実家の物置で「鳳凰」の描かれた100円玉を見つけたのですが、今でも使えますか？ 高く売れたりするのでしょうか？
Yahoo!ニュース
実家の物置で「鳳凰」の描かれた100円玉を見つけたのですが、今でも使えますか？ 高く売れたりするのでしょうか？
官邸意向で見直しか 厚労省勤労統計の手法 ｜ 共同通信
厚生労働省が毎月勤労統計の調査対象入れ替え方法の変更を検討した経緯について、同省関係者が14日、共同通信の取材に「国会でも賃金の話が出ており、何とかしなきゃいけないと思った」と証言した。公正であるべき統計に経済政策を重んじる官邸の意向が影響した可能性が出てきた。2015年、当時の中江元哉首相秘書官に賃金伸び率の低下を説明した同省幹部は「アベノミクスで賃金の動きが注目されている」として急きょ有識者検討会を設け、短期間で結論を出すよう要請していた。
勤労統計、マイナス改定に「官邸怒り」 厚労省職員、有識者に発言 | 西日本新聞me
毎月勤労統計の昨年１月以降の賃金上昇率が過大になった問題で、厚生労働省が２０１５年に同統計の調査手法変更に向けて開いた有識者会議の当時の委員が、厚労省の担当者から「調査対象事業所の入れ替えで１４年の賃金上昇率がマイナス改定され、首相官邸が怒っている」と聞いたと西日本新聞の取材に証言した。 調査手法に関しては、当時の首相秘書官が検討会開催前の１５年３月、厚労省に「問題意識」を伝えていたことも明らかになっている。手法変更に際し、厚労省側が政権の意向を意識していたことがうかがえる。 有識者会議は、学識者やエコノミストら計６人で構成する「毎月勤労統計の改善に関する検討会」。１５年６～９月に６回開かれ、調査対象事業所の入れ替え時に賃金上昇率が変動することへの対処法を議論した。 会議には厚労省の担当部長、課長、課長補佐ら３～４人が出席。委員は雑談の中で職員から、官邸を意識する発言を聞き「検討会を開く理
統計のウソを見破る方法とは あの数字、試しに取材した：朝日新聞デジタル
政治断簡 「多くの統計は、額面通り受け取るとウソばかりである。統計は、数字という魔術によって、人々の常識を麻痺（まひ）させる」。統計入門書として有名なダレル・ハフ著「統計でウソをつく法」の一節だ。 通常国会は「統計不正」で荒れ模様。厚生労働省の「毎月勤労統計」で無作為抽出でない不正な抽出が行われた。 昨年には厚労省の労働時間調査でも不正が発覚。裁量労働制で働く人には単なる労働時間を、一般労働者には「最長の残業時間」を尋ねた。質問が異なる調査を単純比較して、一般労働者の労働時間の方が長くなるとの結果を導き、安倍晋三首相も国会で裁量労働制の意義を強調した。 無知でも恣意（しい）的でも、偏ったサンプル抽出や異なる質問の調査比較は、いずれも「統計の禁じ手」。今回を機に、総務省が調べた５６の基幹統計のうち２４統計に不正や誤りがあったというから驚きだ。日本統計学会も「公的統計の信頼性に深刻な打撃を与え
統計不正、目立つ「火消し」の姿勢 実態の解明は進まず：朝日新聞デジタル
拡大の一途をたどる統計不正問題が４日の衆院予算委員会の焦点となった。野党は「解明をブロック」「アベノミクス偽装」と政権批判を強めたが、与党はカギを握る官僚の招致を拒否するなど「火消し」の姿勢が目立った。実態解明に向け、国会の機能が改めて問われている。 野党、招致拒否を批判 野党は、問題究明に及び腰な政府与党の姿をあぶり出すことに注力した。 「実態解明のブロックを政府与党がしている。大西氏をなぜ呼ばないのか」。立憲民主党の長妻昭・元厚生労働相は声を大にした。 「大西氏」は、厚労省の大西康之・前政策統括官（現・大臣官房付）。厚労省の「賃金構造基本統計」の不適切調査のカギを握るとみて、野党は衆院予算委員会への政府参考人招致を求めていたが、与党は大西氏が１日に更迭されたことを理由に拒否した。だが、安倍晋三首相は「国会の運営は（予算）委員会で決めること」と突き放した。 予算委に出た参考人が、質問に口
勤労統計問題は根深い問題である - まなめはうす
アゴラ（池田信夫氏）のキャッチーな取り上げ方に騙されてはいけない。 agora-web.jp アゴラ：COBOLが原因 事実：開発で使われている言語を扱える者が少なかったことが原因（JavaでもPythonでも使える人が少なければ起きる） アゴラ：COBOLで書かれた特殊なプログラムなので高齢者しか読めず、そのミスがチェックできない 事実：COBOLで有名といえば「株式会社COBOL」だけれど、サイト見たとおりに若い女性が多数いる。私もちょっとだけ読めるけれど、COBOLなんて制御簡単で業務を記載する言語だろうから他の言語読めればほとんど読めると思う。 そんな感じでCOBOLがTwitterでバズっているけれど、本当の原因は何なのか。厚労省の報告書からプログラムのバグに関するところを読んでみた。 変更管理がされていない 抽出替え等によりシステム改修の必要性が生じた場合には、企画担当係とシス
内閣府統計も過大？ 「雇用者報酬」厚労省の上振れ数値使う 菅官房長官「適切に対応」（西日本新聞） - Yahoo!ニュース
政府の所得関連の統計に今年に入って高めの数値が出ている問題で、内閣府が作成する統計「雇用者報酬」も過大に推計されている可能性が高いことが12日、西日本新聞の取材で分かった。高めの数値を示している厚生労働省の統計を基に算出しているため、上振れしているとみられる。内閣府は、厚労省の統計数値が過大になっている可能性を認識しながら推計を続けていたとみられ「今後の対応を検討中」としている。 雇用者報酬は賃金の動きを示す重要統計の一つで、四半期ごとに国内総生産（GDP）と同時に公表される。今年に入っての前年同期比増加率（名目ベース）は1～3月期が3・1％と、1997年4～6月期以来の高水準を記録。4～6月期は4・1％と、現行の統計が始まった94年1～3月期以降で最大の伸び率となった。いずれも2017年平均の1・9％を大きく上回り、賃上げでデフレ脱却を目指す安倍政権にとって歓迎すべき結果となっている。
ポジショニングに変化？ 菊池涼介の守備指標低下の原因に迫る
NPB屈指の守備の名手として名高く、広い守備範囲をピックアップされる機会の多い広島の菊池涼介。しかしデータ分析の観点から見ると守備範囲の評価が下降線を辿っている。平均的な同ポジションの選手と比べどれだけの失点を防いだかを表すUZR（Ultimate Zone Rating）の守備範囲評価（RngR）では2014年、2015年こそ優秀な値を記録したが、2017年は平均以下に転落してしまった。果たして菊池の守備に何が起きているのだろうか。 一塁側のゴロに対する捕球率が大幅に低下 まず菊池の守備貢献がどの程度低下しているか、UZRでここ数年の変化を確認しておきたい（表1）。併殺完成、守備範囲、失策抑止が内訳で、これらを合計した値がUZRだ。 2014年から2017年までいずれの年でもUZRは平均以上を記録しており、平均的な二塁手よりも守備で多くの失点を防いでいたようだ。だが2016年まで10.0
リベラルは失敗から学んだのか -拉致問題と三浦瑠璃の「スリーパーセル」発言から考える議論の方法 | Football is the weapon of the future
警察庁によると、国内の外国人犯罪の検挙件数は、平成２６年が１万５２１５件と前年（１万５４１９件）に比べて微減。ピークだった１７年（４万７８６５ 件）に比べて３分の１まで減少している。ただ、平成初頭の数年は６千件前後で推移しており、警察庁は「外国人犯罪は引き続き高い水準にある」と分析してい る。 産経新聞 2015.9.17 いつものことだが、こういう数値データはキチンと裏をとらないと恥をかくので要注意だ。ネットには様々な情報が入り乱れており、その中には単に扇動目的のものや、部分的なデータを取り上げて全体を表象するようなものが多いのは、改めて言うまでもない。 例えば、よくみかけるもので「外国人の犯罪がなければ、日本の刑務所はガラガラ」・・・という説がある。 衝撃的事実！日本刑務所の囚人内訳・・３２％が朝鮮韓国人、２１％が帰化人、３３％が中国人、１１％が他外国人、 日本人は３％ｗｗｗｗｗｗｗｗ
就職氷河期世代「ロスジェネ」が日本の人口動態に与えたインパクト
＜現在30代後半から40代前半に達したロスジェネ世代から子ども世代への人口再生産率は7割以下にとどまっている＞ 先週の記事「就職氷河期にキャリアを奪われた『ロスジェネ』の悲劇」では、90年代以降の大卒者の就職率推移を見たが、世紀の変わり目に谷がある「Ｖ字」型になっている。最近の就職率は9割近いが、1999～2004年では7割を切っていた。この時期の卒業生が、いわゆる「ロストジェネレーション」だ。 新卒至上主義がまだ根強い日本では、その後の挽回は難しく、このロスジェネ世代は様々な不利益を被っている。非正規雇用に留め置かれ、結婚・出産に踏み切れていない人も多い。 それは人口統計にも表れている。上記の時期に大学を出たロスジェネは1976～81年生まれで、2016年では35～40歳になっている。数でいうと993万人だ。しかしその子ども世代はずっと少なく、25歳下（10～15歳）と仮定すると669万
デレステ・ミリシタの男女比に関するデータの信憑性について - いはらいふ
はじめに 少し前に話題になっていたゲームエイジ総研のデータ(を元にしたまとめサイトのスクショ)がまた盛り上がっているが、明らかにデータの信憑性が怪しいと自分は感じており前回話題になった時にTwitter上で問題提起もしたのだがしっかりとした検証はしていなかったためここでもう一度データを確認していきたいと思う。 話題の元記事はこちら www.4gamer.net データについて データが見にくいので書き換えると デレステ 平均年齢:36.6歳 男女比:78.5対21.5 年代-10代:6%、20代:20%、30代:31%、40代:35%、50代以上:7% ミリシタ 平均年齢:38.2歳 男女比:96.3対3.7 年代:10代:3%、20代:16%、30代:26%、40代:50%、50代以上:3% のようになっている。(年代に関しては正確な%が読み取れない部分があったので少しずれているかもしれ
「母集団」の意味間違えてる奴多すぎ問題
わかってますよ風にドヤ顔でブコメつけてるのに間違ってるのは恥ずかし過ぎる bushimichi そもそも新聞社の思惑で誘導尋問しまくってそれを世論調査といってることがねぇ。。。統計の母集団の正当性は固定電話とネットでも大差ない。 netcraft3 層化無作為二段抽出法やRDDが必ずしもベストというわけではないけど母集団の偏りが少ないベターな方法。標本調査を理解せず数の多さだけ比較されても意味ない。 famnet 当然。母集団の偏り。数BかCでやらないか？というか、やってなくても常識的にわかるだろ感 https://ja.wikipedia.org/wiki/%E5%81%8F%E3%82%8A 仮に安倍政権に関する世論調査として3000人に調査をしたとする。この3000人を「母集団」だと思ってんだろ？違うよ！それは標本だよ！ 「母集団」ってのは調査したい集団全体のことだよ！世論調査であれ
YQS＝5回7失点、GQS＝8回1失点。なら他の球団はどうなん？ - おーぷん２ちゃんねる
15： 名無し：15/07/08(水) 22:54:13 ID:CfI BayQS 七回失点≦ジエンゴ+1 CQS 八回二失点 TQS 七回援護≧失点 くらいのイメージ？ >>12 一球団やってみるンゴ 断念するかもしれんがそこはすまんやで 16： 名無し：15/07/08(水) 22:56:51 ID:Lqi DQS 8回無失点 17： 名無し：15/07/08(水) 23:01:17 ID:36h GQSは九回無失点一打点だぞ 18： ↓名無し：15/07/08(水) 23:02:13 ID:rpo 一時期のHQS（ホークスクオリティスタート）は5回3失点とかあったような 19： ◆YUKI/oan9Y：15/07/08(水) 23:07:20 ID:9Nx >>18 1999のダイエー初優勝時はまさにそれだった 後ろの藤井篠原吉田ペドラザが鉄壁だったから 20： 名無し：15/0
『Pythonで体験するベイズ推論 ―PyMCによるMCMC入門―』の書評 - StatModeling Memorandum
特長 Pythonユーザが待ちに待ったPythonによるMCMC本ではないでしょうか。原著タイトルが『Bayesian Methods for Hackers』だけあって、プログラマ・エンジニア向きだと思います。数式はびっくりするほど出てこない代わりに、Pythonコードは非常にたくさんでてきます。そしてPyMCの使い方が基礎から説明してあって丁寧です。自分でコーディングする際は原著のGitHubリポジトリを活用しましょう（なんとStarが10000個を超えてる！）。 Pythonで体験するベイズ推論 PyMCによるMCMC入門 作者: キャメロン・デビッドソン=ピロン,玉木徹出版社/メーカー: 森北出版発売日: 2017/04/06メディア: 単行本（ソフトカバー）この商品を含むブログを見る 購入を迷っている人の一番の心配は、本書のPyMCのバージョンが1つ前のPyMC2であることだと思
機械学習による時系列予測 | Logics of Blue
最終更新：2017年7月26日 機械学習法を用いた時系列データの予測方法について説明します。 R言語を使えば、機械学習も時系列データのデータ操作も簡単にできます。 両者を組み合わせて、時系列データへの予測モデルを作成してみました。 ソースコードはこちらに置いてあります。 スポンサードリンク 目次 解析の準備 機械学習とは 今回予測するデータ caretパッケージを使う準備 Rによる機械学習 予測モデルの概要 ハイパーパラメタのチューニング 機械学習による時系列予測 最適な次数を選ぶ 当てはめ精度の評価 将来の予測 1．解析の準備 機械学習とは 機械学習とは、次にどのようなデータが来るのかを､決まった手順を踏んで予測する技術、あるいは手法のことです。 機械学習の良いところは、予測のための「手順」を、過去のデータからほとんど自動で見つけられることです。 昔は人間が勘と経験そして度胸で予測を出し
PyMC3を使ったベイズ推論によるA/Bテスト - ZOZO TECH BLOG
こんにちは。 データチームの後藤です。 A/Bテストはサービス改善のための施策の効果測定に欠かせないツールですが、最近のVASILYでは、運用するサービスが増えてきたことに伴いA/Bテストの内容も多様化してきました。今回はそのA/Bテストにベイズ推論を用いた具体的な例を紹介します。 問題設定 あるサービスのコンバージョン率を上げるため、コンバージョンの前提となる行動Xを増やすための修正を実施しました。ここで、「コンバージョン」は商品の購入などの成約を、「コンバージョン率」は利用数に対して成約に結びついた割合を、「行動X」は買い物カゴに商品を入れるなどコンバージョンの前提となる行動のことを指すことにします。修正がコンバージョン率の上昇に寄与したのかをデータから判断する必要があります。 修正後のページ（パターンA）を表示したグループと、修正前のページ（パターンB）を表示したグループの行動ログを
ベイズ推定 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "ベイズ推定" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2018年12月） ベイズ推定（ベイズすいてい、英: Bayesian inference）とは、ベイズ確率の考え方に基づき、観測事象（観測された事実）から、推定したい事柄（それの起因である原因事象）を、確率的な意味で推論することを指す[1]。 ベイズの定理が基本的な方法論として用いられ、名前の由来となっている。統計学に応用されてベイズ統計学[2]の代表的な方法となっている。 ベイズ推定においては、パラメータの点推定を求めることは、ベイズ確率（分布関数）を求めた後に、決められた汎
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
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
ガウス関数 - Wikipedia
なぜオリメン以外で歌うと不満が出るのか-楽曲メンバーマッチングについての考察- - いはらいふ
「新社会人へのアドバイスは米軍が集計した被弾データの図と似てる。『墜落した機のデータは残らない』」との言葉の説得力がスゴい
