恥を忍んで、自分の拙い勉強記録を発表しました。間違いから学びます。ベイス統計分析に慣れるためには統計モデリングを勉強しなくちゃ、というわけで、勉強しました。

1. （初心者向け）
一般化線形モデル
Kobe.R 第22回
2015年11月3日
@hikaru1122

2. はじめに
• 五島 光（ごとう・ひかる） @hikaru1122
• R歴およそ1年ちょっと。
• 修論（専門職）ではMplus使いました。
• 基本、統計分析は独学です。
• IT系のお作法は知りません。
• 『子犬本』はコツコツ読んでます。
いっしょに読みませんか？
• ブログやってます。

3. http://hikaru1122.hatenadiary.jp/

4. （初心者向け）
一般化線形モデル
Kobe.R 第22回
2015年11月3日
@hikaru1122

5. ウソです
• 一般化線形モデルだけではつまんなくなったので・・・

6. 初心者向け
統計モデリングを見てみよう
正規線形モデルから
一般化線形混合モデルまで
Kobe.R 第22回
2015年11月3日
@hikaru1122

7. 今日のモチベーション
• 岩波DSを読んだ感想。
• 「ベイズ推定するにはモデリングに慣れないと・・・」
• 統計モデルを考えることは苦手かな？
• では、学んでみよう！
• 事例として使うのは次のデータ。

8. ファームの三振と本塁打の関係
この現象をもっと見てみよう！

9. 「いつもの」
久保先生・みどり本より

10. 今日の儀式
library(ggvis) → ggvis()
library(psych) → pairs.panels()
library(glmmML) → glmmML()
library(lme4) → glmer()
今日は他にも以下を使います。
summary()
AIC()

11. チャレンジ！
• 日本プロ野球２軍チーム全選手を対象
• ホームランと三振の関係を考える

12. 正規線形モデル
kekka_lm <- lm(honruida ~ 1 + sanshin, data = yakyu)
> summary(kekka_lm)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.372178 0.233870 1.591 0.112
sanshin 0.083520 0.007271 11.487 <2e-16 ***
> AIC(kekka_lm)
[1] 1644.714

13. 一歩先へ
• 応答変数のホームラン（本塁打）は正規分布なの？
psych::pairs.panels(yakyu[,c(10,13)])

14. 一般化線形モデル
kekka_glm <- glm(honruida ~ 1 + sanshin, data = yakyu,
family = "poisson")
> summary(kekka_glm)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.114761 0.060930 1.883 0.0596 .
sanshin 0.025022 0.001285 19.469 <2e-16 ***
> AIC(kekka_glm)
[1] 1560.325

15. もっと先へ
• チームごとに傾向が違うんじゃない？

16. 一般化線形混合モデル①
kekka_glmmML <- glmmML(honruida ~ 1 + sanshin,
cluster = team, data = yakyu, family = "poisson")
> summary(kekka_glmmML)
coef se(coef) z Pr(>|z|)
(Intercept) 0.07895 0.09202 0.858 0.391
sanshin 0.02552 0.00135 18.898 0.000
Residual deviance: 883.6 on 336 degrees of freedom
AIC: 889.6

17. 一般化線形混合モデル②
kekka_glmer <- glmer(honruida ~ 1 + sanshin + (1| team),
data = yakyu, family = "poisson")
> summary(kekka_glmer)
Random effects:
Groups Name Variance Std.Dev.
team (Intercept) 0.05318 0.2306
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.078951 0.091922 0.859 0.39
sanshin 0.025519 0.001347 18.939 <2e-16 ***
> AIC(kekka_glmer)
[1] 1538.681

18. 一般化線形混合モデル③
kekka_glmer <- glmer(honruida ~ 1 + sanshin + (1| team),
nAGQ = 10, data = yakyu, family = "poisson")
> summary(kekka_glmer)
Random effects:
Groups Name Variance Std.Dev.
team (Intercept) 0.05326 0.2308
Number of obs: 339, groups: team, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.07893 0.09206 0.857 0.391
sanshin 0.02552 0.00135 18.897 <2e-16 ***
> AIC(kekka_glmer)
[1] 889.5581

19. 三振も考慮するとAICが増えてしまった
kekka_glmer2 <- glmer(honruida ~ 1 + sanshin +
(1 + sanshin| team), data = yakyu, family = "poisson")
> summary(kekka_glmer2)
Random effects:
Groups Name Variance Std.Dev. Corr
team (Intercept) 1.619e-02 0.127248
sanshin 4.451e-05 0.006671 -0.37
Number of obs: 339, groups: team, 12
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.04973 0.07561 0.658 0.511
sanshin 0.02629 0.00244 10.773 <2e-16 ***
> AIC(kekka_glmer2)
[1] 1529.176

20. まとめ
• プロ野球２軍の三振とホームランの関係は辛うじてある
• チームごとの差も影響を与えている
• ただ、数値は有意ではあっても、「ほとんどない」感じ。
• 同じモデルなのに、glmmML() と glmer() の計算結果が
違う。
• もっと自由なモデリングのためにベイズを勉強したい。

21. 参考文献