目次からリンクで飛べる各トピックはツリー形式になっているのだ。 あまりにツイート量が膨大になってしまったので、123回目以後は各ツリーの最初のツイートへリンクだけまとめておくのだ。 お尻さんは各国の歴史や制度に詳しいわけではないし統計手法も誤って理解していることがあるから(それなら黙っておけという話だけど)、間違いがあったらどんどん指摘して欲しいのだ!
目次からリンクで飛べる各トピックはツリー形式になっているのだ。 あまりにツイート量が膨大になってしまったので、123回目以後は各ツリーの最初のツイートへリンクだけまとめておくのだ。 お尻さんは各国の歴史や制度に詳しいわけではないし統計手法も誤って理解していることがあるから(それなら黙っておけという話だけど)、間違いがあったらどんどん指摘して欲しいのだ!
調査対象とする特定のサービス産業の売上高等の経営動向を把握し、短期的な景気、雇用動向等の判断材料とするとともに産業構造政策、中小企業政策の推進及びサービス産業の健全な育成のための資料を得る。 お知らせ ■「経済産業省特定サービス産業動態統計調査事務局」に関するお知らせ (調査対象企業・事業所の皆様へ) こちら (2023年9月15日更新) ■2023年4月速報公表分(2023年6月9日公表)より統計表は機械判読可能な Excel(数表)(長期表:確報時に掲載) のみでの公表となります。 概況は速報のみPDFでの公表となります。 ■「特定サービス産業動態統計調査の東日本大震災に関わる対応」はこちら(2012年5月15日更新) ■2024年調査の主な変更点(調査事項・オンライン調査)についてはこちらをご覧ください。 ■2024年調査票と記入注意を掲載しました(2024年3月1日更新) 新型コロ
何かこのシリーズめちゃくちゃ久しぶりなんですが(汗)、ちょっと最近問題意識を抱いている話題があるのでそれに関連した形でStanでやってみようと思います。 それは時系列の「トレンド」の扱い。ビジネスの現場では、時系列を意識しなくても良い*1クロスセクションデータでは普通に線形*2モデルを組んだりしますが、ことパネルなど時系列データとなると途端にモデルを組んだりせずに「手なり」で適当に近似曲線を引いてしまったり、みたいなことが少なくない印象があります。特に見た目にそれっぽい「トレンド」がある場合は尚更。 ところがどっこい、最近このブログでも取り上げている動的線形モデルのように、時系列データであってもある程度はモデリングできるわけで、ならばいつまでも「見た目」でトレンドを憶測し「手なり」に近似曲線を引く、なんてことはせずにモデリングでズバリ推定するべきだと僕は思うわけです。 とは言え、内容として
最近の話題といえばやはりビットコインの価格でしょう。価格予想でも書ければ面白いのですが、トレーダーでも投資家でもない私としては皆目見当がつかないので、中々探しても見つからないビットコインの価格データの計量分析を自分でやってみることにしました。 なお、どうしても専門用語を多く使ってしまっていますが、すべて説明していると1記事では収まらないのでかなり省略しています。またあくまで素人が趣味・独学の範囲で行っているものですので分析の誤り等にはご容赦ください。 使用するデータ 今回使用するデータとして、BTCJPY、BTCUSD、BTCCNY、USDJPY、EURUSD、USDCNY、TOPIX(日本株)、S&P 500(アメリカ株)、SSEC(中国株)、金、原油の11種を選びました。 為替、株、商品市場のそれぞれ代表的なものです。日経平均やNYダウでもいいのですが、より市場全体を代表する指標という
Post OutlineMotivation The Basics Stationarity Serial Correlation (Autocorrelation) Why do we care about Serial Correlation? White Noise and Random Walks Linear Models Log-Linear Models Autoregressive Models - AR(p) Moving Average Models - MA(q) Autoregressive Moving Average Models - ARMA(p, q) Autoregressive Integrated Moving Average Models - ARIMA(p, d, q) Autoregressive Conditionally Heterskeda
第13回 Zansa http://zansa.info/materials-13.html 独立成分分析 その概念と有用性について
spssでは標準で出力される (らしい) Kaiser-Meyer-Olkinの標本妥当性と、Bartlettの球面性検定の関数を見つけたのでメモしておく # Kaiser-Meyer-Olkinの標本妥当性 青木先生のページから。感謝。 kmo(dat) # datは数値のみのデータフレームか行列 全く同じものがこのページにもあった kmo.test <- function(df) { cor.sq = cor(df)^2 cor.sumsq = (sum(cor.sq)-dim(cor.sq)[1])/2 library(corpcor) pcor.sq = cor2pcor(cor(df))^2 pcor.sumsq = (sum(pcor.sq)-dim(pcor.sq)[1])/2 kmo = cor.sumsq/(cor.sumsq+pcor.sumsq) return(kmo
最終更新:2016年1月24日 このサイトでは統計学や統計モデルの紹介を多くしています。 その中でも、状態空間モデルは、力を入れている分野の一つです。 ところで、なぜ状態空間モデルを使う必要があるのでしょうか。 そもそもにおいて、統計モデルを使う必要性はどこにあるのでしょうか。 今回は個々の手法の説明ではなく「なぜそれを使うのか」という理由を解説します。 スポンサードリンク 目次 1.なぜモデルを使うのか 2.なぜ統計モデルを使うのか 3.なぜ状態空間モデルを使うのか 4.なぜたくさんのモデルを統一的に表せると便利なのか 5.状態空間モデルを使う注意点 6.状態空間モデルの御利益 7.おまけ:統計モデルと機械学習の違い 1.なぜモデルを使うのか モデルとは、「見やすくなるように簡略化したもの」です。 モデルを作る行為、すなわちモデル化とは、「見やすくなるように簡略化すること」です。 例えば
PyData.Tokyo第1回チュートリアルイベント開催! PyData.Tokyoオーガナイザーのシバタです。 PyData.Tokyoは「Python+Dataを通じて、世界のPyDataエクスパートと繋がれるコミュニティーを作る」ことを目的として設立され、これまでに行ってきた勉強会は、質の高い登壇者と参加者が「濃い」議論をできる場として、広く知られるようになりました。イベントを管理しているconnpass上では500人を超えるメンバー登録があり、CodeZineでの連載もたくさんの方に読んでいただいております。 PyData.Tokyoで当初目標としていたのは、レベルの高いデータサイエンティストの集まる会を作ることに加え、これからデータサイエンティストになることを目指している方々の育成です。データサイエンティストの不足はあらゆるところで聞かれ、一方で幸いにも多くの方が今後データサイエ
4. ¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡ 線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 4 5. ¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡ 線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 5 6. PDCA サイクル 6 多岐に渡って、より精度度の⾼高い分析・予測が求められている セグメンテー ション ポジショニング ターゲティング マーケティング戦略略と戦術 考 慮 事 項 求 め
ipython notebookを使って出版されたらしいPython for Financeという本を読みました。 numpy, scipy, pandas, PyMC3をはじめとしたPythonの数値計算、解析系のパッケージを使った金融工学の計算事例と自作ライブラリについての紹介になっています。 Python for Finance: Analyze Big Financial Data 作者: Yves Hilpisch出版社/メーカー: Oreilly & Associates Inc発売日: 2014/12/27メディア: ペーパーバックこの商品を含むブログを見るhttp://shop.oreilly.com/product/0636920032441.do https://books.google.co.jp/books?id=7tzSBQAAQBAJ&printsec=fron
『ダメな統計学』表紙 現在の科学研究において統計が誤用されていることが非常に多く、そのために科学研究の信頼性が揺らいでいることを記した『ダメな統計学』の冊子PDFを公開する。これは、アレックス・ラインハート氏が書いたStatistics Done Wrongの全訳である。理解を深めるために、訳注を比較的豊富に加えた。 2017年1月20日追記:『ダメな統計学――悲惨なほど完全なる手引書』という本が出版されることになった。この本は、ここに掲載されているウェブ版の『ダメな統計学』の冊子PDFに比べると、大幅に加筆されている。ページ数で言うと2倍以上になっている。ウェブ版の『ダメな統計学』を読んで興味を持った方は、書籍となった『ダメな統計学』をぜひ読んでいただければと思う。書籍版の詳細については「『ダメな統計学――悲惨なほど完全なる手引書』の翻訳出版」という記事をご参照願いたい。 『ダメな統計学
where \(m =\) number of observations per year. We use uppercase notation for the seasonal parts of the model, and lowercase notation for the non-seasonal parts of the model. The seasonal part of the model consists of terms that are similar to the non-seasonal components of the model, but involve backshifts of the seasonal period. For example, an ARIMA(1,1,1)(1,1,1)\(_{4}\) model (without a constan
ログデータの異常検知を行う必要が発生したので、変化点検出の統計的な手法をざっくりと調べてみた。 偏差の累積和による方法 各データ点に対して標本平均との偏差の累積和を求め、これが最も大きくなる点を変化点とする方法。 手順は下記の通り。 系列全体の平均値(標本平均)を計算して、各点について平均値との差を求める 平均値との差の累積和を計算し、絶対値が最大になる点を変化点とする。 変化点によって区切られた各区間について、1,2を再帰的に繰り返す。 平均値でなく分散を使うバージョンもある。 特徴 1次元のデータ列に適用可能。 変化していない部分のデータは同一の確率分布に従い、かつ観測値はすべて互いに独立であることを仮定。 上記を満たしていれば、データが特定の分布に従うことを仮定しない。 もちろんデータの独立性が仮定できなければ使えないので、ログのような時間相関のありがちなデータにおいて使える場面は限
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