[Stan]項目反応理論(IRT)の段階反応モデルでbaysemのアンケートデータの分析をしてみる – かものはしの分析ブログ
都内の事業会社で分析やWebマーケティングの仕事をしています。大学・大学院では経済学を通じて統計解析を行うなどしておりました。企業に勤めてからは、機械学習やテキストマイニング、クローリング技術などに関心を持っています。 Twitterアカウント Mr_Sakaue( SKUE ) GitHub 読書メーター ほしいものリスト はじめに stanのユーザーガイドを見ていて、項目反応理論（IRT）についての章があり気になりました。勉強会のLTなどで手法の名前をちらっと聞いたことはあったのですが、使い道について調べていませんでした。ビジネスにおける実活用もしやすそうだと思ったので、カジュアルに分析して備忘録として残したいと思います。 目次 ・項目反応理論（Item Response Theory：IRT）とは ・ビジネスでの適用可能性について ・データ ・モデルの推定 ・結果の解釈 ・おわりに
![[Stan]項目反応理論(IRT)の段階反応モデルでbaysemのアンケートデータの分析をしてみる – かものはしの分析ブログ](https://cdn-ak-scissors.b.st-hatena.com/image/square/a787dca9147676db06027eb58bb689b8fa4eb62b/height=288;version=1;width=512/http%3A%2F%2Fkamonohashiperry.com%2Fwordpress%2Fwp-content%2Fuploads%2F2018%2F08%2Fanimal_kamonohashi.png)
stan – かものはしの分析ブログ
都内の事業会社で分析やWebマーケティングの仕事をしています。大学・大学院では経済学を通じて統計解析を行うなどしておりました。企業に勤めてからは、機械学習やテキストマイニング、クローリング技術などに関心を持っています。 Twitterアカウント Mr_Sakaue( SKUE ) GitHub 読書メーター ほしいものリスト 目次 ・Robynとは ・とりあえずチュートリアルやってみる ・向き合い方 ・参考情報 Robynとは Robyn（ロビン）はFacebook（META）が開発しているMarketing-Mix-Modeling（以降、MMM）のオープンソース（https://facebookexperimental.github.io/Robyn/）です。主にR言語で開発されています。（Python版は目下開発中らしいです。） MMMは、マーケティングの広告投資の予算を、効果を最大
[R]質問紙と行動指標の相関分析
@ なんばいきん · Thursday, Dec 17, 2020 · 8 minute read · Update at Dec 17, 2020 こちらはStanアドベントカレンダー17日目の記事です。 この記事はHainesの記事を参考に作成してます。より詳細な内容を知りたい人はこっち ここでは社会・行動科学にありがちな主観指標と行動指標の相関を、生成モデルの観点から推定することを目指す。このアプローチには、 ①前提を明示的にできる ②Priorの設定をドメイン知識に合わせれる ③不確実性を定量化できる といった利点がある。 2値で回答可能な質問紙Aをとるとする。そんで反応時間のような行動指標Bもとるとする。 ここで知りたいのはこの質問紙Aと行動指標Bの相関であるとする。 よくあるのは、質問紙Aのアイテムを合計して計算する平均値と行動指標Bの平均値とかを使って相関を出す方法だ。直観的
識別条件を満たさないモデルをベイズで解釈する(?) - バナナでもわかる話
今回の記事は、ちょっとある噂を耳にしたのでそれに関する検証をしようかと思います。 「識別条件を満たさないモデルでもベイズだと(どういう意味合かはわからないが)解釈出来るらしい」 という話を耳にしまして。 ちょっとどういう意味合いで解釈できるのか、どういう意味で妥当なのかを聞きそびれたので、今回はそれを検証してみようかと思います。 (そもそも個人的には、本当かどうかも疑わしい気がしてるのですが...どうなのでしょうか。) 識別条件 まず、一般的に統計モデルには識別条件というものがあって、 要はこの条件を満たさないモデルのパラメータはまともに推定することも、理論上解釈することも出来ないというお話です。 例えば、次のような線形モデルを考えたとします。 とがパラメータです。 普通の線形モデルだと下のような形をしているわけですが 今回はとがふたつ掛けてあります。 このモデルは識別条件を満たさないモデ
ベイズword2vecの進化版をStanで実装してみた - Qiita
のようなユーザーの移動データの中のXXの予測にも使える。 もちろん、テキストデータ用に開発されたモデルを他の種類のデータに適用する際は、非言語データの前処理の工夫の必要性や言語に特化した学習済みモデルを安易に利用しないなどの注意点がある。 本記事が利用するデータも言語データではなく、下記のサイトが提供するテレビ番組の閲覧状況のデータである（Turrin, Condorelli, Cremonesi and Pagano 2014）。 指数族embeddingの簡単な紹介 指数族embeddingとは、Rudolph et al.（2016）が提案した、word2vecをより一般化して、言語データ以外の種類のデータにも拡張した手法である。 指数族embeddingの概念を簡単に説明すると、ある位置にどんなトークンが現れるかは、その周辺に位置するトークンによって決まるということである。また、ト
ディリクレ過程とガウス過程で民主主義の発展を分類してみた - Qiita
はじめに 時系列データを分類するのは、あらゆる意思決定で価値を発揮する。例えばビジネスの場合、トレンドが似ている地域を識別し、同じグループの地域Aを施策群にして、地域Bを統制群にすれば、施策前に両地域の推移が似ているので、施策後大きな乖離が見られたら施策の効果とみなせ、信憑性の高いTVCMやOOH広告のABテストを実行できる。個人の意思決定の場合（本記事の目的は投資戦略の紹介ではないことを強調したい）、株の推移の時系列をグループ化できれば、資産をいい感じに分散させ、手元の株の株価が同時に下落するリスクを減らすことができるかもしれない。うるさいかもしれないが、本記事の目的は投資戦略の紹介ではないことをもう一回強調する。また、政治学においても、例えば各国の民主主義の発展を分類して可視化すれば、理論の発展や政策提言の質の向上に寄与することも期待される。 ただ、問題として、一般的な分類手法だと、ま
Stan Advent Boot Camp 第9日目: 階層線形モデルをやってみよう - nora_goes_far
この記事について Stan Advent Calendar 2020 9日目の記事です。本記事で紹介する階層線形モデルは、第4日目に紹介された重回帰モデルや、第5日目に紹介されたロジスティック回帰モデルなどの、一般線形モデルや一般化線形モデルを拡張したモデルになります。Stanで階層線形モデルの確率モデルを書く方法を紹介します。 なおこの記事では階層線形モデルという名称を使用しますが、線形混合モデルやマルチレベルモデルとも本質的には同じです。 一般線形モデルの復習 ここでは説明変数が1つの、単回帰モデルを例とします。 個のデータがあり、目的変数を、説明変数で予測しています。が切片、が回帰係数、が残差です。 これは以下の確率モデルと同義です。 つまり、 目的変数は、正規分布に従う。その平均はで、標準偏差がである というモデルを立てたことになります。 階層線形モデルへの拡張 データの階層性を考
ベイズ統計モデルを使ったデータ解析の実践事例 - Qiita
1. はじめに ベイズ統計モデルは、自由度が高く線形混合モデルや階層モデル等、様々なモデリングが可能で、複雑なデータ解析等の応用が可能です。今回はベイズ統計の枠組みを使って、ちょっと複雑な実際の調査データ事例を使った解析をしてみたいと思います。 なお、ベイズ統計を使ったモデリング等について詳しくは、下記記事や馬場先生の「RとStanではじめる ベイズ統計モデリングによるデータ分析入門」を参考にしてください。（本投稿ではベイズ統計モデリングそのものには触れません） 2 . データ解析環境 Windows11 home R version 4.1.3 ＆ RStudio 2022.12.0 Build 353 'tidyverse' version 1.3.2 'rstan' version 2.21.7 'bayesplot' version 1.10.0 'loo' version 2.5
M-1グランプリ分析2022；山田邦子さんの評定やいかに - Qiita
まえふり 昨日のM-1も良かった・・・！ 昨日はNHK大河ドラマ「鎌倉殿の13人」の最終回でもあったし，M-1の日でもあったので，夕方から万全を期してテレビの前に齧り付いてました。 テレビが面白くないと言われる昨今ではあるけど，あれだけお金をかけてCG,スタジオ，女優さんを揃えて面白コンテンツを作れるのは，やっぱり資本のあるテレビだなあと思ったり。賞金や名声を求めて，「面白いことをしよう」という人がたくさん出てくるというのはすごいものです。 さて，演者の人生が変わると言われている大会ですから，審査員がちゃんと審査していることが重要。みている人も「あの審査員はおかしい」とか「この審査員は偏っている」とか言い合って楽しんでいるわけですが，せっかくデータと技術があるので，この視聴者の感覚を検証してみましょう。 今回気になったのは，新しく審査員になった山田邦子さん。個人的な印象では，お笑い芸人とい
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
On Curbing Your Measurement Error: From Classical Corrections to Generative Models | Computational Psychology
seascapemodels
Mixed Logit Model
Elea McDonnell Feit: Parameterization of Multinomial Logit Models in Stan
GitHub - eleafeit/data_fusion: Code for the examples in the Feit and Bradlow chapter on Fusion Modeling in the Handbook of Marketing Research.
An easy way to simulate fake data from your Stan model
GitHub - rmcelreath/stat_rethinking_2022: Statistical Rethinking course winter 2022
SLOTLIONS88 : Situs Slot Gacor Dewa Slot88 Mania Resmi 2024
Simulation-based linear mixed effect regression models with stan
Hierarchical vector autoregression
Understand Customer Decision Making: Discrete Choice Models with RStan