/ *1 *1 c Mike Gonzalez, October 14, Wikimedia Commons.

Similar documents
/22 R MCMC R R MCMC? 3. Gibbs sampler : kubo/

12/1 ( ) GLM, R MCMC, WinBUGS 12/2 ( ) WinBUGS WinBUGS 12/2 ( ) : 12/3 ( ) :? ( :51 ) 2/ 71

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

kubostat2017j p.2 CSV CSV (!) d2.csv d2.csv,, 286,0,A 85,0,B 378,1,A 148,1,B ( :27 ) 10/ 51 kubostat2017j (

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

60 (W30)? 1. ( ) 2. ( ) web site URL ( :41 ) 1/ 77

: Bradley-Terry Burczyk

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)

untitled

kubostat7f p GLM! logistic regression as usual? N? GLM GLM doesn t work! GLM!! probabilit distribution binomial distribution : : β + β x i link functi

kubo2017sep16a p.1 ( 1 ) : : :55 kubo ( ( 1 ) / 10


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

: (GLMM) (pseudo replication) ( ) ( ) & Markov Chain Monte Carlo (MCMC)? /30

講義のーと : データ解析のための統計モデリング. 第2回

一般化線形 (混合) モデル (2) - ロジスティック回帰と GLMM

スライド 1

2 74

kubostat2018a 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

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

aisatu.pdf

Sigma

Sigma

自由集会時系列part2web.key

untitled


学報22号

00学報42号最終色替え

LabFabChemicals2013Oct_ pdf


<8E6C969C8F5C8E738D4C95F131308C8E8D862E706466>

単ページ

スライド 1

kubostat2017e p.1 I 2017 (e) GLM logistic regression : : :02 1 N y count data or

kikin2_web.pdf

kubostat2017c p (c) Poisson regression, a generalized linear model (GLM) : :

SD SD SD

文庫●注文一覧表2016c(7月)/岩波文庫


PowerPoint プレゼンテーション


,, 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

36


Ł\”ƒ.dvi



kubostat2015e p.2 how to specify Poisson regression model, a GLM GLM how to specify model, a GLM GLM logistic probability distribution Poisson distrib


Microsoft PowerPoint - R-stat-intro_20.ppt [互換モード]

kubostat2017b p.1 agenda I 2017 (b) probability distribution and maximum likelihood estimation :

& 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),

GJG160842_O.QXD


2014ESJ.key


講義のーと : データ解析のための統計モデリング. 第3回

平成19年度

講義のーと : データ解析のための統計モデリング. 第5回

boost_sine1_iter4.eps

2301/1     目次・広告

@i_kiwamu Bayes - -

蜷咲ァー譛ェ險ュ螳・3

k3 ( :07 ) 2 (A) k = 1 (B) k = 7 y x x 1 (k2)?? x y (A) GLM (k

腎不全-第22回.indd


kubostat2018d p.2 :? bod size x and fertilization f change seed number? : a statistical model for this example? i response variable seed number : { i





untitled

() ( 2 1)90 (2010) ( 1) QIAGEN DNeasy Blood & Tissue Handbook FAVORGEN Tissue Genomic DNA Extract

DSGE Dynamic Stochastic General Equilibrium Model DSGE 5 2 DSGE DSGE ω 0 < ω < 1 1 DSGE Blanchard and Kahn VAR 3 MCMC

181号.indd

みっちりGLM

x x x 2, A 4 2 Ax.4 A A A A λ λ 4 λ 2 A λe λ λ2 5λ + 6 0,...λ 2, λ 2 3 E 0 E 0 p p Ap λp λ 2 p 4 2 p p 2 p { 4p 2 2p p + 2 p, p 2 λ {

小関修正版0705

¢‡Í‡Î‡½‡«£85“ƒ


Dirichlet process mixture Dirichlet process mixture 2 /40 MIRU2008 :

1 P2 P P3P4 P5P8 P9P10 P11 P12

2 3 4 q w e 1

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

(2/24) : 1. R R R

dプログラム_1

本文/020:デジタルデータ P78‐97

経験ベイズ検定による 偽陽性制御の方法 大羽成征 (( おおばしげゆき 京大数理デザイン道場 年 0077 月 2244 日 1155:: :: u.ac.jp

untitled

k2 ( :35 ) ( k2) (GLM) web web 1 :


syougai

2

Microsoft PowerPoint - Rを利用した回帰分析.pptx


untitled

LCR e ix LC AM m k x m x x > 0 x < 0 F x > 0 x < 0 F = k x (k > 0) k x = x(t)

産衛誌57-4たより.indb

? (EM),, EM? (, 2004/ 2002) von Mises-Fisher ( 2004) HMM (MacKay 1997) LDA (Blei et al. 2001) PCFG ( 2004)... Variational Bayesian methods for Natural

Microsoft PowerPoint - 14回パラメータ推定配布用.pptx

Transcription:

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/ 35? ecology??

: : ( 8 ) : : N i = 8 i Y i = 3 : 100 800 :? 2010 05 22 6/ 35

2010 05 22 7/ 35 8 Y i 100 800 403 0.50!

(overdispersion) 0.5 : overdispersion : Random Effects ( ) 2010 05 22 8/ 35

2010 05 22 9/ 35

2010 05 22 10/ 35 : i N i Y i i ( ) q i f({y i, N i } q i ) = ( Ni Y i ) q Y i i (1 q i) N i Y i, ( f ( q i ) )

2010 05 22 11/ 35 q i = q(z i ) (logistic) q(z) = 1/{1 + exp( z)} 0.5 1.0 q(z) 4 2 0 2 4 z z i = a + b i a: b i : i ( )

2010 05 22 12/ 35 : {b 1, b 2,, b 100 } = 1 = 1.5 = 3 b i 6 4 2 0 2 4 6 (prior distribution) b i (posterior distribution)

2010 05 22 13/ 35?

: MCMC 2010 05 22 14/ 35

2010 05 22 15/ 35 MCMC? 1. : 2. R package : package 3. Gibbs sampling : Gibbs sampling MCMC

BUGS Gibbs sampling BUGS : (Spiegelhalter et al. 1995. BUGS: Bayesian Using Gibbs Sampling version 0.50) BUGS : WinBUGS OpenBUGS JAGS ( Gibbs sampling ) WinBUGS R WinBUGS 2010 05 22 16/ 35

2010 05 22 17/ 35 BUGS model.bug.txt ( ) model{ for (i in 1:N.sample) { Y[i] ~ dbin(p[i], N[i]) # logit(p[i]) <- a + b[i] # p[i] } a ~ dnorm(0, 1.0E-2) # for (i in 1:N.sample) { b[i] ~ dnorm(0, tau) # } tau ~ dgamma(1.0e-2, 1.0E-2) # sigma <- sqrt(1 / tau) # tau SD }

2010 05 22 18/ 35? R (GLM) : Random effects R WinBUGS

2010 05 22 19/ 35 2. ( )

2010 05 22 20/ 35 (1954 2007) *1 *2 Omaezaki ( ), Minabe ( ), Kamouda ( ) Hiwasa ( ), Miyazaki ( ), Yakushima ( ) *1 c Mike Gonzalez, October 14, 2007. Wikimedia Commons. *2 c OpenCage, February 2, 2006. Wikimedia Commons.

( ) 2010 05 22 21/ 35

:?? ( ) ( ) 2010 05 22 22/ 35

2010 05 22 23/ 35 ( ) 海岸ノイズ m[1] m[2] m[3] 平均上陸密度 観測不可能な世界 1, 2, 3 観測可能な世界 Y[1] Y[2] Y[3] 上陸数データ

2010 05 22 24/ 35 ( )? 2 3 t=1 ( 対数 ) 局所集団密度 x[t] ( 対数 ) m[1] m[2] m[3] 平均上陸密度 海岸ノイズ観測不可能な世界観測可能な世界 Y[1] Y[2] Y[3] 上陸数データ

2010 05 22 25/ 35 : : t=1 2 3 ( ) ( 対数 ) 局所集団密度 x[t] a[1] 年ノイズ a[2] a[3] ( 対数 ) m[1] m[2] m[3] 平均上陸密度 海岸ノイズ観測不可能な世界観測可能な世界 Y[1] Y[2] Y[3] 上陸数データ

2010 05 22 26/ 35 成長速度 0 + r[t] - 2 3 t=1... ( 対数 ) 局所集団密度 x[t] a[1] 年ノイズ a[2] a[3] ( 対数 ) m[1] m[2] m[3] 平均上陸密度 海岸ノイズ観測不可能な世界観測可能な世界 Y[1] Y[2] Y[3] 上陸数データ

2010 05 22 27/ 35 ( ) BUGS code カウントデータはポアソン分布にしたがう Y[t] ~ dpois(exp(log.y[t])) 平均対数上陸密度 log.y[t] ~ dnorm(m[t], tau) m[t] <- x[t] + a[t] m[t] 年ノイズは階層的な事前分布にしたがう a[t] ~ dnorm(0.0, tau.a) 局所集団密度の変化にもノイズを加える x[t] ~ dnorm(x[t-1] + r[t], tau.x) 局所集団の平均増殖速度はランダムに変化する r[t] ~ dnorm(r[t-1], tau.r) に海岸ノイズを加える ( )

R WinBUGS 2010 05 22 28/ 35

(,, ) 2010 05 22 29/ 35

(,, ) 2010 05 22 30/ 35

?? : r[t] 11 r[t] 2010 05 22 31/ 35

2010 05 22 32/ 35 BlueBox 1996 2006 ( ) 2 (Hiwasa, Kamouda) 95%??

a[t]? 1.0 0.0 1.0 1955 1965 1975 1985 1995 2005 year? 2010 05 22 33/ 35

2010 05 22 34/ 35 : random effects ( ) : : Gaussian Random Field

10? 2016 r[t] -0.4-0.2 0.0 0.2 0.4 r[t] 10 2006 r[t] r[t] SD 0.052 10 random walk Omaezaki 49% Minabe 33% Kamouda 30% Hiwasa 28% Miyazaki 53% Yakushima 67% 2010 05 22 35/ 35