You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
イントロ 微分方程式をベースにした統計モデルに関して興味深い論文を読んだので紹介します. Naik, Prasad A., Murali K. Mantrala and Alan G. Sawyer, 1998, Planning Media Schedules in the Presence of Dynamic Advertising Quality, Marketing Science, Vol. 17, No. 3, pp. 214-235 https://www.jstor.org/stable/193228 広告のタイミングと売上の関係を時系列データで分析するという内容です. この中で特に私が注目したのは以下の部分です. In Table 2, we briefly describe the extant models we have chosen to compare wit
この記事について Stan Advent Calendar 2020 9日目の記事です。本記事で紹介する階層線形モデルは、第4日目に紹介された重回帰モデルや、第5日目に紹介されたロジスティック回帰モデルなどの、一般線形モデルや一般化線形モデルを拡張したモデルになります。Stanで階層線形モデルの確率モデルを書く方法を紹介します。 なおこの記事では階層線形モデルという名称を使用しますが、線形混合モデルやマルチレベルモデルとも本質的には同じです。 一般線形モデルの復習 ここでは説明変数が1つの、単回帰モデルを例とします。 個のデータがあり、目的変数を、説明変数で予測しています。が切片、が回帰係数、が残差です。 これは以下の確率モデルと同義です。 つまり、 目的変数は、正規分布に従う。その平均はで、標準偏差がである というモデルを立てたことになります。 階層線形モデルへの拡張 データの階層性を考
この記事は、Stan advent calendar 2018の7日目の記事です。 Stan、すばらしいソフトですね。今日はStanがいかに素晴らしいかを語る記事です。StanにはNUTSというアルゴリズムが搭載されいているのはご存知だと思いますが、今回の記事は、 Stanを使ってRにNUTSを実装する という話です。「ちょっと何言ってるかわかんない」、とか言わない。 さて、NUTSはマルコフ連鎖モンテカルロ法(MCMC)の手法の一つ、ハミルトニアンモンテカルロ法(HMC)を発展させたものだ、というのは聞いた人も多いと思います。そこで、MCMCやHMCについて簡単に説明したあと、Stanが搭載しているアルゴリズムについて解説していきます。 なお、数式とかは使わず、全部日本語で説明していきます。数式で詳しいものはいくらでもあるので、そちらをご参考ください。たとえばこちら。 ◆マルコフ連鎖モン
東日本大震災後5年間の地震発生データ分析 Mr.Unadon(Twitter @MrUnadon) 2017/11/26 はじめに 本稿は2017年11月26日に開催された「Hijiyama.R The Final」での発表から、分析部分のみを抜き出した資料となります。 テーマは東日本大震災以降の地震発生に関するモデリングです。 ポアソン分布と二項分布の状態空間モデルを実装します。 メインの解析は二項分布の状態空間モデルとなります。 以下の構成で進めていきます。 データの取得 データの可視化と確認 メカニズムの想像 Stanモデル(ポアソン分布と二項分布の状態空間モデル) 解析結果 library(tidyverse) #データ成形、可視化まわり色々パッケージ群 library(dygraphs) #時系列データ可視化(java) library(formattable) #html ta
Twitterでこの記事をシェアする author: Mr.Unadon (見習い飯炊き兵) 動作環境:Mac OS Sierra 10.12.1; R version3.3.2; rstan 2.10.1 はじめに 本稿は、ベータ分布を用いた時系列解析例に関する前記事の続編です。 「ベータ分布使うより、ロジットで正規分布をたたんだほうが良いのでは」 <なるほど!>といったお話を頂きましたので、 頂いたアドバイスを元に再度整理をしてみます。 以下は、別記事で同じモデルを取り上げた際に頂いたコメントです。ありがとうございます。 モデリングの発展例なども紹介されています。御覧くださいませ。 muに<lower=-5, upper=5>ぐらいで上下限を入れて、sigmaState ~ normal(0,5)としたら収束するようになっていい感じ(添付画像)。6のモデルは動きがロバストで面白いけど、
Twitterでこの記事をシェアする author: Mr.Unadon (見習い飯炊き兵) 動作環境:Mac OS Sierra 10.12.1; R version3.3.1; rstan 2.10.1 はじめに 児童虐待について考える第一歩。 私にできることと言えば、データをさわって、事実を掴んで、さらに見えない現場を想像すること。 まずはそこからはじめていきたいと思います。 悲しいものは、できれば見たくないものです。 しかし、データを通じて知識を得て、 そこから現場の一瞬一瞬へと想像力を働かせれば、 そこに、あるいはその先に、あたたかい世界が見えてくるかもしれません。 今回は、Poisson-Gammaモデルを用いた階層ベイズで、 都道府県別の児童虐待相談件数の平均 都道府県別の人口に占める児童虐待相談件数の比率 この二つを別々のモデルで推定していきます。 2017.09.08 1
生存時間解析とは? 生存時間解析は、イベントの時間を解析するための手法です。例えば、 ソーシャルゲームやwebサービスなどに登録した人の利用継続時間(マーケティング) 投薬群と対照群(プラセボ)で、どれだけ長生きするか(医用統計) 新規材料が既存の材料とくらべて、どれぐらい耐久性があるか(信用工学) など、様々な応用例が考えられます。生存時間解析はノンパラメトリックな手法で行なうことが多いです。具体的には、 カプランマイヤー推定量で生存時間を推定 生存時間の違いをログランク検定で判断 共変量の違いをCoxの比例ハザードモデルやAelanの加法モデルで解析 といった辺りが挙げられるでしょうか。その原因としては、生存時間のデータへ打ち切りという特徴があることが挙げられます。結果として分布にあてはめるだけの解析では、打ち切りを説明することが難しく上手くフィッティング出来ません。並べて、最尤法を使
簡単な薬物動態モデルを使ったPopulation pharmacokinetic (母集団薬物動態) 解析を、練習を兼ねてStanで実装してみました。 項目(予定) 一被験者の薬物動態解析 階層モデルによる複数被験者の薬物動態解析 推定パラメータ間の相関と多変量正規分布 パラメータ個人差を説明する共変量の導入 モチベーション 薬物動態・臨床薬理界隈の人にStanを触ってもらうきっかけにする 薬物動態に馴染みはないが興味があるStan/Rユーザーへの紹介 モデル 仮想データの作成と実際のデータ解析共に、以下のシンプルな1-コンパートメントモデルを用いています。 消化管に投与された薬物が一次の吸収速度 kaに従って体内に移行し、体内では薬物が分布容積Vdに従って分布、最終的にクリアランスCLによって体外へと排出されるというモデルです(Web上にあまり良い図がなかったので、模式図を簡単に作成しま
分析対象 フリースタイルダンジョンはフリースタイル(即興)のラップバトルで、チャレンジャーがモンスターと呼ばれる強豪ラッパーを勝ち抜き、賞金獲得することを目指すテレビ番組です。 データは、 フリースタイルダンジョン 結果 勝敗 全試合 - 戯言 からもらいました。 成形したデータは以下に置いておきます。 FSD.txt · GitHub Score1 がチャレンジャーのスコア、Score2 がモンスターのスコアです。 ぼくは Web の知識がなさすぎてスクレイピングできないので、エディタでちまちま置換して成形しました。 だれか rvest の使い方を教えてください。 目的 ラッパーの強さを表す素朴な方法として、スコアの平均を出すことが考えられます。 しかし、これだと強い相手と当たった場合も、弱い相手と当たった場合も、スコアを同じ重みで評価することになります。 また、順序尺度のデータを単純に
シリーズ一覧 kujira16.hateblo.jp kujira16.hateblo.jp はじめに 前回までの記事を公開したところ,Twitterで「問題に取り組んだときの正答確率の部分を項目応答理論でモデリングしないのはなぜか」というコメントをいただきました。 …すいません,項目応答理論というものを知りませんでした。 指摘を頂いてから勉強したのですが,この方法でモデリングするほうが自然だと感じたので,これからは正答確率の部分を項目応答理論でモデリングしていきたいと思います。 モデル式 項目応答理論の1パラメータロジスティックモデルでは,習熟度 の人が 難易度 の問題に正答する確率 を以下のようにモデリングします*1。 ここで はロジスティック関数 です。 項目応答理論では被験者の習熟度と問題の難易度を同時に推定しますが,今回の記事で使うデータでは一部の問題については難易度が既に付与さ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く