サクサク読めて、アプリ限定の機能も多数！
トップへ戻る
アメリカ大統領選
cogpsy.educ.kyoto-u.ac.jp
因子分析 心理データ解析演習 M1 枡田 恵 2013.6.5. 1 因子分析とは • 因子分析とは、ある観測された変数（質問項 目への回答など）が、どのような潜在的な変 数（観測されない、仮定された変数）から影響 を受けているかを探る手法。 • 多変量解析の手法の一つ。 • 複数の変数の関係性をもとにした構造を探る 際によく用いられる。 2 因子分析とは • 探索的因子分析 －多くの観測変数間に見られる複雑な相関関係が、 いくつの、どのような内容の因子を導入すれば 説明できるかを調べる • 確認的因子分析（検証的因子分析） －因子数および因子と観測変数との関係について の仮説的なモデルを用意し、そのモデルをデー タによって検証する 3 因子分析とは 潜在変数 観測変数 潜在変数 文系能力 理系能力 数学の得点 数学固有 の問題 理科の得点 英語の得点 理科固有 の問題 英語固有 の問題
ロジスティスク回帰分析 ロジスティスク回帰分析 2014/4/30 教育学研究科M1 柳岡開地 1 はじめに はじめに 統計が苦手な人による統計が苦手な人への 説明にしたい (すごーく分かっている人の 説明は, 逆に分かりにくい) クリティカルな質問には面食らいます 自分の研究を材料に, 架空のデータでロジス ティク回帰分析を実践してみた (一種の宣 伝でもあるのです！) 2 回帰分析と同じところ 回帰分析と同じところ ロジスティック回帰分析は線形回帰分析 (先週のかわむらくんの発表してくれた) と 同様に, 従属変数を y ＝ ax＋b と表す (説明 変数が多くなれば, y ＝ ax1＋bx2＋c となり ます) →「説明」や「予測」を目的としている （ロジスティック回帰分析は, もともと疫学 研究において複数個存在する「リスクファ クター」を検討するために用いられた)
1 Rで学ぶ検定力 5/22 市村賢士郎 2 検定力分析を学ぶ意義 • 2013年に発表されたNatureの新しいガイドラ インによると… 「事前に設定した効果量をもとに、サンプル数を どのように決めたか」 を明記しなければならない。 →検定力分析を行うことを求めている！ • Rを使えば簡単に検定力分析が可能。 3 本日のメニュー • 初心にかえって仮説検定を考える →検定の大事な基本を忘れてませんか? • 検定力分析のいろはを学ぶ →実験を理想に近づけるための事前・事後・明日へ の分析 • Rを使って検定力分析をしてみよう！ →関数を使えばとっても簡単 4 初心にかえって仮説検定を考える 5 なぜ仮説検定が必要か? • 40人の生徒を2つのクラスA・Bに分け、Aでは 新学習法(実験群)、Bでは旧学習法(対照群) で授業をしたところ、期末テストで、実験群の 平均は60点、対照群の平均は50
４５分で学ぶ テスト作りの流れ 項目反応理論 2013/07/17 心理データ解析演習 宮坂まみ（Ｍ１） 1. テスト理論 2. 古典的テスト理論 3. 項目反応理論 項目反応理論 ―おはなしをひと握りだけ― テストとテスト理論 テスト（検査）：学力や性格などの心理的な特性を測 定する用具 テスト理論：テストの作成方法，実施方法，採点方法， 解答の分析方法などに関する知識体系 良いテストの条件 ・・・みなさんおなじみ 適切に心理的な特性を測定している ＝ 信頼のおける安定した得点を算出できる＝ 信頼性 妥当性 古典的テスト理論の問題点例 平行検査法 (parallel-forms estimation approach) 平行検査の分布，真値，期待値，全ての組合せの共分散は 等しいとする。 →厳密に条件を満たす平行検査を複数作ることは難しい。 再検査法 (test-
重回帰分析（2） データ解析演習 6.9 M1 荻原祐二 1 発表の流れ • 1.復習 • 2.ダミー変数を用いた重回帰分析 • 3.交互作用項を用いた重回帰分析 • 4.実際のデータで演習 2 復習 • 他の独立変数の影 響を取り除いた時に、 ある独立変数が従属 変数をどれくらい予 測できるか • 想定したモデルが全 体としてどの程度当 てはまるのか 3 変数X1 変数X2 変数Y β= R²= 偏相関係数と標準化偏回帰係数の違い • 偏相関係数と標準化偏回帰係数は同じもの なのか？ →指示している内容はほぼ同じ • どちらも、X2がYに与える影響を取り除いた時のX1とY の関係の強さを表す →しかし、数値が異なる 4 X1 X2 Y X1 X2 Y 相関係数と回帰係数 • そもそも、（単）相関係数と（単）回帰係数はど う違う？ • 回帰係数とは、一方向の関係の強さを表す – よって、Y
30分だけでは決してよくわからない とてもとても難しい 一般化線形モデル with R M1 白砂優希 今回は尺が短いので • とにかく、ざっくりと説明して、こんな方法もあ るよねと言うことを確認 • 数学的な導出は省きまくります – (数式が好きな変態さんにはごめんなさい) – ふぇぇ:;(∩´﹏`∩);: – だって、行列がどうとか、ベクトルがどうとか、線 形性がうんぬんかんぬんゆーても皆さん嫌で しょ？ どうしてモデリング？ • 検定のような「差が有る」ことを示すだけでな く、データ全体の構造を知りたい – 検定だけでは分からない • よくわかんない割り算や変数変換から脱出し たい – そこまでして有意差にこだわるよりかは、モデリン グと言う手段を考えてもよいのでは？ http://hosho.ees.hokudai.ac.jp/~kubo/ce/LinksGlm.html 線形モデ
Rで学ぶ回帰分析 補足：重回帰分析における交互作用の検討 M2 新屋裕太 2013/07/10 （復習）回帰分析について • 変数間の因果関係の方向性を仮定し、１つまたは複数の独立 変数によって従属変数をどれくらい説明できるのかを検討する 手法 • 単回帰分析：独立変数が1つの場合 • 重回帰分析：独立変数が２つ以上の場合 （例）ワンルームマンションの家賃を、ワンルームマンションの条件から、予 測する場合 家賃 駅からの距離 築年数 部屋の広さ バスタイプ ＜独立変数＞ ＜従属変数＞ etc… （復習）重回帰分析について • 重回帰分析では、複数個の独立変数x1,x2,・・・,xiと従属変数yの間 に、以下のような線形の関係があることを仮定する • y = a + b1x1 + b2x2 +・・・+ bixi + e （重回帰モデル） • y^= a + b1x1 + b2x2 +・・・+
2011/6/22 M2 “ 1* 1+ 2* 2 ” 7 9 2 F 1.0 1.5 2.0 2.5 3.0 3.5 4.0 0.0 0.2 0.4 0.6 0.8 Y 0 50 100 150 200 250 0.000 0.002 0.004 0.006 0.008 0.010 0.012 YY -5 0 5 10 0.00 0.05 0.10 0.15 X Y YY X A (Y = X + eA) B (YY = X + eB) A (Y = X + eA) B (YY = X + eB) -5 0 5 10 0 50 100 150 200 250 X YY -5 0 5 10 1.0 1.5 2.0 2.5 3.0 3.5 4.0 X Y 0 (
主成分分析 －因子分析との比較－ 2013.7.10. 心理データ解析演習 M1 枡田 恵 主成分分析とは • 主成分分析は、多変量データに共通な成分を探って、 一種の合成変数（主成分）を作り出すもの ＊主成分はデータを新しい視点でみるための新しい軸 • 主成分分析の目的：「情報を縮約すること」 （データを合成変数（主成分）に総合化） ⇔因子分析の目的：「共通因子を見つけること」 （データを潜在因子に分解） 2 因子分析と比較！ • 因子分析 • 観測変数に共通な潜在因子を探 る • 因子は変数を説明する独立変数 • 共通因子の影響を除いたら変数 間の偏相関が0になるように因子 負荷を求める →変数間の相関関係を因子によっ て説明する • 主成分分析 • 観測変数が共有する情報を合成変数と して集約する • 主成分は変数によってその値が決まる 従属変数 • 主成分の分散が最大になるように変
心理データ解析演習：第５回 テキストマイニング入門 教育認知心理学講座M1 岡 隆之介 今日みなさんに持ちかえってほしいもの • テキストマイニングは心理学でも有効 • テキストデータは数字で処理されている • テキストデータの分析は（ぱっと見）簡単であ る 発表アウトライン 1. テキストマイニングとは何か 2. テキストマイニングの基礎理論 3. テキストマイニングの分析―クラスター分析 編－ 4. テキストマイニング演習－KH‐Coderを使って やってみる― 1. テキストマイニングとは何か 1.1 テキストマイニングとは • テキストマイニングとは、テキストを単語やフ レーズなどの単位に分割し、それらの出現頻 度や共起関係(同時出現)などを集計し、デー タ解析やデータマイニングの手法で定量的に 解析すること。 • なんらかの意味のある文章(テキスト)を用い て、それを計量的にあつ
1 2009/05/20 M1 2 3 … A B A 5 B 30 30 5 5 A B 5 4 5 5 A A B 5 5 A 5 B 5 , 1998, p268 6 E A MS MS F = F n-1 0 or 7 MSA ijk k j ijk e b a x + + + = μ ijk jk k j ijk e ab b a x + + + + = ) ( μ A + + + 8 e B A B A T SS SS SS SS SS + + + = × ... , e e e A A A df SS MS df SS MS = = ,... ) ( ˆ ˆ 1 2 . . 1 2 1 1 1 2 ∑ ∑ ∑∑∑ = − = = = = = = = p j j p j j n i p j q k j A x x nq a nq a SS 9 t df error effect
ホワイトカラーにおける暗黙知とその継承 楠見 孝（京都大学） ホワイトカラーにおける暗黙知とは 学校や本で学んだ知識が、仕事における業績にすぐに結びつかないのはなぜだろうか？ それは、暗黙知という、経験を通してでしか学ぶことのできない知識や技能がなければ仕事をうまく進めることができないからである。 暗黙知は、言葉で表現することが難しく、手順の形で示されていない知識である。とくに、最近のホワイトカラーの仕事は、複雑で非定型的なものになりつつある。決まり切った仕事を忠実にこなすだけでなく、環境の変化に適応することが求められている。しかし、そのために必要な暗黙の知識とは何だろうか？ そしてどのようにしたら獲得できるのだろうか？ こうした暗黙の知識や技能を調べるためにイェール大学の心理学者スタンバーグ教授らのグループは、優れた業績を上げているホワイトカラーの管理職に面接して、これまでの経験において
Y X ( ) ( ) 1.693 1.004 10 1.693 1.004 10 ( )
2010/5/19 M1 1 • – • , ) ( , ) • – • ) )( ( 1 1 y y x x N S i i N i xy x y 2 i x i y y x xy xy S S S r 2 • – – ( : a: b – ( : a: b: 3 ˆ y a bx ˆ y ˆ y a b1x1 b2x2.... bn xn ˆ y • • • 4 • – – • • • 5 • SEM – • • • – • 6 7 e e2 .68 .37 .59 • • • • – 8 • • • • 9 • – • – • • • 10 e1 e2 2 2 • – – – – 11 • – • – – 12 • CMIN) – • 500 • • GFI AGFI – GFI R AGFI R – 1.00 – 0.90 13 • N
2011.5.11 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 0.1 19 20 21 22 23
• • • • • • • • • • Long,1997) Long ,J.S(1997)Regression models for categorical and limited dependent variables. Sage Publication or 0 • • 2 • ij exp ij / k exp ik ij i ( 1j, 2j, 3j, j log i i 1j 2j 3j j • • • Stata cut point b u x • • • R2 0.4 0.5 R2 AIC • • L a.b. |xi,yi = yi-a-bxi -a-bxi y>0 y=0 • • • • (2005)SPSS p40 1.96 probit( )=1.547 0.057 3 0.05 • • Probit(0.5)=0 =1.547 0.057 2.581 http:/
1 1 M1 20050615 2 � … 3 � 1 � 4 � � � � 5 � � 6 2 7 � 2 � � 8 � a+bx � � a � 9 � a, b � ( ) a,b a,b a= -bx b=S(x, y)/S2(x) (x,y)S(y)/S(x) 10 11 Y=a+bX 12 Y=a+bX ( ) 3 13 Y=a+bX ( ) a,b 14 � � S2 /S2 2 cf S2(y)=S2( )+S2(e) , e � 15 16 � � � � 17 � i i a+b1x1+b2x2+ +bixi � y : � a : � b : 18 � ( ) 4 19 =a+b1x1+b2x2 3 20 � � R � � R R � � S /S R2 � 21 � 22 � � 23 � � � 24 1 2 n R n 5 25 � � � � 26 �
R • • • • R • R • , 2006 • • • = .85 • • • • • • • • • • b • z = a + bx – x : – z : – z : – a : – b : R2 • R2 z x • • • • R • R • • • • • • xi yi • 10 10 • • • b b1 b2 • z z z = a + b1x + b2y x y x • • z = a + b1x + b2y x y : – x, y : – z : – z : – a : • b1, b2 • R2 • • • • • – – • • • • R • R R • • 2007 SPSS • R • • – R http://www.educ.kyoto- u.ac.jp/cogpsy/personal/Kusumi/datasem07/tanaka.pdf R
PSYCHOLOGIA An International Journal of Psychological Sciences In 1957 Dr. Koji Sato, the first Editor of this Journal, founded Psychologia Society and published the first issue. As a channel of communication and feedback from the East to the West and as a forum for international discussions, Psychologia publishes original articles from all fields of psychology, including empirical research, revie
2005/06/22 1 1 1 2005/06/22 2005/06/22 M1 M1 2 2 � � � � � � � � ŷ ŷ a a+ +bx bx ŷ ŷ a a b b ŷ a+bx y 3 3 � � � � x x1 1, , x x2 2, ,… …x xp p 2 2 x2 x1 y x1 , x2 =ax1+bx2 3 4 4 � � � � � � � � 5 5 � � R R R R2 2 � � � � 6 6 � � SPSS SPSS � � � � � � � � � � � � 2005/06/22 2 7 7 � � � � � � � � R R R R2 2 8 8 � � � � � � � � 9 9 � � SPSS SPSS � � � � 10 10 � � 16 16 � � � � � � 11 11 � � � � Wrigh
_090624 1 LSA(Latent Semantic Analysis) _090624 _090624 2 • LSA • • • _090624 3 LSA • LSA( ; Latent Semantic Analysis; Landauer & Dumais, 1997) – (Dumais, Furnas, Landauer, & Deerwester, 1988; Deerwester, Dumais, Furnas, Landauer, & Harshman, 1990) • Latent Semantic Indexing (LSI) • LSA • e.g., “car” “automobile” – – _090624 4 LSA • – • – – 1997 Landauer & Dumais, 1997 _090624 5 LSA • LSA – – _090
M 2 M.2 (1) (1) • • etc etc… etc… (2) (2) • 3 3 Coleman(1990) • Coleman(1990) • Putnam(1993) (3) (3) • )Putnam et al.(1994) Making Democracy Work: Civic )Putnam et al.(1994) Making Democracy Work: Civic Traditions in Modern Italy Princeton Univ Press( NTT ) ) ) (1998) (4) (4) • )Burt(1992) Structural Holes-The Social Structure of )Burt(1992) Structural Holes The Social Structure of Competition Har
M1 M1 • • • G Power 2 • p • 3 • p – • 10 1000 4 • A B r=0.2 =10 0 p=.58 =1000 =1000 <.000 =98 .048 r=0 2 !! 5 r=0.2 !! • ( ) ( ) ( ) • 6 d d • – – • p p 7 t t – 1 t μ μ 0 − 0 0 : μ μ = H σ μ μ 0 = d – t 2 1 0 : μ μ = H μ μ σ μ μ 1 2 − = d 2 σ 2 2 8 • Cohen(1988) – 9 = 2 f • • (strength of association) – 10 • • 2 η 2 η × F 2 2 + × × F F η • 2 ω 2 ε 11 • ( ) • – • 12 H0 H1 H0 (1-α) (β) ( ) (β) H1 (α
人間の行動を理解するために観察，測定可能なデータに基づく学問的枠組み。客観的な刺激―反応を内部状態の主観的な分析よりも重視する。アメリカの心理学者 John B. Watson (1878-1958) and B.F.Skinner (1904-1990)に代表される.
Fuzzy-Trace Theory: Memory Brainerd. C. J. はじめに ファジートレイス理論とは･･･記憶の符号化時，検索時において，要約的痕跡，逐語的痕跡，という2つを想定して，さまざまな現象を説明する理論． 認知心理学における2つの研究 a より高次の推論に役立つ基本的なプロセスや能力(注意，抑制，記憶)に関する研究． b より高次の推論技術(意思決定，演繹推論，問題解決)そのものに関する研究． ・この2つの研究における理論は，どちらか片方に特定される． ・この2つの研究における実験パラダイムは，どちらか片方に特定される(自由再生，プライミング課題 vs. 数学の問題，医学に関する意思決定)． ・この2つは深いレベルで共通したものである． ・ファジートレイス理論はこの2つに共通する説明をするための理論である． ファジートレイス理論における3つの研究タイプ ・記憶
次のページ
このページを最初にブックマークしてみませんか？
『京都大学大学院教育学研究科 教育認知心理学講座』の新着エントリーを見る
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
