都市環境計画 都市環境計画のための 調査 分析 調査 分析手法の概論分析 ( 主に多変量解析 ) の概論
試験想定問題 多変量解析手法について以下のキーワードを用いて説明せよ 定量データ ( 量的データ ), 定性データ ( 質的データ ) 目的変数 ( 従属変数 ), 説明変数 ( 独立変数 ), 重回帰分析, 判別分析, 因子分析, 数量化 Ⅰ 類, 数量化 Ⅱ 類, 数量化 Ⅲ 類
利用者の利用実態や評価構造の解明等に関する研究 多変量解析手法 後日詳細 ( 予定 ) 重回帰分析 数量化 Ⅰ 類 予測する 判別分析 数量化 Ⅱ 類 判別する 因子分析 主成分分析 数量化 Ⅲ 類 集約する その他, クラスター分析, 共分散構造分析等
1 調査 分析手法の概論 1. 都市環境計画等における調査や分析の必要性 ~ なぜ 調査 分析 研究 目標 計画 = 社会 世の中を改善する仕組みを考える 今の社会 世の中の状況を知る ( 前提 ) 問題の現状を知る 解決案 ( 仮説 ) の検証 実際実施したことに対する良し悪しの検証 等 マーケティング,PDCA 上記のためには 調査 や調査データ等に基づいた 分析 ( 解析 ) が必要である
1 調査 分析手法の概論 1. 調査手法 1( 人やものを ) 観察する 測定する例 ) 現状の町並み 建築 緑の量を測定する 例 ) 人の行動を観察する ( 動線, 遊び ) 2( 人に ) 尋ねる例 ) アンケート調査 ヒアリング調査例 )KJ 法 ( 発想演習でやった) 3 意識を捉える例 )SD 法 ( 後述 ) 心理学の分野の応用例 ) 認知マップ法 ( 地図を書いてもらう ) 4 実験する例 ) 人 ( 動作 心理 ) とハード ( いすの変化と座りごこち等 ) 5 資料を調べる例 ) 統計資料 ( 世論調査, 国政調査 )
1 調査 分析手法の概論 2. 分析手法 ( 他にも様々ある ) 基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 多変量解析 3 ( 重 ) 回帰分析 数量化 Ⅰ 類 予測する 4 判別関数 数量化 Ⅱ 類 判別する 5 主成分分析 因子分析 数量化 Ⅲ 類 構造を探る 簡潔にする 6 クラスター分析 類型化するその他 : 共分散構造解析等
1 調査 分析手法の概論 3. データの基礎 1 質的データ ( 定性データ, 定性的変数 ) 名義尺度 大小が全くない例 ) 性別, 国籍, 血液型 順序尺度 大小関係はあるが, 値の意味はない例 ) 満足度, 好き嫌いの程度 関連 : 後述 定性データの数量化 2 量的データ ( 定量データ, 定量的変数 ) 間隔尺度 大小関係があり, 等間隔の目盛りあり例 ) 温度, 試験の得点, 家族構成人数 比率尺度 大小関係があり, 絶対的原点あり例 ) 身長, 体重
1 調査 分析手法の概論 3. データの基礎データの ワークシート化 エクセルへの入力 学生番号性別身長体重大学の満足度牛乳の嗜好性 1 男 175 63 満足 好き 2 女 165 72 やや満足 好き 3 男 166 55 どちらでもない 好き 4 女 155 42 やや満足 好き 5 男 165 56 不満 嫌い 6 男 182 70 やや満足 好き 7 男 172 70 やや満足 どちらでもない 8 男 173 63 どちらでもない 好き 9 男 168 58 満足 好き 10 男 169 73 やや満足 嫌い 11 男 164 55 どちらでもない 好き 12 女 158 50 満足 どちらでもない 13 女 162 56 やや満足 好き 14 男 159 45 満足 好き 15 男 178 72 やや満足 好き 16 男 164 58 不満 好き 17 男 177 67 やや満足 嫌い 18 男 172 63 やや満足 好き 19 女 171 60 やや不満 嫌い 20 男 170 70 やや不満 好き
1 調査 分析手法の概論 3. データの基礎質的データの数量化 (1-0 データ化 ) 年齢 質問項目 採取の頻度 10 代 20 代 30 代 40 代 50 代 ほぼ毎日週 2~3 回 週 1 回 月 2~3 回 月 1 回 年数回 殆どしない 回答者 1 1 0 0 0 0 0 1 0 0 0 0 0 回答者 2 0 0 1 0 0 0 0 0 0 1 0 0 回答者 n 1 0 0 0 0 0 1 0 0 0 0 0
1. 基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 一つのデータの特徴をみる 多くはエクセルで処理可能 (: エクセル関数 ) 例 ) 室蘭工業大学の学生の身長ってどんな特徴? 主に定量データ 平均 ( その他, 中央値, 最頻値 ) =aberage( 範囲 ) 最大値 =max( 範囲 ) 最小値 =min( 範囲 ) 分散, 標準偏差 ( ちらばり ) これも関数あり エクセルで実例
1. 基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 一つのデータの特徴をみる例 ) 室蘭工業大学の男女比って? 例 ) 学生の大学の満足度の傾向は? ( 基本 ) 定性データ度数分布比率 ( 割合 ) ( 全体数の中で割合 ) 単数回答 :S.A(single answer) 複数回答 :M.A.(multiple answer) 自然とのふれあい子供 家族の自然 環境学習自分自身の自然 環境学習心身のリフレッシュ 休息友人 知人との交流健康促進余暇時間の充実新たな人間関係の形成家族との交流ボランティア活動の実践その他無回答 0% 10% 20% 30% 40% 50% 60% 70% 2% 6% 23% 23% 23% 21% 15% 37% 35% 34% 66% 62%
1. 基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 一つのデータの特徴をみる例 ) どれくらい時間をかけて通学しているのか? 主に定量データ 累積度数分布 累積度 100% 80% 60% 子育て支援施設平均 :5.4km 誘致距離 :10km ふぉれすと鉱山平均 :16.5km 誘致距離 : 約 19km 40% 20% 子育て支援施設ふぉれすと鉱山 0% 0.0 5.0 10.0 15.0 20.0 25.0 30.0 自宅からの道のり ( 距離 )km
1. 基本的な解析 ( 記述統計等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 二つのデータの関わりをみる例 ) 性別の違いと牛乳の好き嫌い ( 嗜好性 ) 例 ) 年齢層別と結婚経験 主に定性データ ( 数量化 1-0 化 ) クロス集計 回答者番号 性別 一番好きなお酒 肥満度 ( 体重 - 平均体重 ) 1 男 ビール 5 2 女 ビール 7 3 男 日本酒 3 4 女 ワイン -3 5 女 ビール 0 6 男 ワイン 0 7 男 焼酎 -5 8 女 ビール 2 9 男 焼酎 1 10 男 ワイン 2 定性データ 定量データ 関連 : 独立性の検定 1% 水準 5% 水準 上段 : 実数下段 : 割合 ビール 日本酒 ワイン 焼酎 全体 男女全体 1 3 4 17% 75% 40% 1 0 1 17% 0% 10% 2 1 3 33% 25% 30% 2 0 2 33% 0% 20% 6 4 10 100% 100% 100%
1. 基本的な解析 ( 記述統計等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 二つのデータの関わりをみる例 ) 身長と体重の関係例 ) 総合満足度 ( 得点化 ) とその他の要因別満足度 定量データ同士 散布図 2 変数の分布状況
1. 基本的な解析 ( 記述統計等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 二つのデータの関わりをみる例 ) 身長と体重の関係例 ) 総合満足度 ( 得点化 ) とその他の要因別満足度 定量データ同士 相関分析 相関係数 ( 一般に r ) -1 負の相関 0 相関なし 1 正の相関 決定係数 (r 2 )
1. 基本的な解析 ( 記述統計等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 二つのデータの関わりをみる例 ) 身長と体重の関係例 ) 総合満足度 ( 得点化 ) とその他の要因別満足度 定量データ同士 相関分析 相関係数 (r) -1 負の相関 0 相関なし 1 正の相関 決定係数 (r 2 ) 無相関の検定 単相関 1ha 当たりの累積 CO 2 固定量 (kg-c/ha) 無相関の検定 **:1% 有意 植栽後年数 ( 年 ) 平均胸高直径 (cm) 平均樹高 (m) 立木密度 ( 本 /ha) 0.818** 0.851** 0.892** -0.268**
1. 基本的な解析 ( 記述統計等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 二つのデータの関わりをみる例 ) 身長と体重の関係例 ) 総合満足度 ( 得点化 ) とその他の要因別満足度 定量データ同士 回帰分析 関数式の当てはめ ( 回帰式 ) 必ずしも直線でなくてもよい ( 線形 非線形 )
2. 多変量解析 多変量解析 ( 重 ) 回帰分析 数量化 Ⅰ 類 予測する 判別関数 数量化 Ⅱ 類 判別する 主成分分析 因子分析 数量化 Ⅲ 類 構造を探る 簡潔にするクラスター分析 類型化する その他 : 共分散構造解析等
2. 多変量解析 多変量解析の基本 目的変数 ( 従属変数, 外的基準 ) と 説明変数 ( 独立変数 ) について 目的変数 ( 従属変数 ) (=Y のイメージ ) : 予測, 判別したいもの 説明変数 ( 独立変数 ) (=X のイメージ ) :Y 以外の様々なデータ例 )Y: 樹木の大きさ X: 樹齢, 樹種 例 )Y: ワインの嗜好性 X: 年齢, 海外経験, 例 )Y: 公園の満足度 X: 広場の満足度, 遊具の満足度例 )Y: がんの危険性 X: たばこ本数, 喫煙年数,
2. 多変量解析 多変量解析 Y: 目的変数 で整理すると 1Y( 目的変数 ) が定量データ ( 重 ) 回帰分析 数量化 Ⅰ 類 予測する 2Y( 目的変数 ) が定性データ 判別関数 数量化 Ⅱ 類 判別する 3Y( 目的変数 ) がない 主成分分析 因子分析 数量化 Ⅲ 類 クラスター分析 構造を探る 簡潔にする 類型化する
2. 多変量解析 多変量解析 X: 説明変数 で整理すると 1X( 説明変数 ) が定量データ ( 重 ) 回帰分析 判別分析 因子分析 主成分分析 2X( 説明変数 ) が定性データ (= 数量化された定性データ ) 数量化 Ⅰ 類 数量化 Ⅱ 類 数量化 Ⅲ 類 昔は上記 1 のような定量データ ( 説明変数 ) による 解析 のみだった 林 の数量化理論が 2 の一連の 数量化分析
2. 多変量解析 重回帰分析 予測する 目的変数 ( 従属変数 ) : 定量 説明変数 ( 独立変数 ) : 定量 説明変数が 1 つの変数のとき : 単回帰分析 基本的に多変量解析とは説明変数が複数である 例 ) 樹木の胸高直径と樹高から CO 2 固定量を予測したい Y:CO 2 固定量 X: 胸高直径 樹高 Y:CO 2 固定量 =a 胸高直径 +b 樹高 a,b= 係数
2. 多変量解析 重回帰分析 予測する 目的変数 ( 従属変数 ) : 定量 説明変数 ( 独立変数 ) : 定量 実際の解析アウトプットイメージ例 ) 気温と各種の緑被率 ( 樹林地率, 草地率等 ) との重回帰分析 R=0.820** 変数名 標準偏回帰係数偏回帰係数 判定 標準誤差 偏相関係数単相関係数 樹林地 0.019 0.087 0.011 0.137 0.345 畑地 -0.010-0.074 0.007-0.124-0.068 草地 -0.034-0.294 ** 0.006-0.436-0.318 水田 -0.024-0.724 ** 0.002-0.741-0.728 裸地 -0.017-0.076 0.012-0.115 0.044 水面 -0.011-0.074 0.007-0.122-0.261 定数項 0.518 ** 0.106 ** : 有意水準 1%
2. 多変量解析 数量化 Ⅰ 類 予測する 目的変数 ( 従属変数 ) : 定量 説明変数 ( 独立変数 ) : 定性 例 ) ある都市における 1 日の観光客数 ( 人数 : 量的データ ) を決定する要因 ( 天気, 曜日等 : 質的データ ) は何か? また, それらの要因により今後の観光客数を予測できないか? Y: 観光客数 ( 定量 ) X: 天気 曜日 ( 定性 )
2. 多変量解析 数量化 Ⅰ 類 予測する 目的変数 ( 従属変数 ) : 定量 説明変数 ( 独立変数 ) : 定性 実際の解析アウトプットイメージスポーツ新聞販売数と各種の要因 ( 曜日, 天気, プロ野球, サッカー ) http://www.m-te.com/kaiseki/nirui.html
2. 多変量解析 判別分析 判別する 目的変数 ( 従属変数 ) : 定性 (2 変量がベース : 有無等 ) 説明変数 ( 独立変数 ) : 定量 例 ) 持ち家か否かを, 通勤距離と年齢で判別 ( 予測 ) したい Y: 持ち家ある (1), なし (0) X: 通勤距離 年齢 : 定量
2. 多変量解析 数量化 Ⅱ 類 判別する 目的変数 ( 従属変数 ) : 定性 (2 変量がベース : 有無等 ) 説明変数 ( 独立変数 ) : 定性 例 ) ある都市における観光客のリピート希望の有無 ( 有無 : 質的データ ) を決定する要因 ( 属性, 活動内容, 利用施設等 : 質的データ ) は何か? これらの影響要因より, リピート希望の有無を判別予測できないか? Y: リピート希望の有無 (1), なし (0) X: 属性 ( 男女, 年齢層等 ) 活動内容 利用施設
2. 多変量解析 数量化 Ⅱ 類 判別する 目的変数 ( 従属変数 ) : 定性 (2 変量がベース : 有無等 ) 説明変数 ( 独立変数 ) : 定性 実際の解析アウトプットイメージ IH クッキングヒーター保有者 非保有者各種の要因 ( 年収層, 家族構成, 住居タイプ等 ) http://www.m-te.com/kaiseki/nirui.html
2. 多変量解析 因子分析 主成分分析 構造化する 目的変数 ( 従属変数 ) : ない ( 因子の場合軸が結果的に従属 ) 説明変数 ( 独立変数 ) : 定量 ( 多くの要因 ) たくさんの説明変数を少ない項目に集約 ( 軸 ) する手法 ( 例 ) 野球選手の打率, 本塁打, エラー数, 盗塁数 強打軸, 技巧軸 等に集約 ( 例 )5 科目のセンターテスト (5 項目 ) 理系軸 ( 理科数学 ) / 文系軸 ( 英語国語社会 ) 等 ) ( 例 ) 建築の成績 ( 数十科目 ) 設計 計画軸 ( 設計, 計画系科目 ), 構造系等
2. 多変量解析 因子分析 構造化する 目的変数 ( 従属変数 ) : ない 説明変数 ( 独立変数 ) : 定量 ( 多くの要因 ) 実際の解析アウトプットイメージ各会社のサイトの要因 http://www.m-te.com/kaiseki/nirui.html
2. 多変量解析 数量化 Ⅲ 類 構造化する 目的変数 ( 従属変数 ) : ない 説明変数 ( 独立変数 ) : 定性 ( 多くの要因 ) たくさんの説明変数を少ない項目に集約 ( 軸 ) する手法 例 ) ある都市における観光客の属性 ( 性別, 出身, 学歴 ), 周遊行動 ( 名所見学, 飲食, 宿泊 ) 及び利用施設にはどのような関係 ( 構造 ) があるのか? また, タイプ分類を行うことはできないか? ( タイプ分類の際にはクラスター分析を併用する場合が多い )
基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 多変量解析 3 回帰分析 数量化 Ⅰ 類 予測する 4 判別関数 数量化 Ⅱ 類 判別する 5 主成分分析 因子分析 数量化 Ⅲ 類 構造を探る 簡潔にする 6 クラスター分析 類型化するその他 : 共分散構造解析等
2. 多変量解析 クラスター分析 類型化 ( タイプ分け ) する 目的変数 ( 従属変数 ) : ない 説明変数 ( 独立変数 ) : 因子分析 ( 因子負荷量 ) 等を用いることが多い ( 例 ) 野球選手を 5 グループに分類したい 野球選手の打率, 本塁打, エラー数, 盗塁数 強打軸, 技巧軸 等に集約 ( 因子 ) 後 5 グループへ分類 ( クラスター分析 )
2. 多変量解析 クラスター分析 類型化 ( タイプ分け ) する 実際の解析アウトプットイメージジャニーズのタイプ分け 因子 + クラスター分析 http://www.myenq.com/topics/detail.php?topic_id=35
2. 多変量解析 共分散構造解析 イメージ因子分析 + 相関分析 + 重回帰分析を混ぜ込んでモデル化 比較的近年, 意志決定等を考える上で重要視されている解析手法
基本的な解析 ( 記述統計等 ) 1 単純集計等 ( 平均値, 最大値, 度数分布等 ) 2 クロス集計 相関分析等 (2 変数の関係 ) 多変量解析 3 回帰分析 数量化 Ⅰ 類 予測する 4 判別関数 数量化 Ⅱ 類 判別する 5 主成分分析 因子分析 数量化 Ⅲ 類 構造を探る 簡潔にする 6 クラスター分析 類型化するその他 : 共分散構造解析等