Enviar pesquisa
Carregar
1 5.パラメトリックブートストラップ検定と確率分布
•
6 gostaram
•
25,514 visualizações
L
logics-of-blue
Seguir
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-5パラメトリックブートストラップ検定と確率分布 検定の仕組みと確率分布の解説です。
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 25
Recomendados
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
1 2.t検定
1 2.t検定
logics-of-blue
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
1 1.はじめに
1 1.はじめに
logics-of-blue
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
Recomendados
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
1 2.t検定
1 2.t検定
logics-of-blue
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
1 1.はじめに
1 1.はじめに
logics-of-blue
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
Yasuyuki Okumura
正準相関分析
正準相関分析
Akisato Kimura
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
1 8.交互作用
1 8.交互作用
logics-of-blue
みどりぼん読書会 第4章
みどりぼん読書会 第4章
Masanori Takano
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
ロジスティック回帰分析の入門 -予測モデル構築-
ロジスティック回帰分析の入門 -予測モデル構築-
Koichiro Gibo
負の二項分布について
負の二項分布について
Hiroshi Shimizu
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
takehikoihayashi
1 7.Type II ANOVA
1 7.Type II ANOVA
logics-of-blue
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
Mais conteúdo relacionado
Mais procurados
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
Yasuyuki Okumura
正準相関分析
正準相関分析
Akisato Kimura
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
1 8.交互作用
1 8.交互作用
logics-of-blue
みどりぼん読書会 第4章
みどりぼん読書会 第4章
Masanori Takano
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
ロジスティック回帰分析の入門 -予測モデル構築-
ロジスティック回帰分析の入門 -予測モデル構築-
Koichiro Gibo
負の二項分布について
負の二項分布について
Hiroshi Shimizu
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
takehikoihayashi
Mais procurados
(20)
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
ベイズファクターとモデル選択
ベイズファクターとモデル選択
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
臨床疫学研究における傾向スコア分析の使い⽅ 〜観察研究における治療効果研究〜
正準相関分析
正準相関分析
関数データ解析の概要とその方法
関数データ解析の概要とその方法
ベイズ統計入門
ベイズ統計入門
2 2.尤度と最尤法
2 2.尤度と最尤法
Stanの便利な事後処理関数
Stanの便利な事後処理関数
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
1 8.交互作用
1 8.交互作用
みどりぼん読書会 第4章
みどりぼん読書会 第4章
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
ロジスティック回帰分析の入門 -予測モデル構築-
ロジスティック回帰分析の入門 -予測モデル構築-
負の二項分布について
負の二項分布について
因果推論の奥へ: "What works" meets "why it works"
因果推論の奥へ: "What works" meets "why it works"
Destaque
1 7.Type II ANOVA
1 7.Type II ANOVA
logics-of-blue
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
logics-of-blue
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
予測理論とpredictability
予測理論とpredictability
logics-of-blue
El naixement d'una llengua
El naixement d'una llengua
gerard vilanova
Destaque
(6)
1 7.Type II ANOVA
1 7.Type II ANOVA
1 6.変数選択とAIC
1 6.変数選択とAIC
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
2 1.予測と確率分布
2 1.予測と確率分布
予測理論とpredictability
予測理論とpredictability
El naixement d'una llengua
El naixement d'una llengua
Último
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
Último
(9)
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
1 5.パラメトリックブートストラップ検定と確率分布
1.
パラメトリックブートストラップ検定 と確率分布 1 1日目-第5講 名前:馬場真哉 所属:北大水産 修士課程2年 Webサイト: logics
of blue で検索
2.
2 正規線形モデルの理解のために 統計の基本とt検定 分散分析(ANOVA) 回帰分析と分散分析 PB検定と確率分布 モデル選択とAIC 出来れば Type II ANOVA、交互作用
3.
3 検定 を理解するのが目標
4.
4 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める F比が12.79を超えた回数が、100回中5回以内だった →偶然でt値が12.79を超える確率は小さい →有意差あり ② そのデータのF比を計算する ③
0とは有意に異ならないデータにおける F比を例えば100回計算する。 ④ 100回中、F比が12.79を超えた回数を記録 F比の大小の判別方法(F比が12.79の時)
5.
5 F比の大小の判別方法(F比が12.79の時) 100回中、F比が12.79を超えた回数を算出 = 12.79を超えた回数 100 p値 p値≦0.05なら有意とみなす =偶然で今回計算された 統計量( F比)を超える確率
6.
6 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める ② そのデータのF比を計算する ③
0とは有意に異ならないデータにおける F比を例えば100回計算する。 ④ 100回中、F比が12.79を超えた回数を記録 F比の大小の判別方法(F比が12.79の時)
7.
7 ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める F比の大小の判別方法(F比が12.79の時)
8.
8 ① 絶対に予測誤差 がナイーブ予測と有 意に異ならないとわ かっているデータをた くさん集める F比の大小の判別方法(F比が12.79の時)
9.
9 どうやって? パラメトリックブートストラップ を使って
10.
10 パラメトリックブートストラップ? シミュレーションによりある確率分布に従う ランダムなデータを生成して、 統計量を算出すること
11.
11 今回の内容 1.RをつかってPB検定する 2.確率分布を理解する 3.正規分布~正規線形モデルを理解する
12.
12 実演
13.
Histogram of sim.F.value Density 0
5 10 15 20 0.00.20.40.60.81.0 確率分布 ○~×に位置するデータの割合が求まる
14.
14 確率分布 シミュレーションで出すのは大変・・・ もっと簡単にp値を計算できないか? http://ja.wikipedia.org/wiki/F%E5%88%86%E5%B8%83 計算で出せる(df()の中身)
15.
15 まとめ ① 絶対に予測誤差がナイーブ予測と有意に 異ならないとわかっているデータをたくさん集める パラメトリックブートストラップ 計算が面倒なので 普通は偉い人の数式を使って確率分布を導く 質問どうぞ!
16.
16 Simulate関数 Simulate関数は どのようにしてデータを作っている? 1.データはあるモデルに従って生成される 2.しかし、データはモデルの方程式通りに 出てくるのではなく、 方程式の出力を期待値とした 独立な正規分布に従って生成される
17.
17 データはあるモデルに従って生成される YはOptionの影響を受けていない と考えたモデルから擬似データを生成した 毎回値が変わるのはなぜ? 正規分布に従う乱数から出された値だから
18.
18 正規分布とは? 確率分布です ○~×に位置するデータの割合が求まる 用例) ある正規分布において、 データが3~2の範囲内に収まる確率は? →10%です!
19.
19 正規分布とは? 平均を中心に左右対称な確率分布です 用例) 平均0の正規分布において、 データが3~2の範囲内に収まる確率=10%なら -3~-2の範囲内に収まる確率も10%
20.
20 正規分布とは? 平均によって中心位置が変わります 分散によって裾の広さが変わります。 -6 -4 -2
0 2 4 6 0.00.10.20.30.40.5 正規分布 確率 平均0、分散1 平均2、分散1 平均0、分散4
21.
正規分布とは? 分散小ならデータはほとんど平均のそばに現れる 分散大なら平均と離れた場所に現れる確率が上がる -6 -4 -2
0 2 4 6 0.00.10.20.30.40.5 正規分布 確率 平均0、分散1 平均0、分散4
22.
22 正規分布の何がすごいか 1.計算がいろいろと楽 2.正規分布に従うデータは数多い 3.合計値や期待値をとると、なぜか正規分布になる (中心極限定理)
23.
23 正規線形モデルとは? • 予測の方程式は線形である 気温10度の時、温度が1度上がると10本多く売れる 気温20度の時、温度が1度上がると10本多く売れる 気温90度の時、温度が1度上がると10本多く売れる ビールの売り上げを予測する
24.
24 正規線形モデルとは? • 予測の方程式は線形である • 予測からのデータのズレは 左右対称の正規分布に従う 限界を知ったうえで活用しよう 質問どうぞ!
25.
25 正規線形モデルの再確認 中心極限定理のシミュレーション 実演