Soumettre la recherche
Mettre en ligne
Rで潜在ランク分析
•
11 j'aime
•
6,870 vues
Hiroshi Shimizu
Suivre
Rで潜在ランク分析を実行する関数を作りました
Lire moins
Lire la suite
Logiciels
Signaler
Partager
Signaler
Partager
1 sur 37
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
Recommandé
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Latent rank theory
Latent rank theory
Hiroshi Shimizu
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
RStanとShinyStanによるベイズ統計モデリング入門
RStanとShinyStanによるベイズ統計モデリング入門
Masaki Tsuda
R stan導入公開版
R stan導入公開版
考司 小杉
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
Takashi Yamane
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
Shinohara Masahiro
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42
Atsushi Hayakawa
Contenu connexe
Tendances
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Latent rank theory
Latent rank theory
Hiroshi Shimizu
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
RStanとShinyStanによるベイズ統計モデリング入門
RStanとShinyStanによるベイズ統計モデリング入門
Masaki Tsuda
R stan導入公開版
R stan導入公開版
考司 小杉
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
Takashi Yamane
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
Shinohara Masahiro
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
Tendances
(20)
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
質的変数の相関・因子分析
質的変数の相関・因子分析
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Rで階層ベイズモデル
Rで階層ベイズモデル
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
社会心理学とGlmm
社会心理学とGlmm
Stanの便利な事後処理関数
Stanの便利な事後処理関数
Latent rank theory
Latent rank theory
潜在クラス分析
潜在クラス分析
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
RStanとShinyStanによるベイズ統計モデリング入門
RStanとShinyStanによるベイズ統計モデリング入門
R stan導入公開版
R stan導入公開版
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
2 3.GLMの基礎
2 3.GLMの基礎
En vedette
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42
Atsushi Hayakawa
Mxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53th
Akifumi Eguchi
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
Shuyo Nakatani
20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習
Toru Imai
Rcppのすすめ
Rcppのすすめ
Masaki Tsuda
Dummiesパッケージ
Dummiesパッケージ
weda654
20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor
Takashi Kitano
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
Takashi Kitano
データサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリ
Satoshi Kitajima
R を起動するその前に
R を起動するその前に
Kosei ABE
TokyoR42_around_chaining
TokyoR42_around_chaining
TokorosawaYoshio
Rで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LT
Toru Imai
マルコフ連鎖モンテカルロ法入門-1
マルコフ連鎖モンテカルロ法入門-1
Nagi Teramo
最強のハードディスクはどれだ?
最強のハードディスクはどれだ?
Atsushi Hayakawa
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
yutannihilation
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyo r33 beginner
Tokyo r33 beginner
Takashi Minoda
Tokyo r30 anova
Tokyo r30 anova
Takashi Minoda
En vedette
(20)
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
R入門(dplyrでデータ加工)-TokyoR42
R入門(dplyrでデータ加工)-TokyoR42
Mxnetで回帰 #TokyoR 53th
Mxnetで回帰 #TokyoR 53th
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
RとStanでクラウドセットアップ時間を分析してみたら #TokyoR
20150303ぞくパタLT-ゆるふわ構造学習
20150303ぞくパタLT-ゆるふわ構造学習
Rcppのすすめ
Rcppのすすめ
Dummiesパッケージ
Dummiesパッケージ
20140625 rでのデータ分析(仮) for_tokyor
20140625 rでのデータ分析(仮) for_tokyor
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
データサイエンティスト必見!M-1グランプリ
データサイエンティスト必見!M-1グランプリ
R を起動するその前に
R を起動するその前に
TokyoR42_around_chaining
TokyoR42_around_chaining
Rで代数統計 TokyoR #42 LT
Rで代数統計 TokyoR #42 LT
マルコフ連鎖モンテカルロ法入門-1
マルコフ連鎖モンテカルロ法入門-1
最強のハードディスクはどれだ?
最強のハードディスクはどれだ?
ggplot2再入門(2015年バージョン)
ggplot2再入門(2015年バージョン)
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyo r33 beginner
Tokyo r33 beginner
Tokyo r30 anova
Tokyo r30 anova
Plus de Hiroshi Shimizu
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Hiroshi Shimizu
Tokyo r53
Tokyo r53
Hiroshi Shimizu
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
Hiroshi Shimizu
媒介分析について
媒介分析について
Hiroshi Shimizu
負の二項分布について
負の二項分布について
Hiroshi Shimizu
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
Hiroshi Shimizu
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
Hiroshi Shimizu
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
Hiroshi Shimizu
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
Hiroshi Shimizu
エクセルで統計分析2 HADの使い方
エクセルで統計分析2 HADの使い方
Hiroshi Shimizu
エクセルで統計分析4 因子分析のやり方
エクセルで統計分析4 因子分析のやり方
Hiroshi Shimizu
エクセルで統計分析3 回帰分析のやり方
エクセルで統計分析3 回帰分析のやり方
Hiroshi Shimizu
Mplusの使い方 中級編
Mplusの使い方 中級編
Hiroshi Shimizu
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
Plus de Hiroshi Shimizu
(18)
Stanでガウス過程
Stanでガウス過程
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Tokyo r53
Tokyo r53
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
媒介分析について
媒介分析について
負の二項分布について
負の二項分布について
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
エクセルで統計分析2 HADの使い方
エクセルで統計分析2 HADの使い方
エクセルで統計分析4 因子分析のやり方
エクセルで統計分析4 因子分析のやり方
エクセルで統計分析3 回帰分析のやり方
エクセルで統計分析3 回帰分析のやり方
Mplusの使い方 中級編
Mplusの使い方 中級編
Mplusの使い方 初級編
Mplusの使い方 初級編
Rで潜在ランク分析
1.
Rで潜在ランク分析 清水裕士 広島大学 HiroshimaR#3
2.
自己紹介 • 清水裕士 – 専門:社会心理学
グループダイナミクス – 所属:広島大学大学院総合科学研究科 助教 – 趣味:心理統計・ソフトウェア開発 • 連絡先 – ブログ:http://norimune.net – Twitter: @simizu706 HiroshimaR#3
3.
潜在ランク分析 • 潜在的な順序グループを推定する HiroshimaR#3
4.
日本語でおk・・・? HiroshimaR#3
5.
潜在ランク分析 • 因子分析と混合分布モデルの中間 – 因子分析のように,潜在的な次元得点を推定 –
クラスタ分析のように,潜在的なグループを推定 – ・・・日本語で(以下略 HiroshimaR#3
6.
おさらい:因子分析 • 複数の変数から,潜在的な変数を推定 – 因子:変数の共通部分を取り出したもの –
因子は正規分布で連続量 因子 項目 項目 項目 項目 HiroshimaR#3
7.
おさらい:混合分布モデル • 複数の変数から,潜在的なグループを推定 – データは複数の正規母集団から抽出された –
潜在的な母集団をデータから探り当てる HiroshimaR#3
8.
• 順序性を持った潜在的なグループ – 因子が一次元上に得点化される –
データは,質の異なるグループから抽出されたと 考える その中間の分析 順序 因子 項目 項目 項目 項目 HiroshimaR#3
9.
潜在ランク理論のサイト • 提唱者 – 荘島宏二郎さん(大学入試センター) •
Webサイト – http://www.rd.dnc.ac.jp/~shojima/ntt/jindex HiroshimaR#3
10.
潜在ランク分析あれこれ • Shojima (2007) –
ニューラルテスト理論 • 自己組織化マップを用いた,潜在ランク分析 • ノンパラメトリックな項目反応理論として提案 • 入力データは二値か順序 • Shojima (2008) – 潜在ランク理論 • 潜在的な順序グループを推定する一般モデルの提案 • 推定アルゴリズムをEMアルゴリズムに拡張 • テスト理論として,教育学やテスト学の分野で採用 • 清水・大坊(2014) – 心理学の分野で,潜在ランク分析を適用 HiroshimaR#3
11.
【宣伝乙】 • 清水・大坊(2014) 心理学研究
85巻5号 HiroshimaR#3
12.
潜在ランク分析の使いどころ • テストや心理尺度は,「1点」の意味が不明 – 実質科学的な違いはほとんどない場合が多い –
しかし,クライエント・生徒は,その違いを過剰に評価してし まう • 例:GHQ60(0~60点)の1点の違いはほぼない • 例:テストが78点から80点に上がった!・・・測定誤差の範囲 • 解像度をあえて減らすメリット – ランクが違えば,実質科学的にも意味がある – クライエントや生徒に対するフィードバックも容易 – 各ランクに対して,質的な記述が可能 • 例:ランク1は健康な人,ランク2は社会活動に障害,ランク3では不 安症状が,ランク4ではうつ症が出始めている・・・など HiroshimaR#3
13.
本発表 • Rで潜在ランク分析を実行する関数を作った – いまのところ,入力データは連続変量のみ –
荘島さんが作成したExametrikaは順序も可能 • LRA() – Webからソースを読み込めます – source("http://bit.ly/latent_rank") HiroshimaR#3
14.
LRA関数の推定方法 • 自己組織化マップ(SOM=Tの場合) – Self
Organizing Map: SOM – k-means法+位相制約 • 中心値が順序性を持つようにクラスタリングする – ノンパラメトリックな潜在ランク分析 • 生成位相マップ(SOM=Fの場合 デフォルト) – Generative Topographic Mapping: GTM – 混合正規分布モデル+位相制約 • 各正規分布の平均値が順序性を持つように制約する – パラメトリックな潜在ランク分析 HiroshimaR#3
15.
LRA()の使いかた • 引数 – data:データを入れます –
rank:推定するランク数を入れます – neighbor:位相制約の強さを入れます • 0.05~0.1あたりが妥当 0.07がデフォルト – SOM:TRUEで自己組織化マップになる • デフォルトはFALSEで,生成位相マップ • 例 – result <- LRA(dat, 4) – 必須なのは,データとランク数だけ HiroshimaR#3
16.
サンプルデータ • 2014年のプロ野球データ – 両リーグの規定打数1/3以上の野手
141名 – http://baseball-data.com/から入手 HiroshimaR#3
17.
サンプルデータ • 今回使う変数は4つ – 打率:AVG –
安打数:HIT – 本塁打数:HR – 打点:RBI – これらの変数で,打力のランクを推定する HiroshimaR#3
18.
分析例 • とりあえず,10ランクぐらいでやってみる result <-
LRA(dat,10) summary(result) HiroshimaR#3
19.
ランクが高いほど,打力も高い HiroshimaR#3
20.
summary()の出力 • 潜在度数 – 各ランクの潜在的な度数 •
項目参照プロファイル – 各ランクの平均値 – 個々の変数では,ランクで逆転している可能性がある • 順序配置条件については後述 • 順位相関 – 潜在ランクと各変数との順位相関 • 因子分析における因子負荷量のようなもの • 今回は,安打数と打点が潜在ランクの推定に貢献している HiroshimaR#3
21.
順序配置条件 • 潜在ランクが順序性をもつ前提条件 – 連続変量版の基準は,提案されてない –
勝手に基準を作ってみた • 主成分得点がランクで単調増加する – より大きいランクで主成分得点が小さくなったら,順序配置条 件が満たされていない • 弱順序配置条件 – 弱順序配置条件が満たされないと,警告が出る • 強順序配置条件も考えられる – すべての変数がランクで単調増加 – 今回の関数では,弱順序配置条件のみ HiroshimaR#3
22.
テスト参照プロファイル • 潜在ランクの主成分得点を確認 plot(result) ※result$stdで得点を出力 HiroshimaR#3
23.
項目参照プロファイル • 各変数のランクごとの平均値推移を確認 plot(result,1) – 打率の分布(1番目の変数だから1を入力) HiroshimaR#3
24.
50ランクぐらい推定した場合 非線形な関係性を表現できる HiroshimaR#3
25.
ランク・メンバーシッププロファイル • 回答者の各ランクへの所属確率 – 総和が1になる –
離れたランクの所属確率が高い場合もある HiroshimaR#3
26.
鳥谷(阪神) • plot(result$res[14,],type=“l”) – ランク9以上に所属する確率が高い HiroshimaR#3
27.
新井兄(阪神) • plot(result$res[115,],type=“l”) – ランク1か,ランク4のどちらかに所属する HiroshimaR#3
28.
情報量規準 • AIC()を使う AIC(result) • 情報量規準の使いどころ –
ランク数決定の参考に • しかし,混合分布モデルを用いているので, AICやBICは厳密にはモデル選択には使えない – 今回は,6ランクがAIC最小 HiroshimaR#3
29.
6ランクの結果 HiroshimaR#3
30.
各ランクの特徴 • ※出力は,別のソフトウェアのもの HiroshimaR#3
31.
ランクによる打席数 HiroshimaR#3
32.
各ランクへの所属 ランク 所属メンバー 上田, 谷繁,
梅野, 堂上, 白崎, 石原, 相川, 荒波, 井端, 金城, 桑原, 荒木, 多村, 鶴岡, 松井, 高橋, 大野, 金子, 岡田, サブロー, 島内, 脇谷, ボウカー, 根元, 聖澤, 牧田, 鶴岡, 原, 川端, 谷口, 森本, 市川, 荻野 大和, 荒木, 橋本, 山崎, 黒羽根, 今成, 森岡, 木村, 新井, 平野, 中島, 嶋, 渡辺, 本多, 坂口, 加藤, 近藤, 明石, ハフマン 福留, 田中, 堂林, エルナンデス, 藤井, 亀井, グリエル, 松山, 飯原, 會澤, 新井, 小窪, 後藤, 炭谷, 木村, 細川, 駿太, 小谷野, 枡田, 大谷, 吉村, デスパイネ 上本, 石川, 片岡, 梵, 中村, キラ, 今宮, 西川, 岡島, 鈴木, 安達, ヘルマン, 藤田, 秋山, 角中, 大引, 松井, 今江, 伊藤, 西田, 井口 村田, 阿部, バルディリス, 平田, ロペス, 和田, ブランコ, アンダーソン, ロサリオ, ジョーンズ, 浅村, クルーズ, ミランダ, 松田 山田, 菊池, 丸, 鳥谷, 大島, 川端, 坂本, ゴメス, 梶谷, 雄平, マートン, 森野, ルナ, 長野, エルドレッド, 畠山, 筒香, バレンティン, 栗山, 中村, 李, 柳田, 中田, 糸井, ペーニャ, 長谷川, 陽, 内川, T−岡田, 銀次, 中村, メヒア 6 5 4 3 2 1 HiroshimaR#3
33.
ランクの解釈 • ランク1~ランク2 – ベンチ –
下位打者 • ランク3 – ここぞというときの代打 • ランク4 – 1番~2番のアベレージヒッター • ランク5 – 控えクリーンナップ • ランク6 – 正クリーンナップ HiroshimaR#3
34.
ランクによる年俸格差 HiroshimaR#3
35.
その他の出力 • rank – 回答者の所属ランク •
res – ランクメンバーシッププロファイル • 回答者の,各ランクへの所属確率 • varis – 各ランクの変数の分散 HiroshimaR#3
36.
まとめ • 潜在ランク分析 – 潜在的な順序グループを推定 –
因子分析と混合分布モデルの間 • Rで関数を作ってみた – 連続変数のみ – 今後は順序尺度バージョンも・・・ • 結論 – 来年も頑張れ鳥谷!広島でも頑張れ新井(兄)! – 次のスライドをめくるのを忘れるな HiroshimaR#3
37.
【第2回】 ベイズ推定WS 【告知】 •
Stanによるベイズ推定の可能性と課題 – 専修大学 岡田謙介先生を講師に – Rで動くrstanを用いた,勉強会 • 3月4日(火) – 広島大学総合科学部 – http://kokucheese.com/event/index/265495/ – 主催:広島ベイズ塾 HiroshimaR#3
Télécharger maintenant