在宅勤務時にTeams会議でカメラオンしにくい。。。 働き方改革、などなどWeb会議参加することが増えたと思います。その際にカメラの映像をオンにすることをためらう要因は多いです。 物理距離が通常より近い ひとと話すときは１メートルぐらい顔が離れてますが、Webカメラって50センチぐらいですもんね。毛穴とか気になりますよね…お化粧とか髭剃りとかやってない 在宅勤務時はついつい気を抜いてしまいます。お化粧はおろか1日中パジャマで過ごすなんてことも…Webカメラにそもそも慣れてない 業務中のオンライン会議でもやらない そんなあなたに朗報です アバターでTeams会議に参加しましょう♪ FaceRig を購入する＆インストール これだけ。超簡単 FaceRigの製品ページはコチラ https://store.steampowered.com/app/274920/FaceRig/ FaceRig

最近、打ち合わせや飲み会をオンラインで行うことが増えている方が多いと思います。ネットで探すと、それらのやり方も多数見つかります。 テレワークに必須！有料・無料のWEB会議アプリおすすめ8選（Zoom以外で） | ライフハッカー［日本版］ 今、話題の「オンライン飲み会」入門！【設定から応用まで】 ～コロナの憂鬱を吹っ飛ばせ～ - INTERNET Watch ここに少し工夫をすると、アバターとして参加することができます。以下の画像はZoomでビデオチャットしたときの自分のカメラ映像です。 今回は、ソフトウェア「VMagic Mirror」を使ってこのようなアバター参加をする方法を紹介します。前回、Teamsについて色々書いたので、ZoomだけでなくTeamsでも動作確認をしました。 検証した環境 ・Windows10 (1903) ・Zoom 4.6.12 ・Teams 1.3.00.926

R Markdown Cookbook Yihui Xie, Christophe Dervieux, Emily Riederer 2024-02-29 Note: This book is published by Chapman & Hall/CRC. The online version of this book is free to read here (thanks to Chapman & Hall/CRC), and licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. If you have any feedback, please feel free to file an issue on GitHub. Thank you!

初学者向け講義資料 Rを用いたデータ解析の基礎 2023-04 東北大学 (学部3年生向け進化学実習の一部) 導入: データ解析の全体像。Rを使うメリット。Rの基本。 データの可視化、レポート作成 データ前処理: 抽出、集約、結合、変形 データ解釈の基礎知識 統計モデリング: 確率分布、尤度、一般化線形モデル Rを用いたデータ解析の基礎と応用 (石川由希 2022 名古屋大学): 初心者に寄り添ってさらに噛み砕いた説明。 実験生物学における「とにかくt検定」脱却を目指した統計解析パートも実践的で充実。 よくあるエラー集が特に重宝。 R環境のインストール R本体 コマンドを解釈して実行するコア部分 よく使われる関数なども標準パッケージとして同梱 https://cran.rstudio.com/ からダウンロードしてインストール RStudio Desktop Rをより快適に使うための総合開

このシリーズでやりたいことWindows 10にWindows subsystem for linux 2が実装され，まともに利用できそうな環境が整ってきた．私は会社でデータ解析を仕事にしているので，家でも統計ソフトを使いたいときが多々ある．実は，OSがUbuntuのホームサーバーを運用しているのだが，そこで動作する統計ソフトがWindowsのバックグランドで動作すれば本当にありがたい．これがモチベーションである． システム構成簡易サーバーとなるPCは無線LANに繋がっているOSがWindows 10 ProfessionalのPCである．利用する際には，同じ無線LANルーターに繋がった別のPCからブラウザで接続して利用することもできるし，この簡易サーバーのアカウントでログインしてブラウザから使うこともできる． Windows 10のアップデートまずは，Windowsのコンピュータ名はUb

(図書館学系の話題でもあるからちょっと悩んだけれど、文献読解全般に関する内容だからこちらへ) 既に日々論文をバリバリ読んでいるひとには今更な記事だろうけれど、分野ごとの違いもあって興味深かったのでざっくり記録する。 論文を大量に読む際に、頭から几帳面に読んでいると時間がどれほどあっても足りないし、後から「こんなことが書いてあった論文なんだったっけ？」という問題も発生してしまう。 研究者の皆様はMendeley などの文献管理ツールをを用いていることが多いかとは思うが、それでも論文の読み方そのものに工夫をすればインプット/アウトプットの効率が圧倒的によくなるので、やってみるにこしたことはない。 その工夫とは何かというと、論文を読むときに「特定の問いに集中して読む」というものだ。学術論文は分野ごとの違いはあれ、必ず特定の流れに従って構成されている。そこで要点のみに注目して読み、他の事項を捨てる

【2020/12/24 更新】12月時点でのページ管理方法をまとめました 📋 【2020/12/04 更新】「インプットを行動に繋げるためのNotion活用術を聞いてきた！」で、自分のNotionの使い方を話しました 💬 【2019/10/01 更新】10月時点でのページ管理方法をまとめました 📋 【2019/03/03 更新】3月時点でのページ管理方法をまとめました 📋 「Notion」という、何でもござれの万能ツールがあります。 ざっくりというと、Googleドキュメント(Dropbox Paper)、Googleスプレッドシート、Trello、タスクアプリ、GitHub Wikiを合体させたようなサービスです。 ノートをとったり、情報を一箇所にまとめたり、タスクをつくったり、データを表で見たり。正直、何でもござれです。 ▲ 自由にページをつくって、メモしたりWebブックマーク

Evernoteから卒業する日が来たかもしれない。 Evernoteは自分の大好きなアプリの一つで結構長い間使っていた。現在の用途は論文のサマリーや一般書の書評や覚書置き場。Evernoteがリリースされたときには色々な情報を詰め込んでいた時期もあった。しかしながら、蓄積した情報を活用する段階において、データの種類が多すぎて煩雑になってしまっていたので、用途を限定して使用することにして早5年以上。途中色々改悪なアップデートもあったが、図表の挿入が割と簡単に行えたり、新しく入った「テンプレート機能」なんかも気に入ったりで、何だかんだでずっと続けていた。 その一方で、マークダウン形式でメモをとることが多くなり、マークダウンで読書ノートや論文サマリーを管理したいと考えていた。また、それとは別に、自分自身のリーディングリストをうまく管理できず、リーディングリストを管理できるソフトもずっと探していた

データ分析に関する議論では「データをどのように分析するか」「どうやって、どのような統計的手法を用いるか」といった話題が中心です。 例えば統計的因果推論のための分析方法に関する書籍やブログ記事はたくさんありますが、「どうやって傾向スコアを使うのか」「数式上、なぜ傾向スコアを使うと（仮定のもとで）効果が検証できるのか」といったテクニカルな議論は多いものの、「分析の対象となるデータの特徴が結果にどのような影響を与えるのか」といった議論は少ないです。 巷のデータ分析に関する議論には、「使用しているデータが完璧である」という仮定のもとに成り立っているものも少なくありません。 ところが現実世界のデータは非常に汚い、完璧とは程遠いということは実際にデータ分析に関わったことがある人ならわかると思います。 そこで今回は、 データが誰から得られたのか なんのデータがどのように測定されたのか という２つの視点か

観察データを用いた因果推論のための分析手法として非常に人気の「傾向スコア(Propensity Score)」法。 「傾向スコアを用いた分析」と言っても、マッチングや重み付けなどその使い方は様々あります。 巷にある因果推論に関する書籍では、傾向スコアを”どうやって使うのか”という視点で各手法の紹介がされていることが多いですよね。 ところが実際にマッチングや重み付けをしてみると、傾向スコアの使い方によって結果が大きく異なることも少なくありません。 このとき、「どちらの手法から得た答えが正しいのか？」と疑問に思うのは自然です。 それに傾向スコアの使い方はたくさんあるので、「そもそも結局どの使い方が一番いいの？」と思う人も多いでしょう。 この記事を読み終わるころには、「そもそもベストな傾向スコアの使い方、正しい使い方はない」ということがわかると思います。 ・傾向スコアという考え方の導入 ・傾向ス

去年末に日本に帰国した際、ありがたいことに多くの方から因果推論に関するレクチャーの依頼をいただきました。 本当はこの春にも帰国してトーク予定だったのですが、コロナ渦でタイミングを逸したので思い切って講義資料を公開することにしました。 ツイッター上でのこんな話題もきっかけで・・・ これを意識するだけで（少なくとも医学・公衆衛生領域における）回帰分析ユーザーの大部分の結果の解釈やモデルに対する向き合い方が変わると思っています。日本で修士までとったけど、自分は留学するまで知らんかった。 去年末、一時帰国中にやった因果推論ワークショップ中でも触れました。 https://t.co/jEsu5WDPLx pic.twitter.com/LmidBTMQlw — KRSK (@koro485) May 27, 2020 内容はこんな感じです なんとなく回帰分析を使って「調整」をしてました、くらいの統計

データに基づく因果推論がどのように行われるのか、詳しく説明していきます。因果の定義、因果推論に必要な条件、RCTの意義などいろいろまとめていたら、例のごとくすごいボリュームになってしまいました。なお、本記事で使われる用語は、「疫学」の因果推論で使われているものが基本です。同じコンセプトでも分野によって呼び方が違うので、その点はご了承ください。 まずは「因果効果」の定義から データから因果効果を求めるための前提条件 前提①：(Mean) Exchangeability 定義 交絡との関係性 ランダム化という魔法 観察データでの因果推論を可能にするConditional Exchangeability 前提②：Consistency 前提③：Positivity 前提条件のもと、データから平均因果効果を導く Exchangeabilityが成立しているとき（例：ランダム化比較試験） Condi

今回は「交互作用(interaction)」と呼ばれる概念について書いていきます。端的に言えば、”人によって効果が違う”という現象を見る統計学の考え方だと思います。例えば「薬Aが病気Dのリスクを１０パーセント下げる」といったとき、実はその薬は女性では効果がめちゃくちゃあるが男性にはほとんど効かない、なんてことがあるかもしれません。交互作用の考え方を使えば、このように介入の効果が一様でない現象の存在を調べることができます。 交互作用は統計を使う学問で広く使われているのですが、割とルーズに使われていることが多い印象が個人的にあります。交互作用のなかにもいくつか異なるタイプがあり、その種類によって解釈が変わってきます。また、そもそも交互作用を見る目的によって、必要となる統計モデルの作り方も異なってきます。このように「交互作用」を扱ううえで注意すべきポイントについて、一般的な統計学の教科書に載って

さて、今回からイデオロギー色の少ないブログ活動に戻ります。前回の受動喫煙に関する記事の中で、「感度分析（"Sensitivity Analysis")」というテクニックを紹介しました。 どうも私の言葉足らずか、このテクニックに関して多くの方に誤解と混乱を招いたようなので今回改めて整理してみたいと思います。 なぜ感度分析が有効なのか？その意義は？ 交絡バイアスの向き 交絡バイアスの大きさ ”Without Assumptions”とは 古典的Cornfieldの条件 仮想の交絡因子によるバイアス：Bounding factorをもとめる どんな交絡因子ならば観測された関連を説明できるか RによるBounding factor、E-valueの可視化 参考文献 なぜ感度分析が有効なのか？その意義は？ 観察データを用いた分析から因果関係を言うためには、様々なバイアスに対処しなければいけません。数

まずは教科書を紹介します。 Observational Studies (Springer Series in Statistics) 作者: Paul R. Rosenbaum出版社/メーカー: Springer発売日: 2010/12/03メディア: ペーパーバック購入: 1人 クリック: 26回この商品を含むブログ (1件) を見る Rosenbaum先生は傾向スコア（propensity score）を提案した方です。 この教科書に書いていあるのは傾向スコアについてだけで、IPWやDRは書いてありません。 日本語はこちらの星野先生の本。 調査観察データの統計科学―因果推論・選択バイアス・データ融合 (シリーズ確率と情報の科学) 作者: 星野崇宏出版社/メーカー: 岩波書店発売日: 2009/07/29メディア: 単行本購入: 29人 クリック: 285回この商品を含むブログ (26

はじめに 先日，岩波データサイエンスvol.3が発売されました．私も，「傾向スコアを用いたバント効果の推定−−ノーアウト1塁のバントは，得点確率を有意に高めるか!?」と題した記事を寄稿させていただきました．興味がある方は，是非読んでください＆感想・コメントなどもTwitterなどで教えてください． 岩波データサイエンス Vol.3 作者: 岩波データサイエンス刊行委員会出版社/メーカー: 岩波書店発売日: 2016/06/10メディア: 単行本（ソフトカバー）この商品を含むブログ (1件) を見る 今回のテーマ 今回は，上記の記事に関連して，上記の本で用いているIPW推定量の推定方法を実際に実践してみます． 説明していく過程で，読んでくださる方に， ・2つの群の平均の比較で因果効果をきちんと推定できない例 ・傾向スコアの推定方法（ロジスティック回帰を今回は用います）とその周辺知識 ・マッチ