Enviar pesquisa
Carregar
20140930 みどりぼん10章後半 階層ベイズモデル -GLMMのベイズモデル化-(後半)
•
16 gostaram
•
6,983 visualizações
tetsuro ito
Seguir
勉強会発表資料
Leia menos
Leia mais
Serviços
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 54
Baixar agora
Baixar para ler offline
Recomendados
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
データ解析のための統計モデリング入門10章前半
データ解析のための統計モデリング入門10章前半
Shinya Akiba
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
K meansによるクラスタリングの解説と具体的なクラスタリングの活用方法の紹介
K meansによるクラスタリングの解説と具体的なクラスタリングの活用方法の紹介
Takeshi Mikami
確率的プログラミングライブラリEdward
確率的プログラミングライブラリEdward
Yuta Kashino
Mais conteúdo relacionado
Mais de tetsuro ito
[Up用]rでqr
[Up用]rでqr
tetsuro ito
20170912 data analyst meetup tokyo vol.5
20170912 data analyst meetup tokyo vol.5
tetsuro ito
DataOps in Moneyforward
DataOps in Moneyforward
tetsuro ito
20170207 bigdata analytics_tokyo講演資料
20170207 bigdata analytics_tokyo講演資料
tetsuro ito
20161029 dots machine learning in money forward
20161029 dots machine learning in money forward
tetsuro ito
20160906 bq sushi
20160906 bq sushi
tetsuro ito
TokyoR LT Rで連続データを離散化
TokyoR LT Rで連続データを離散化
tetsuro ito
20150531分析プラットホームとその技術(bizreach) cookpad ito #dcube_analysis
20150531分析プラットホームとその技術(bizreach) cookpad ito #dcube_analysis
tetsuro ito
20150303続パタ5章後半
20150303続パタ5章後半
tetsuro ito
PRML読書会1スライド(公開用)
PRML読書会1スライド(公開用)
tetsuro ito
20140614 tokyo r lt
20140614 tokyo r lt
tetsuro ito
20140329 tokyo r lt 「カーネルとsvm」
20140329 tokyo r lt 「カーネルとsvm」
tetsuro ito
20140204はじパタlt
20140204はじパタlt
tetsuro ito
Japan.r 2013 「実ビジネスデータへのrの活用とその限界」
Japan.r 2013 「実ビジネスデータへのrの活用とその限界」
tetsuro ito
はじパタ8章 svm
はじパタ8章 svm
tetsuro ito
Tokyo R LT 20131109
Tokyo R LT 20131109
tetsuro ito
はじパタ2章
はじパタ2章
tetsuro ito
第31回TokyoR LT資料
第31回TokyoR LT資料
tetsuro ito
集合知プログラミング5章発表
集合知プログラミング5章発表
tetsuro ito
集合知プログラミング11章
集合知プログラミング11章
tetsuro ito
Mais de tetsuro ito
(20)
[Up用]rでqr
[Up用]rでqr
20170912 data analyst meetup tokyo vol.5
20170912 data analyst meetup tokyo vol.5
DataOps in Moneyforward
DataOps in Moneyforward
20170207 bigdata analytics_tokyo講演資料
20170207 bigdata analytics_tokyo講演資料
20161029 dots machine learning in money forward
20161029 dots machine learning in money forward
20160906 bq sushi
20160906 bq sushi
TokyoR LT Rで連続データを離散化
TokyoR LT Rで連続データを離散化
20150531分析プラットホームとその技術(bizreach) cookpad ito #dcube_analysis
20150531分析プラットホームとその技術(bizreach) cookpad ito #dcube_analysis
20150303続パタ5章後半
20150303続パタ5章後半
PRML読書会1スライド(公開用)
PRML読書会1スライド(公開用)
20140614 tokyo r lt
20140614 tokyo r lt
20140329 tokyo r lt 「カーネルとsvm」
20140329 tokyo r lt 「カーネルとsvm」
20140204はじパタlt
20140204はじパタlt
Japan.r 2013 「実ビジネスデータへのrの活用とその限界」
Japan.r 2013 「実ビジネスデータへのrの活用とその限界」
はじパタ8章 svm
はじパタ8章 svm
Tokyo R LT 20131109
Tokyo R LT 20131109
はじパタ2章
はじパタ2章
第31回TokyoR LT資料
第31回TokyoR LT資料
集合知プログラミング5章発表
集合知プログラミング5章発表
集合知プログラミング11章
集合知プログラミング11章
20140930 みどりぼん10章後半 階層ベイズモデル -GLMMのベイズモデル化-(後半)
1.
みどりぼん読書会10章 階層ベイズモデル -GLMMのベイズモデル化-(後半)
@tetsuroito 2014/09/30 @dwango 2014年9月30日火曜日
2.
自己紹介 名前:伊藤 徹郎(@tetsuroito)
近況:恵比寿のお店を開拓中 マイブーム:クッキング 冬が待ち遠しい今日この頃 2014年9月30日火曜日
3.
マイルストーン イマココ! だいぶ終盤に差し掛かりました
2014年9月30日火曜日
4.
前半でやったこと GLMMを階層ベイズモデル化 階層ベイズモデルのMCMCサンプリング
階層ベイズモデルの事後分布推定と予測 2014年9月30日火曜日
5.
後半のお品書き 10.4 ベイズモデルで使う様々な事前分布
10.5 個体差+場所差の階層ベイズモデル 10.6 まとめと参考文献 2014年9月30日火曜日
6.
ベイズ統計モデルの設計で重要なこと よく使われる3種類の事前分布 10.4
ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
7.
ベイズ統計モデルの設計で重要なこと →事前分布の選択 よく使われる3種類の事前分布
10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
8.
ベイズ統計モデルの設計で重要なこと →事前分布の選択 よく使われる3種類の事前分布
1,主観的な事前分布2,無情報事前分布3,階層事前分布 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
9.
1,主観的な事前分布 個体差 の事前分布として使うならば‥ 「私はこうなってると思う!」で決定する
主観的な事前分布を使う場合 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
10.
1,主観的な事前分布 個体差 の事前分布として使うならば‥ 「私はこうなってると思う!」で決定する
→でも、この本では使いません 主観的な事前分布を使う場合 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
11.
1,主観的な事前分布 個体差 の事前分布として使うならば‥ 「私はこうなってると思う!」で決定する
→でも、この本では使いません 主観的な事前分布を使う場合 連続値の観測値xに関する測定時の誤測定が大きい場合 →スペックなどで測定ばらつきを主観で決定 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
12.
2,無情報事前分布 事前分布が事後分布に影響を与えないようにしたい場合に用いる 久保先生の談話
「データの読み上げみたいなもの」「統計モデリングじゃない」 4章の4.2節に登場したフルモデルみたいの (懐かしいですね) 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
13.
2,無情報事前分布 事前分布が事後分布に影響を与えないようにしたい場合に用いる 久保先生の談話
「データの読み上げみたいなもの」「統計モデリングじゃない」 4章の4.2節に登場したフルモデルみたいの (懐かしいですね) →これも、メインでは使いません 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
14.
そういえば‥ 10.4 ベイズモデルで使う様々な事前分布
2014年9月30日火曜日
15.
そういえば‥ 10.4 ベイズモデルで使う様々な事前分布
2014年9月30日火曜日
16.
そういえば‥ こんな主張ありました 10.4
ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
17.
3,階層事前分布 →10.3の例題ではこちらを使用 10.4
ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
18.
3,階層事前分布 →10.3の例題ではこちらを使用 個体差 の事前分布p( |s)を階層事前分布
平均=0,標準偏差sの正規分布 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
19.
3,階層事前分布 →10.3の例題ではこちらを使用 個体差 の事前分布p( |s)を階層事前分布
平均=0,標準偏差sの正規分布 正規分布sの事前分布は無情報事前分布を設定 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
20.
3,階層事前分布 →10.3の例題ではこちらを使用 個体差 の事前分布p( |s)を階層事前分布
平均=0,標準偏差sの正規分布 正規分布sの事前分布は無情報事前分布を設定 →階層構造はこれより深くはならない 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
21.
事前分布に何を選択すればよいの? 10.4 ベイズモデルで使う様々な事前分布
2014年9月30日火曜日
22.
事前分布に何を選択すればよいの? →パラメータがデータ全体のどの範囲を説明しているか? 10.4
ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
23.
事前分布に何を選択すればよいの? →パラメータがデータ全体のどの範囲を説明しているか? データ全体を大域的に説明する少数パラメータ
データの一部を説明する局所的パラメータ 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
24.
10.3の例題のコードをおさらい model 10.4
ベイズモデルで使う様々な事前分布 {" for(i in 1:N){ " " Y[i] ~ dbin(q[i],8)" #二項分布 " " logit(q[i]) <- beta + r[i]" #生存確率 " } " beta ~ dnorm(0,1.0E-4)" #無情報事前分布 " for(i in 1:N){ " " r[i] ~ dnorm(0,tau)" #階層事前分布 " } " tau <- 1/(s * s)" #tauは分散の逆数 " s ~ dunif(0,1.0E+4)"#無情報事前分布 } 2014年9月30日火曜日
25.
10.3の例題で言えば‥ 10.4 ベイズモデルで使う様々な事前分布
2014年9月30日火曜日
26.
10.3の例題で言えば‥ 切片β→データ全体を説明する大域パラメータ 100個の個体差[ ]→局所的パラメータ
10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
27.
10.3の例題で言えば‥ 切片β→データ全体を説明する大域パラメータ 100個の個体差[ ]→局所的パラメータ
→階層事前分布を設定するのは後者ということになる 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
28.
階層ベイズモデル 多数の局所的パラメータを制御するため、 階層事前分布を設定
この階層事前分布を少数の大域的パラメータ で支配する 10.4 ベイズモデルで使う様々な事前分布 2014年9月30日火曜日
29.
not only個体差 but
also場所差 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
30.
not only個体差 but
also場所差 植木鉢が10個あり、[A,‥,E](白):無処理 [F,‥,J](グレイ):施肥処理 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
31.
not only個体差 but
also場所差 植木鉢が10個あり、[A,‥,E](白):無処理 [F,‥,J](グレイ):施肥処理 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
32.
過分散や個体差、植木鉢差が存在している 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
33.
過分散や個体差、植木鉢差が存在している →データだけ見ていても、この植木鉢差の理由は不明 10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日
34.
過分散や個体差、植木鉢差が存在している →データだけ見ていても、この植木鉢差の理由は不明 このデータ構造の場合‥
疑似反復なので、個体差と植木鉢差を同時に 扱う必要性があります(7.5章を参照) 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
35.
GLMM化したポアソン回帰で扱える問題 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
36.
GLMM化したポアソン回帰で扱える問題 個体iの種子数 のばらつきを平均 のポアソン分布 で表現
10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
37.
GLMM化したポアソン回帰で扱える問題 個体iの種子数 のばらつきを平均 のポアソン分布 で表現
10.5個体差+場所差の階層ベイズモデル 平均種子数 2014年9月30日火曜日
38.
GLMM化したポアソン回帰で扱える問題 個体iの種子数 のばらつきを平均 のポアソン分布 で表現
(無情報事前分布) 10.5個体差+場所差の階層ベイズモデル 平均種子数 切片 施肥処理の有無の係数 (無情報事前分布) 2014年9月30日火曜日
39.
GLMM化したポアソン回帰で扱える問題 個体iの種子数 のばらつきを平均 のポアソン分布 で表現
個体iの効果 (階層事前分布) 10.5個体差+場所差の階層ベイズモデル 平均種子数 切片 施肥処理の有無の係数 植木鉢jの効果 (無情報事前分布) (無情報事前分布) (階層事前分布) 2014年9月30日火曜日
40.
GLMM化したポアソン回帰で扱える問題 個体iの種子数 のばらつきを平均 のポアソン分布 で表現
個体iの効果 (階層事前分布) (階層事前分布) のばらつき 10.5個体差+場所差の階層ベイズモデル 平均種子数 切片 施肥処理の有無の係数 植木鉢jの効果 (無情報事前分布) (無情報事前分布) (0~10^4の一様分布) 2014年9月30日火曜日
41.
個体差+植木鉢差の階層ベイズモデル概要 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
42.
WinBUGSを使って推定 model {
! for (i in 1:N.sample) { ! ! Y[i] ~ dpois(lambda[i]) ! ! log(lambda[i]) <- beta1 + beta2 * F[i] + r[i] + rp[Pot[i]] ! } ! beta1 ~ dnorm(0, 1.0E-4) ! beta2 ~ dnorm(0, 1.0E-4) ! for (i in 1:N.sample) { ! ! r[i] ~ dnorm(0, tau[1]) ! } ! for (j in 1:N.pot) { ! ! rp[j] ~ dnorm(0, tau[2]) ! } ! for (k in 1:N.tau) { ! ! tau[k] <- 1.0 / (s[k] * s[k]) ! ! s[k] ~ dunif(0, 1.0E+4) ! } } 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
43.
だが、しかし‥ WinBUGSでry)‥ とある10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日
44.
RのMCMCglmm()でもできそう http://hosho.ees.hokudai.ac.jp/~kubo/ce/McmcGlmm.html#toc2 stanでもできそう
http://ito-hi.blog.so-net.ne.jp/2012-09-04 ※詳細はWEBでチェック! 10.5個体差+場所差の階層ベイズモデル 2014年9月30日火曜日
45.
stanで推定された結果を拝借 ちゃんとパラメータ推定できている 10.5個体差+場所差の階層ベイズモデル
2014年9月30日火曜日
46.
10.6まとめと参考文献 2014年9月30日火曜日
47.
GLMMをベイズモデル化→階層ベイズモデル 10.6まとめと参考文献 2014年9月30日火曜日
48.
GLMMをベイズモデル化→階層ベイズモデル 階層ベイズは事前分布となる確率分布の パラメータにも事前分布が指定されている
10.6まとめと参考文献 2014年9月30日火曜日
49.
GLMMをベイズモデル化→階層ベイズモデル 階層ベイズは事前分布となる確率分布の パラメータにも事前分布が指定されている
主観を排し、無情報、階層事前分布を使う! 10.6まとめと参考文献 2014年9月30日火曜日
50.
GLMMをベイズモデル化→階層ベイズモデル 階層ベイズは事前分布となる確率分布の パラメータにも事前分布が指定されている
主観を排し、無情報、階層事前分布を使う! 複雑な構造の統計モデリングでは、階層ベイズ モデルとMCMCサンプリングによるパラメータ 推定の組み合わせで対処する 10.6まとめと参考文献 2014年9月30日火曜日
51.
注意点 統計モデルと推定方法の区別に注意! 10.6まとめと参考文献
2014年9月30日火曜日
52.
注意点 統計モデルと推定方法の区別に注意! 統計モデル:階層ベイズモデル
推定方法 :MCMCサンプリング 10.6まとめと参考文献 2014年9月30日火曜日
53.
おまけ 先日のjulia tokyoでMCMCの発表があった
2014年9月30日火曜日
54.
ご清聴ありがとうございました! 2014年9月30日火曜日
Baixar agora