Global COE Hi-Stat
本稿では、多変量回帰モデルにおける説明変数や構造変化の数についてのモデル選択規準を開発した最近の研究（Kurozumi and Tuvaandorj 2010）に関連して、情報量規準について話してみたい。情報量規準といえば、実証分析でもしばしば用いられるモデル選択の手法であるので、研究者はもちろん、多くの大学院生が利用していると思う。モデル選択の手法としては、この情報量規準と、仮説検定を繰り返し用いて有意な変数を残すという方法が代表的なものであるが、情報量規準の良さの一つは、その簡便性にあるだろう。たとえば、時系列モデルのラグ次数を選択する場合、仮説検定による方法は有意水準の設定いかんによって選択されるラグ次数が変ってしまうことがあるが、情報量規準だとそのようなことはなく、最適なモデルがただ一つ選択される。このように述べると、まるで情報量規準の方が優っているという誤解を招きかねないが、決し
The Gapminder World
Animated global statistics that everyone can understand
日本の人口推移 1950～2050
伝わるINFOGRAPHICS〈ツタグラ〉テーマ3「これからの働き方を表現」藻谷浩介氏のセッション資料の人口推移グラフを動的に閲覧できるように再現。
主成分分析が簡単にできるサイトを作った - ほくそ笑む
あけましておめでとうございます。 本年もよろしくお願いいたします。 主成分分析 さて、昨年の終わりごろから、私は仕事で主成分分析を行っています。 主成分分析というのは、多次元のデータを情報量をなるべく落とさずに低次元に要約する手法のことです。 主成分分析は統計言語 R で簡単にできます。 例として iris データで実行してみましょう。 data(iris) data <- iris[1:4] prcomp.obj <- prcomp(data, scale=TRUE) # 主成分分析 pc1 <- prcomp.obj$x[,1] # 第一主成分得点 pc2 <- prcomp.obj$x[,2] # 第二主成分得点 label <- as.factor(iris[,5]) # 分類ラベル percent <- summary(prcomp.obj)$importance[3,2] *
1
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
A/Bテストがビジネスルールを変えていく（あるいは、ぼくらの人生すらも？）
ロシアより技術サポートをこめて：Apacheに次ぐ勢いのWebサーバー「NGINX」
