN のここがウリ!! という点 ) 2STAN でいくつかの代表的な統計モデルを推定する際の実例や注意点
More informationŁ\”ƒ.dvi
, , 1 1 9 11 9 12 10 13 11 14 14 15 15 16 19 2 21 21 21 22 23 221 23 222 24 223 27 23 30 231 2PLM 31 232 CCM 31 233 2PLCM 33 234 34 235 35 3 51 31 51 32 53 321 53 322 54 323 2 BTM 54 2 324 55 325 MCMC
More informationy i OLS [0, 1] OLS x i = (1, x 1,i,, x k,i ) β = (β 0, β 1,, β k ) G ( x i β) 1 G i 1 π i π i P {y i = 1 x i } = G (
7 2 2008 7 10 1 2 2 1.1 2............................................. 2 1.2 2.......................................... 2 1.3 2........................................ 3 1.4................................................
More informationMCMCについて
MCMC について 水産資源学におけるベイズ統計の応用ワークショップ 2007 年 8 月 2-3 日, 中央水研 遠洋水産研究所外洋資源部 鯨類管理研究室 岡村寛 事後分布からサンプルする Pr(θ 1, θ 2, θ 3, ) θ 1 は重要. あとは必要だけど直接的じゃないというようなとき, P(θ 1 x)= P(θ 1,, θ n x)dθ 2 dθ n を計算したい. モンテカルロ近似
More informationIPSJ SIG Technical Report Pitman-Yor 1 1 Pitman-Yor n-gram A proposal of the melody generation method using hierarchical pitman-yor language model Aki
Pitman-Yor Pitman-Yor n-gram A proposal of the melody generation method using hierarchical pitman-yor language model Akira Shirai and Tadahiro Taniguchi Although a lot of melody generation method has been
More informationohpmain.dvi
fujisawa@ism.ac.jp 1 Contents 1. 2. 3. 4. γ- 2 1. 3 10 5.6, 5.7, 5.4, 5.5, 5.8, 5.5, 5.3, 5.6, 5.4, 5.2. 5.5 5.6 +5.7 +5.4 +5.5 +5.8 +5.5 +5.3 +5.6 +5.4 +5.2 =5.5. 10 outlier 5 5.6, 5.7, 5.4, 5.5, 5.8,
More information03.Œk’ì
HRS KG NG-HRS NG-KG AIC Fama 1965 Mandelbrot Blattberg Gonedes t t Kariya, et. al. Nagahara ARCH EngleGARCH Bollerslev EGARCH Nelson GARCH Heynen, et. al. r n r n =σ n w n logσ n =α +βlogσ n 1 + v n w
More informationProbit , Mixed logit
Probit, Mixed logit 2016/5/16 スタートアップゼミ #5 B4 後藤祥孝 1 0. 目次 Probit モデルについて 1. モデル概要 2. 定式化と理解 3. 推定 Mixed logit モデルについて 4. モデル概要 5. 定式化と理解 6. 推定 2 1.Probit 概要 プロビットモデルとは. 効用関数の誤差項に多変量正規分布を仮定したもの. 誤差項には様々な要因が存在するため,
More informationスライド 1
ベイジアンモデルによる地域人口予測モデルの可能性について 片桐智志 1 山下諭史 1 ( 1 ネイチャーインサイト株式会社 ) The possibility of regional population forecasting model by Bayesian model KATAGIRI, Satoshi 1 YAMASHITA, Satoshi 1 1 Nature Insight Co.,
More informationMultivariate Realized Stochastic Volatility Models with Dynamic Correlation and Skew Distribution: Bayesian Analysis and Application to Risk Managemen
Multivariate Realized Stochastic Volatility Models with Dynamic Correlation and Skew Distribution: Bayesian Analysis and Application to Risk Management 2019 3 15 Dai Yamashita (Hitotsubashi ICS) MSV Models
More information? (EM),, EM? (, 2004/ 2002) von Mises-Fisher ( 2004) HMM (MacKay 1997) LDA (Blei et al. 2001) PCFG ( 2004)... Variational Bayesian methods for Natural
SLC Internal tutorial Daichi Mochihashi daichi.mochihashi@atr.jp ATR SLC 2005.6.21 (Tue) 13:15 15:00@Meeting Room 1 Variational Bayesian methods for Natural Language Processing p.1/30 ? (EM),, EM? (, 2004/
More informationMicrosoft PowerPoint - SAS2012_ZHANG_0629.ppt [互換モード]
SAS による生存時間解析の実務 張方紅グラクソ スミスクライン ( 株 バイオメディカルデータサイエンス部 Practice of Survival Analysis sing SAS Fanghong Zhang Biomedical Data Science Department, GlaxoSmithKline K.K. 要旨 : SASによる生存時間解析の実務経験を共有する. データの要約
More information80 X 1, X 2,, X n ( λ ) λ P(X = x) = f (x; λ) = λx e λ, x = 0, 1, 2, x! l(λ) = n f (x i ; λ) = i=1 i=1 n λ x i e λ i=1 x i! = λ n i=1 x i e nλ n i=1 x
80 X 1, X 2,, X n ( λ ) λ P(X = x) = f (x; λ) = λx e λ, x = 0, 1, 2, x! l(λ) = n f (x i ; λ) = n λ x i e λ x i! = λ n x i e nλ n x i! n n log l(λ) = log(λ) x i nλ log( x i!) log l(λ) λ = 1 λ n x i n =
More informationECCS. ECCS,. ( 2. Mac Do-file Editor. Mac Do-file Editor Windows Do-file Editor Top Do-file e
1 1 2015 4 6 1. ECCS. ECCS,. (https://ras.ecc.u-tokyo.ac.jp/guacamole/) 2. Mac Do-file Editor. Mac Do-file Editor Windows Do-file Editor Top Do-file editor, Do View Do-file Editor Execute(do). 3. Mac System
More informationスライド 1
担当 : 田中冬彦 016 年 4 月 19 日 @ 統計モデリング 統計モデリング 第二回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models 3rd ed., CRC Press. 配布資料の PDF は以下からも DL できます. 短縮 URL http://tinyurl.com/lxb7kb8
More informationカイ二乗フィット検定、パラメータの誤差
統計的データ解析 008 008.. 林田清 ( 大阪大学大学院理学研究科 ) 問題 C (, ) ( x xˆ) ( y yˆ) σ x πσ σ y y Pabx (, ;,,, ) ˆ y σx σ y = dx exp exp πσx ただし xy ˆ ˆ はyˆ = axˆ+ bであらわされる直線モデル上の点 ( ˆ) ( ˆ ) ( ) x x y ax b y ax b Pabx (,
More informationuntitled
18 1 2,000,000 2,000,000 2007 2 2 2008 3 31 (1) 6 JCOSSAR 2007pp.57-642007.6. LCC (1) (2) 2 10mm 1020 14 12 10 8 6 4 40,50,60 2 0 1998 27.5 1995 1960 40 1) 2) 3) LCC LCC LCC 1 1) Vol.42No.5pp.29-322004.5.
More informationMantel-Haenszelの方法
Mantel-Haenszel 2008 6 12 ) 2008 6 12 1 / 39 Mantel & Haenzel 1959) Mantel N, Haenszel W. Statistical aspects of the analysis of data from retrospective studies of disease. J. Nat. Cancer Inst. 1959; 224):
More information生存時間データに対するベイズ流例数設計 矢田真城 1 魚住龍史 2 浜田知久馬 1 エイツーヘルスケア株式会社開発戦略本部生物統計部 2 京都大学大学院医学研究科医学統計生物情報学 3 東京理科大学工学部情報工学科 3 Bayesian sample size calculation for sur
生存時間データに対するベイズ流例数設計 矢田真城 魚住龍史 浜田知久馬 エイツーヘルスケア株式会社開発戦略本部生物統計部 京都大学大学院医学研究科医学統計生物情報学 3 東京理科大学工学部情報工学科 3 Bayesian sample size calculation for survival analysis Shinjo Yada, Ryuji Uozumi, and Chikuma Hamada
More informationスライド 1
205 年 4 月 28 日 @ 統計モデリング 統計モデリング 第三回配布資料 文献 : A. J. Dobso ad A. G. Barett: A Itroducto to Geeralzed Lear Models. 3rd ed., CRC Press. J. J. Faraway: Etedg the Lear Model wth R. CRC Press. 配布資料の PDF は以下からも
More information²¾ÁÛ¾õ¶·É¾²ÁË¡¤Î¤¿¤á¤Î¥Ñ¥Ã¥±¡¼¥¸DCchoice ¡Ê»ÃÄêÈÇ¡Ë
DCchoice ( ) R 2013 2013 11 30 DCchoice package R 2013/11/30 1 / 19 1 (CV) CV 2 DCchoice WTP 3 DCchoice package R 2013/11/30 2 / 19 (Contingent Valuation; CV) WTP CV WTP WTP 1 1989 2 DCchoice package R
More informationばらつき抑制のための確率最適制御
( ) http://wwwhayanuemnagoya-uacjp/ fujimoto/ 2011 3 9 11 ( ) 2011/03/09-11 1 / 46 Outline 1 2 3 4 5 ( ) 2011/03/09-11 2 / 46 Outline 1 2 3 4 5 ( ) 2011/03/09-11 3 / 46 (1/2) r + Controller - u Plant y
More informationMicrosoft PowerPoint - s-plus.ppt
空間統計モデルを用いた つくばエクスプレス沿線の地価の分析 筑波大学大学院システム情報工学研究科 1 年都市交通研究室 瀬谷創 つくばエクスプレス (TX 005 年 8 月 4 日つくばエクスプレス開業 つくばと秋葉原を最短 45 分で結ぶ 首都圏の都市鉄道では我が国で最後といわれる大規模プロジェクト TX が沿線地域に与えた影響の一例 交通体系の変化 時間費用の低下 ライフスタイルの変化 観光客の増加
More informationk3 ( :07 ) 2 (A) k = 1 (B) k = 7 y x x 1 (k2)?? x y (A) GLM (k
2012 11 01 k3 (2012-10-24 14:07 ) 1 6 3 (2012 11 01 k3) kubo@ees.hokudai.ac.jp web http://goo.gl/wijx2 web http://goo.gl/ufq2 1 3 2 : 4 3 AIC 6 4 7 5 8 6 : 9 7 11 8 12 8.1 (1)........ 13 8.2 (2) χ 2....................
More information斎藤参郎 データサイエンス A 2018 年度水曜日 2 限目 (10:40-12:10) 0. イントロダクション 講義の進め方 担当昨年度より 講義の方針 1) 自宅でも学習できる 2) 様々なデータ分析手法を自分でインストールし 実験できる 環境の紹
斎藤参郎 saito@fukuoka-u.ac.jp データサイエンス A 2018 年度水曜日 2 限目 (10:40-12:10) 0. イントロダクション 講義の進め方 担当昨年度より 講義の方針 1) 自宅でも学習できる 2) 様々なデータ分析手法を自分でインストールし 実験できる 環境の紹介 3) データ分析技法を自習していくことができる基礎能力 講義内容で考慮すべき点 4) 多くの手法が電卓のように使える時代
More informationExcelにおける回帰分析(最小二乗法)の手順と出力
Microsoft Excel Excel 1 1 x y x y y = a + bx a b a x 1 3 x 0 1 30 31 y b log x α x α x β 4 version.01 008 3 30 Website:http://keijisaito.info, E-mail:master@keijisaito.info 1 Excel Excel.1 Excel Excel
More informationスライド 1
Model-based meta-analysis を用いた経時の試験結果の統合 乙黒俊也日本たばこ産業株式会社 荒野俊平株式会社データフォーシーズ Combination of longitudinal results from different studies by model-based meta-analysis Toshiya Otoguro Japan Tobacco Inc. Shumpei
More information1 Tokyo Daily Rainfall (mm) Days (mm)
( ) r-taka@maritime.kobe-u.ac.jp 1 Tokyo Daily Rainfall (mm) 0 100 200 300 0 10000 20000 30000 40000 50000 Days (mm) 1876 1 1 2013 12 31 Tokyo, 1876 Daily Rainfall (mm) 0 50 100 150 0 100 200 300 Tokyo,
More information2 1,2, , 2 ( ) (1) (2) (3) (4) Cameron and Trivedi(1998) , (1987) (1982) Agresti(2003)
3 1 1 1 2 1 2 1,2,3 1 0 50 3000, 2 ( ) 1 3 1 0 4 3 (1) (2) (3) (4) 1 1 1 2 3 Cameron and Trivedi(1998) 4 1974, (1987) (1982) Agresti(2003) 3 (1)-(4) AAA, AA+,A (1) (2) (3) (4) (5) (1)-(5) 1 2 5 3 5 (DI)
More informationスライド 1
2016 年 4 月 26 日 @ 統計モデリング 統計モデリング 第三回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introducton to Generalzed Lnear Models. 3rd ed., CRC Press. J. J. Farawa: Extendng the Lnear Model wth R. CRC Press. 配布資料の
More informationtokei01.dvi
2. :,,,. :.... Apr. - Jul., 26FY Dept. of Mechanical Engineering, Saga Univ., JAPAN 4 3. (probability),, 1. : : n, α A, A a/n. :, p, p Apr. - Jul., 26FY Dept. of Mechanical Engineering, Saga Univ., JAPAN
More informationMicrosoft Word - Time Series Basic - Modeling.doc
時系列解析入門 モデリング. 確率分布と統計的モデル が確率変数 (radom varable のとき すべての実数 R に対して となる確 率 Prob( が定められる これを の関数とみなして G( Prob ( とあらわすとき G( を確率変数 の分布関数 (probablt dstrbuto ucto と呼 ぶ 時系列解析で用いられる確率変数は通常連続型と呼ばれるもので その分布関数は (
More information& 3 3 ' ' (., (Pixel), (Light Intensity) (Random Variable). (Joint Probability). V., V = {,,, V }. i x i x = (x, x,, x V ) T. x i i (State Variable),
.... Deeping and Expansion of Large-Scale Random Fields and Probabilistic Image Processing Kazuyuki Tanaka The mathematical frameworks of probabilistic image processing are formulated by means of Markov
More informationMicrosoft PowerPoint - bsj2015spring_0308b.pptx
1 日本行動計量学会第 17 回春の合宿セミナー 2015 年 03 月 08 日 行動計量学のためのベイズ推定におけるモデル選択 評価 専修大学 岡田謙介 2 https://twitter.com/amstatnews/status/547403146365272064 前世紀的な統計分析 統計分析が行えるモデルの数が限られてり そうした実行可能なモデルにデータをあわせる 心理学分野では分散分析の濫用
More informationスライド 1
2019 年 5 月 7 日 @ 統計モデリング 統計モデリング 第四回配布資料 ( 予習用 ) 文献 : a) A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models. 3rd ed., CRC Press. b) H. Dung, et al: Monitoring the Transmission
More information2 値データの Intraclass Correlation Coefficient の推定マクロプログラム 稲葉洋介 1 田中紀子 1 1 国立国際医療研究センターデータサイエンス部生物統計研究室 Macro program for calculating Intraclass Correlati
2 値データの Intraclass Correlation Coefficient の推定マクロプログラム 稲葉洋介 1 田中紀子 1 1 国立国際医療研究センターデータサイエンス部生物統計研究室 Macro program for calculating Intraclass Correlation Coefficient for binary data Yosuke Inaba, Noriko
More informationuntitled
2010 58 1 3 23 c 2010 20 2009 8 28 12 16 2010 2 10 12 95 50 13 1. 1 17 12 48 Särndal, 2005 Groves et al., 2002 464 8601 4 58 1 2010 Covariate 3 Taylor et al., 2001;, 2007; Schonlau et al., 2009, 2009,
More informationMicrosoft PowerPoint - Rを利用した回帰分析.pptx
R を利 した回帰分析 中央水産研究所 岡村 寛 水産資源学における統計解析 漁業 調査データ解析 CPUE 標準化 資源のトレンド 体 組成のモード分解 成 式などの生物パラメータの推定 資源評価モデルによる個体群評価 ほとんどがパラメータの推定問題 今日の概要 前半 ( 岡村 ) 単回帰 重回帰モデル一般化線形 ( 混合 加法 ) モデルプロダクションモデル,VPA など 最小二乗法 最尤法 ベイズ推定
More information01.Œk’ì/“²fi¡*
AIC AIC y n r n = logy n = logy n logy n ARCHEngle r n = σ n w n logσ n 2 = α + β w n 2 () r n = σ n w n logσ n 2 = α + β logσ n 2 + v n (2) w n r n logr n 2 = logσ n 2 + logw n 2 logσ n 2 = α +β logσ
More informationスライド 1
欠測のあるデータにおける population-averaged 及び subject-specific アプローチの性能評価 多田圭佑サノフィ株式会社 研究開発部門医薬開発本部 統計解析 プログラミング部統計解析室 土居正明駒嵜弘 Performance evaluation of population-averaged and subject-specific approach with missing
More informationMicrosoft Word doc
. 正規線形モデルのベイズ推定翠川 大竹距離減衰式 (PGA(Midorikawa, S., and Ohtake, Y. (, Attenuation relationships of peak ground acceleration and velocity considering attenuation characteristics for shallow and deeper earthquakes,
More information< E6D6364>
東京経大学会誌 第 274 号 田島博和 1. はじめに 確率的離散選択の代表的なモデルであるロジットモデルは, マーケティングや消費者行動の分野でも, 消費者のブランド選択行動等を記述するために古くから用いられてきた [Malhotra, 1984; 片平 杉田, 1994; 土田, 2010 ほか ] 最近では,MCMC(Markov-Chain Monte-Carlo) アルゴリズムを用いたベイズ推定により,
More information