Enviar pesquisa
Carregar
心理統計の課題をRmdで作る
•
Transferir como PPTX, PDF
•
4 gostaram
•
3,790 visualizações
考司 小杉
Seguir
Rmarkdownをつかって心理統計の課題を作ります。 データの乱数発生の仕組み,とその後の話です。
Leia menos
Leia mais
Educação
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 50
Baixar agora
Recomendados
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
モンテカルロ法と情報量
モンテカルロ法と情報量
Shohei Miyashita
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
モデル最適化指標・評価指標の選び方
モデル最適化指標・評価指標の選び方
幹雄 小川
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
Rで架空データの発生
Rで架空データの発生
Makoto Hirakawa
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
Toshihiko Yamasaki
データサイエンティストの仕事とデータ分析コンテスト
データサイエンティストの仕事とデータ分析コンテスト
Ken'ichi Matsui
Recomendados
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
モンテカルロ法と情報量
モンテカルロ法と情報量
Shohei Miyashita
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
モデル最適化指標・評価指標の選び方
モデル最適化指標・評価指標の選び方
幹雄 小川
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
Rで架空データの発生
Rで架空データの発生
Makoto Hirakawa
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
プレゼン・ポスターで自分の研究を「伝える」 (How to do technical oral/poster presentation)
Toshihiko Yamasaki
データサイエンティストの仕事とデータ分析コンテスト
データサイエンティストの仕事とデータ分析コンテスト
Ken'ichi Matsui
ぞくパタ最終回: 13章「共クラスタリング」
ぞくパタ最終回: 13章「共クラスタリング」
Akifumi Eguchi
機械学習 入門
機械学習 入門
Hayato Maki
線形?非線形?
線形?非線形?
nishio
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
Core Concept Technologies
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
Kensuke Otsuki
Contexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMining
正志 坪坂
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
Prunus 1350
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
Graph Neural Networks
Graph Neural Networks
tm1966
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
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
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
MatsuiRyo
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
最適化超入門
最適化超入門
Takami Sato
強化学習その1
強化学習その1
nishio
transformer解説~Chat-GPTの源流~
transformer解説~Chat-GPTの源流~
MasayoshiTsutsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
Mais conteúdo relacionado
Mais procurados
ぞくパタ最終回: 13章「共クラスタリング」
ぞくパタ最終回: 13章「共クラスタリング」
Akifumi Eguchi
機械学習 入門
機械学習 入門
Hayato Maki
線形?非線形?
線形?非線形?
nishio
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
Core Concept Technologies
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
Kensuke Otsuki
Contexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMining
正志 坪坂
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
Prunus 1350
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
Graph Neural Networks
Graph Neural Networks
tm1966
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
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
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
MatsuiRyo
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
最適化超入門
最適化超入門
Takami Sato
強化学習その1
強化学習その1
nishio
transformer解説~Chat-GPTの源流~
transformer解説~Chat-GPTの源流~
MasayoshiTsutsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Kohta Ishikawa
Mais procurados
(20)
ぞくパタ最終回: 13章「共クラスタリング」
ぞくパタ最終回: 13章「共クラスタリング」
機械学習 入門
機械学習 入門
線形?非線形?
線形?非線形?
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
区間分割の仕方を最適化する動的計画法 (JOI 2021 夏季セミナー)
Contexual bandit @TokyoWebMining
Contexual bandit @TokyoWebMining
はじめてのパターン認識 第1章
はじめてのパターン認識 第1章
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Graph Neural Networks
Graph Neural Networks
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
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"
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
最適化超入門
最適化超入門
強化学習その1
強化学習その1
transformer解説~Chat-GPTの源流~
transformer解説~Chat-GPTの源流~
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Rでisomap(多様体学習のはなし)
Rでisomap(多様体学習のはなし)
Destaque
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
R stan導入公開版
R stan導入公開版
考司 小杉
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
考司 小杉
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
考司 小杉
Mplus tutorial
Mplus tutorial
考司 小杉
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
考司 小杉
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Kandai R 入門者講習
Kandai R 入門者講習
考司 小杉
Mplusの使い方 初級編
Mplusの使い方 初級編
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
Hiroshi Shimizu
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
考司 小杉
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
Hiroshi Shimizu
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
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
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
Destaque
(20)
Stan超初心者入門
Stan超初心者入門
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
R stan導入公開版
R stan導入公開版
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
Mplus tutorial
Mplus tutorial
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Kandai R 入門者講習
Kandai R 入門者講習
Mplusの使い方 初級編
Mplusの使い方 初級編
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
心理学のためのPsychパッケージ
心理学のためのPsychパッケージ
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
社会心理学とGlmm
社会心理学とGlmm
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
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
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
階層ベイズとWAIC
階層ベイズとWAIC
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
Semelhante a 心理統計の課題をRmdで作る
2016-03-01 研究の進め方を改善しよう
2016-03-01 研究の進め方を改善しよう
Yoshiki Sato
20130901_survey_nagoya
20130901_survey_nagoya
Takanori Hiroe
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Katsuhiro Morishita
人生100年時代における学び方 定年後の学生生活
人生100年時代における学び方 定年後の学生生活
Hiro Yoshioka
続・人生100年時代の学び方
続・人生100年時代の学び方
Hiro Yoshioka
企業における統計学入門
企業における統計学入門
antibayesian 俺がS式だ
Infra study 2nd #1 人生100年時代の学び方,定年後の大学院生活
Infra study 2nd #1 人生100年時代の学び方,定年後の大学院生活
Hiro Yoshioka
Tokyo r53
Tokyo r53
Hiroshi Shimizu
実践的! 人工知能X機械学習 〜iettyの場合〜
実践的! 人工知能X機械学習 〜iettyの場合〜
takemi.ohama
Semelhante a 心理統計の課題をRmdで作る
(9)
2016-03-01 研究の進め方を改善しよう
2016-03-01 研究の進め方を改善しよう
20130901_survey_nagoya
20130901_survey_nagoya
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
人生100年時代における学び方 定年後の学生生活
人生100年時代における学び方 定年後の学生生活
続・人生100年時代の学び方
続・人生100年時代の学び方
企業における統計学入門
企業における統計学入門
Infra study 2nd #1 人生100年時代の学び方,定年後の大学院生活
Infra study 2nd #1 人生100年時代の学び方,定年後の大学院生活
Tokyo r53
Tokyo r53
実践的! 人工知能X機械学習 〜iettyの場合〜
実践的! 人工知能X機械学習 〜iettyの場合〜
Mais de 考司 小杉
Mds20190303
Mds20190303
考司 小杉
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
考司 小杉
HCG20181212
HCG20181212
考司 小杉
20180602kosugi
20180602kosugi
考司 小杉
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
考司 小杉
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
考司 小杉
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
距離と分類の話
距離と分類の話
考司 小杉
Hijiyama.R Entry session
Hijiyama.R Entry session
考司 小杉
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
考司 小杉
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
考司 小杉
Yamadai.R#3 Function
Yamadai.R#3 Function
考司 小杉
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
考司 小杉
Kenshu
Kenshu
考司 小杉
Yamadai.Rデモンストレーションセッション
Yamadai.Rデモンストレーションセッション
考司 小杉
Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション
考司 小杉
Amosを使ったベイズ推定
Amosを使ったベイズ推定
考司 小杉
複合システムネットワーク論を読む(公開版)
複合システムネットワーク論を読む(公開版)
考司 小杉
YamadaiR(Categorical Factor Analysis)
YamadaiR(Categorical Factor Analysis)
考司 小杉
Mais de 考司 小杉
(19)
Mds20190303
Mds20190303
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCG20181212
HCG20181212
20180602kosugi
20180602kosugi
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
距離と分類の話
距離と分類の話
Hijiyama.R Entry session
Hijiyama.R Entry session
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
Yamadai.R#3 Function
Yamadai.R#3 Function
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
Kenshu
Kenshu
Yamadai.Rデモンストレーションセッション
Yamadai.Rデモンストレーションセッション
Yamadai.R チュートリアルセッション
Yamadai.R チュートリアルセッション
Amosを使ったベイズ推定
Amosを使ったベイズ推定
複合システムネットワーク論を読む(公開版)
複合システムネットワーク論を読む(公開版)
YamadaiR(Categorical Factor Analysis)
YamadaiR(Categorical Factor Analysis)
Último
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
yutakashikano1984
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
RodolfFernandez1
International Politics I - Lecture 1
International Politics I - Lecture 1
Toru Oga
The first time I used CANVA to create a slide document.
The first time I used CANVA to create a slide document.
oganekyokoi
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
shu1108hina1020
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
oganekyokoi
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
Último
(9)
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
International Politics I - Lecture 1
International Politics I - Lecture 1
The first time I used CANVA to create a slide document.
The first time I used CANVA to create a slide document.
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
What I did before opening my business..pdf
What I did before opening my business..pdf
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
心理統計の課題をRmdで作る
1.
心理統計の課題をRmd で作ったる @kosugitti
2.
自己紹介 • 小杉考司(こすぎこうじ) • 山口大学教育学部 •
専門;数理社会心理学 • kosugi@yamaguchi-u.ac.jp • Twitter; @kosugitti
3.
統計法の授業やってます
4.
評価どうしてます? • 記述統計量の計算ができるようになってほしい • t検定,分散分析ができるようになってほしい •
できれば回帰分析や因子分析も • テストでは難しいのでレポート課題を
5.
レポートを作ろう • 毎年同じ技術ではある=数字が変わるだけ • 乱数をむやみやたらと発生させるだけでは,思った 通りの答えが出ない •
かつてはエクセルでrand関数+整数表示のコピペ で作ったりしていた • あからさま過ぎず,有意差がうまくでるようなデ ータセットが出てくるまでなんども作り直したり
6.
レポートを作ろう • 作ったデータセットから,改めて自分で課題を解い て模範解答を作っておく必要がある • 丸め誤差やNで割った場合,などいくつかの可能 な分岐を考えたりして •
Excelでデータセット作る→Wordでレポート課題 を作る→Rで模範解答作る,という毎年の作業
7.
そこでRmarkdown
8.
Rmdで課題を作る • 乱数をしっかり発生させてレポートを作る • 結果を出すコードをコメントアウトしておく=コメ ントアウトを外すと模範解答例が作られる •
乱数のタネ(seed)を変えるだけで数値例が変わる
9.
TeXも入れてます • 私はどちらかというとTeXの方がスキなので・・・ • TeXは「TeX
Live 2016」で検索してください。で かいファイルですがこれをインストールしておけば 全部上手く入ります。 • Macの場合はMacTeX2016です。
10.
ここみてね
11.
もしくはここ
12.
Rmdの準備
13.
Rmdの準備
14.
ヘッダー部分 これでオモテに出てこない タネを毎年変えるだけで 数値が変わる 表番号,図番号の相互参照用 (ありがとう@kazutan) TeXコードも普通に使っちゃう
15.
vspaceはTeXのコード 空白行を1cm TeXコードも使える
16.
平均150,SD20の身長データ 5人分作成 knitr::kableは表を作る関数 課題の答えはコメントアウトしておく でもこれを外すと・・・ thanks! @kazutan bookdownによる相互参照
17.
模範解答すぐできる!
18.
chisq.testとか
19.
対応のないt検定 • 二つの変数を作って比較するだけ。 • 平均の差を大きく,標準偏差を小さくすると有意差 が出るようなデータセットになる。
20.
対応のあるt検定 • 二つの変数を作るんだけど,対応があるので二変数 間に共分散がある->MASSパッケージの出番
21.
対応のあるt検定
22.
一要因ANOVA(間) • 三つ以上の変数を作って比較するだけ。
23.
一要因ANOVA(間)
24.
一要因ANOVA(内) • 共分散に注意してネ
25.
一要因ANOVA(内)
26.
混合計画 一度に書くとかえって分かりにくいので,効果や要素 に分けて書き直してみた 今回は交互作用だけ出るモデル
27.
目標
28.
目標 間要因の効果
29.
目標 内要因の効果
30.
目標 交互作用の 効果 これらを順に加えて行きます
31.
内要因の効果を入れる mu[1] mu[2]
32.
間要因の効果を入れる mu[1] mu[2] dat1 dat2 mu[1] mu[2]
33.
最後に交互作用 ここに加える
34.
最後に交互作用 ここを相殺 しておく
35.
最後に整える
36.
交互作用だけ出る データセット出来上がり
37.
回帰分析 回帰係数 誤差 乱数で発生させた独立変数と線形関係+誤差で従属変数
38.
これをknit • ヘッダにあったように,latex_engineをxelatexとし て,フォントを指定しておけば日本語でPDFが得ら れるようなknitの編み編みOK • xelatexはTeX
Liveでインストールしていればちゃ んと入ってます(きっと) • set.seedしてあるので検算の時も同じ数字で。検算 はコメントアウトを消すだけで!
39.
隠れたモチベーション • データを生み出す方法を知っている=分析用のダミ ーデータを作り出せる • 第二回HijiyamaR
@hirakawamakoto さんの資料参照 • http://www.slideshare.net/makotohirakawa3/r- 48527444 • それに加えて「ベイジアンモデリング」に近づく
40.
ベイズ統計学がクルー • 入門書が出そろい始めました • 発想の転換が必要,だけど •
検定の面倒な手続きがなくなる?!
41.
と • Rでベイズ推定をするにはいくつかのパッケージが • でもオススメは「計算速い」「マニュアル丁寧」「 いまホットでクール」なStanですね! •
RからStanを使うにはrstanパッケージを経由すれば 一発 • StanコードはC言語ライクなので頑張って・・・
42.
t検定のstanコード 同じことね!
43.
対応あるt検定のstanコード 同じことね!
44.
一要因(間)のコード 同じことね!
45.
一要因(内)のコード ね!
46.
混合計画のコード ね!
47.
回帰分析のコード ね!
48.
ベイジアンは データ生成のモデラー • ベイジアンモデリングをするときは,簡単な仮想デ ータを作ってからやるとよい(by 国里,清水) •
ベイジアンは事後予測分布でモデルチェックする= データ生成がちゃんとできてるかを今のデータでチ ェックする • やっていることは統計の先生がレポート課題を印 刷する前に検算しているようなもの!
49.
まとめ • Rmd=R+ドキュメントで,計算と出力を同時にや ってしまおう! • 統計の例題を作るときは,その背後にある計算アル ゴリズムでも遊んでしまおう! •
実はそれがベイジアンへのトレーニングになる
50.
資料リンク先 • RmarkdownやStanコードはkosugittiのGistへ! • https://gist.github.com/kosugitti •
出来上がるPDFファイルはこちらにあります。 • http://kosugitti.net/wp/wp- content/uploads/2016/10/ReportExample.pdf
Baixar agora