一般(化)線形混合モデルの例数設計＜固定効果編＞ – MrUnadon – Bayesian Statistical Modelings with R and Rstan
Figure: 一般化線形混合モデルの検定力シミュレーション 左からグループ内人数、グループ数、グループ内人数とグループ数を定数倍した場合の検定力の推移を示す。 author: Unadon (見習い飯炊き兵) 動作環境:Mac OS Sierra 10.12.1; R version３.３.１ まずはTwitterでこの記事をシェアする 本稿の目的 一般化線形混合モデルの例数設計ができるようになる なお、効果量には固定効果の傾きを使用する(ランダム効果を用いた例数設計は今回は扱わない) 主要参考文献および出典はこちらです ・ 本稿のメイン（コードの出典） http://onlinelibrary.wiley.com/doi/10.1111/2041-210X.12504/full ・ GLMM検定力のシミュレーションをした論文(この論文から、色々な効果量を使った場合のシミュレーション研
2012-1110「マルチレベルモデルのはなし」(censored)
2012/11/10 LET関西支部メソドロジー研究部会& 言語テスティング・第二言語習得合同勉強会 @流通科学大学東京オフィス での発表資料です。
分散分析から回帰分析へ：回帰式による表現を理解する
心理言語学を志す日本の学生の多くは、言語学科か心理学科に属しているかと思いますが、両者の違いの一つとして、次のことばに対する認識への違いを指摘できます。 「分散分析も所詮は回帰分析のひとつだよね。」 統計学を必修科目としてお付き合いしてきた心理学出身の人がこれを聞くとたいてい 「そうだね。」「詳しくは知らないけど、授業で聞いたことはある。」という反応ですが、言語学出身の人のなかには 「そうなの？」「そんなの聞いたことないよ。」 という反応のひとがいるかもしれません。 今日は分散分析と回帰分析が同等であることを確認してみます。 １．条件の違いを示す棒グラフを線グラフに変更する。 以下は条件Aと条件Bについて何らかの成績の違いを示しているグラフです。一般的に条件間差はｔ検定で検定できます。 このグラフを線グラフに直してみます。また、「条件A」や「条件B」はラベルなので何と呼んでもいいはずです。
Mizumoto Lablog | 階層線形モデル/マルチレベルモデル/線形混合モデル
このタイトルの分析方法（モデル）について， 2012/11/10にメソドロジー研究部会・言語テスティング 第二言語習得合同発表会にてお話しました。 iOSの場合は，”Sorry! Page not found”と表示されるので，こちらからご覧下さい。 「外国語教育研究ハンドブック」で紹介している，t 検定や， 分散分析（ANOVA），回帰分析は， 一般線形モデル（general linear model) と呼ばれる枠組みのものです。 一方，一般化線形モデル (generalized linear model; GLM)は， その枠組みを拡張したもので，ランダム効果が入ったら， 一般化線形混合モデル (generalized linear mixed model; GLMM)と 呼ばれます。ランダム効果については，資料をご確認ください。 分野や分析方法によって，線形混合モデルと呼んだり，
1
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
処理を実行中です
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
