ブートストラップ法で信頼区間を求めるときの注意点 - ほくそ笑む
1. はじめに ブートストラップ信頼区間について調べていたんですが、理論的な求め方は教科書などに載っているのですが、実践的な情報が少ないように思います。 今回、少し調査してみて、実際に適用する際に注意が必要だなと感じたことについて書いておきます。 2. ブートストラップ信頼区間 ブートストラップ法は、理論的に求めるのが難しい統計量を、経験分布からのシンプルなリサンプリングによって推定できるという手法です。 ブートストラップ法では、推定された統計量に対して、その信頼区間を求めることもできます。 このような信頼区間をブートストラップ信頼区間といいます。 ブートストラップ信頼区間を求める方法については色々議論があるようですが、主な手法は次の5つです。 正規分布近似法 ベーシック法 パーセンタイル法 BCa法(bias-corrected and accelerated percentile me
p値の価値 - himaginary’s diary
今月初めに米統計学会がp値の使用に関する6つの原則を公表した。その責任者である同学会Executive DirectorのRonald L. Wassersteinは、Retraction Watchという論文撤回監視ブログ*1のインタビューに応じ、最近の再現性危機問題が今回の声明の背景にあることを説明している（H/T Mostly Economics）。日本でもこの6原則は各所で取り上げられており、Naverまとめがその辺りに詳しい。 米統計学会のサイトでは、この6原則を提示した声明文書と共に、同文書のp値の議論に関する21人の統計学者の反応も併せて公開している。そのうちUCバークレー教授のPhilip B. Starkが、表題の小論（原題は「The Value of p-Values」）で、今回の声明の精神は買うが、内容には若干の違和感がある、として以下の点を指摘している。 The i
心理学者のための統計モデリング，GLMM，階層ベイズ | Sunny side up!
先日，北海道大学で講演した，統計モデリング，GLMM，階層ベイズについてのスライドをスライドシェアにアップしました。 二日にわたる講演だったので，スライドも二つに分けています。 前半が，統計モデリングや一般化線形モデルについての話です。 後半は変量効果，階層線形モデル，GLMM，階層ベイズについての話です。 なお，ベイズ統計については別のスライドが詳しいです。 心理学者のためのベイズ統計入門をご覧ください。
[Stan] 二つの時系列データの間に「差」があるか判断するには
詳しい経緯は このまとめ を参照してください。時間軸でぶった切って各時点で検定を使う手法は、百歩譲って「差があるかどうか」は判定できるかもしれないけど、「どれほど異なるのか」については何も言えない。「どの時刻から異なるか」についても言えるか分からない。そこでベイズ統計モデリングで判断しようと思います。ベイズ統計モデリングでは多くの事前知識を仮定としてモデルに組み込みますが、検定も多くの仮定を前提にしている点は同様と思います。 データは雰囲気だけ似せて自作しました。野生型100個体、変異体10個体で1～24まで1時間ずつ測定して24時点としました。まとめを見ると144時間みたいですが24時間に簡略化します。データの構成は以下です。 type X1 X2 … X23 X24 0 0.071 0.555 … -0.236 -0.597 0 0.445 0.483 … -0.149 0.231 0
![[Stan] 二つの時系列データの間に「差」があるか判断するには](https://cdn-ak-scissors.b.st-hatena.com/image/square/2cb38c565dccf40456e75ebacc03ad3b237edc44/height=288;version=1;width=512/http%3A%2F%2Fblog-imgs-90-origin.fc2.com%2Fh%2Fe%2Fa%2Fheartruptcy%2F20160219_fig1.png)
心理学者のためのベイズ統計入門
※こちらのスライドは誤りを含んでいます。修正スライドをアップしましたので以下をご覧ください。 https://www.slideshare.net/simizu706/ss-57721033 大阪教育大学での研究会で発表した資料です。 心理学者のために，かなり基礎的なところからベイズ統計について解説しています。 間違えているところがあればご指摘いただけると幸いです。 黒木玄（@genkuroki )さんからご指摘いただき、スライド内容に間違い、ミスリーディングな箇所があることがわかりました。スライドを見られる方は以下のツイートも併せてみていただくようお願いします。 https://twitter.com/genkuroki/status/973007871821557760
ベイズ統計の入門書が出版ラッシュなのでまとめてみた - ほくそ笑む
【宣伝】2016/09/14 このページに来た方へ。あなたが求めている本はこれです。 StanとRでベイズ統計モデリング (Wonderful R) 作者: 松浦健太郎,石田基広出版社/メーカー: 共立出版発売日: 2016/10/25メディア: 単行本この商品を含むブログ (10件) を見るまずこれを予約してから下記を読むといいです。 【宣伝終】 最近、ベイズ統計の入門書がたくさん出版されているので、ここで一旦まとめてみようと思います。 1. 基礎からのベイズ統計学: ハミルトニアンモンテカルロ法による実践的入門 (2015/6/25) 基礎からのベイズ統計学: ハミルトニアンモンテカルロ法による実践的入門 作者: 豊田秀樹出版社/メーカー: 朝倉書店発売日: 2015/06/25メディア: 単行本この商品を含むブログ (6件) を見る データ分析業界ではかなり有名な豊田秀樹先生の本です
北海道大学 低温科学研究所
低温科学研究所は「寒冷圏および低温環境における自然現象の基礎と応用の研究」を目的とする、文部科学省認定の共同利用・共同研究拠点として、国内外の研究機関と連携したプロジェクト等を推進しています 人事公募2024.07.05 教員の公募：水・物質循環部門・助教１名、応募締切：令和6年9月30日（月）必着 お知らせ2024.07.02 低温研で大学院生活を送る学生たちの日常や研究を紹介する「低温研で活躍する学生」コーナーを更新しました。 共同研究2024.06.27 研究会：過去2000年間の北極海古環境に関する研究集会 7月 8日(月) - 9日(火) 講義室 および オンライン お知らせ2024.06.25 掲載：低温研ニュース 2024年 6月 No.57 共同研究2024.06.20 研究会：環オホーツク陸海結合システムの冠動脈：対馬暖流系の物質循環 7月 2日(火) - 3日(水) 講
Bayesian inference - an interactive visualization
Tweet The visualization shows a Bayesian two-sample t test, for simplicity the variance is assumed to be known. It illustrates both Bayesian estimation via the posterior distribution for the effect, and Bayesian hypothesis testing via Bayes factor. The frequentist p-value is also shown. The null hypothesis, H0 is that the effect δ = 0, and the alternative H1: δ ≠ 0, just like a two-tailed t test.
Stanで統計モデリングを学ぶ(2): そもそもMCMCって何だったっけ？ - 渋谷駅前で働くデータサイエンティストのブログ
（前回記事はこちらから） ベイジアンの知識もいい加減な僕がこんなシリーズ記事を書くとかほとんどギャグの領域なんですが（汗）*1、2回目の今回の記事ではそもそもMCMCって何だったっけ？ってところから始めようと思います。 今回参考にするのは、主に久保先生の緑本です。そもそもGLM～GLMM～階層ベイズ＋空間統計学について生態学研究をモチーフに分かりやすく書かれた本ですが、後半はMCMCの話題で統一されています。 データ解析のための統計モデリング入門――一般化線形モデル・階層ベイズモデル・MCMC (確率と情報の科学) 作者: 久保拓弥出版社/メーカー: 岩波書店発売日: 2012/05/19メディア: 単行本購入: 16人 クリック: 163回この商品を含むブログ (18件) を見る MCMCまわりでは他にも非常に多くの良書がありますが、「初心者向けにも分かりやすくて」「段階を追って」「なぜ
なぜ状態空間モデルを使うのか | Logics of Blue
最終更新：2016年1月24日 このサイトでは統計学や統計モデルの紹介を多くしています。 その中でも、状態空間モデルは、力を入れている分野の一つです。 ところで、なぜ状態空間モデルを使う必要があるのでしょうか。 そもそもにおいて、統計モデルを使う必要性はどこにあるのでしょうか。 今回は個々の手法の説明ではなく「なぜそれを使うのか」という理由を解説します。 スポンサードリンク 目次 1．なぜモデルを使うのか 2．なぜ統計モデルを使うのか 3．なぜ状態空間モデルを使うのか 4．なぜたくさんのモデルを統一的に表せると便利なのか 5．状態空間モデルを使う注意点 6．状態空間モデルの御利益 7．おまけ：統計モデルと機械学習の違い 1．なぜモデルを使うのか モデルとは､「見やすくなるように簡略化したもの」です。 モデルを作る行為、すなわちモデル化とは､「見やすくなるように簡略化すること」です。 例えば
相関係数の大きさに対する目安の歴史的変遷 - Tarotanのブログ
2022年3月15日 Googleドライブの権限変更のため，ファイルが共有されていませんでした．リンクを変更しました． 「相関係数が0.7あれば、相関が高いと言える」 などの目安を、教科書や入門書で見かけたことは ありませんか？ 私は、ちょくちょく目にするのですが、 どこの 誰が いつ 言い出したのか、ずっと不思議に思っています。 下記のリンクにあるPDFファイルで、その歴史的 変遷を追ってみました。 相関係数の大きさに対する目安の歴史的変遷.pdf 相関係数の大きさに対する目安の歴史的変遷.pdf - Google ドライブ 長くてすみません。 上手にまとめることができませんでした。 今回調べたところでは、20世紀初頭のアメリカに おける統計学や教育統計学の入門書において、 いくつかの目安が誕生したようです。 イギリスのGalton, K. Pearson, Spearmanなども 相関
Rでとことん相関
研究会でせっかく資料作ったのでこちらにもアップしたいと思います。内容は「相関」について。 心理学をやっている人ならば恐らくは誰でも知っている相関係数ですが、あらためて調べてみると色々出来ることは多いですね。 なお、統計初心者向けの内容となっております。 1. 相関（correlation）とは 相関とは、2 つの変数間の関係性を記述するための統計指標を指します。例えば，変数 A の値が大きいほど，変数 B が大きければ正の相関。変数 A の値が大きいほど，変数 B が小さければ負の相関です。ここあたりは基本ですね。 特に Pearson の積率相関係数では共分散を用いて算出されます。 2. 共分散（covariance） 共分散は2 変数の散布度についての統計指標です。それぞれの観測変数が 2 つの平均値からどの程度離れているのか（平均からの偏差）を元に算出されて、直線状に並んだときが
一般化線形混合モデル入門の入門
2014.12.6. Nagoya.R #12 外国語教育研究の仮想データを用いてRのlme4パッケージやlmerTestパッケージを使ってみるというような主旨の発表です。 slideshare上から無料でダウンロードできなくなってしまったので，speakerdeckにも同じ資料をあげました。ダウンロードされたい方，広告がうっとおしいという方は下記のURLからどうぞ。 https://speakerdeck.com/tam07pb915/an-introduction-to-lme Read less
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
Frontiers | Introducing StatHand: A Cross-Platform Mobile Application to Support Students’ Statistical Decision Making
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
この発想は無かった!! 「EXILEの画像をアップすると近い構図の確率分布の画像が送られてくる」タグまとめ
転送中
The general public has no idea what “statistically significant” means
JASP - A Fresh Way to Do Statistics
jakewestfall.org - jakewestfall リソースおよび情報