すでに関数自体は作っていたglmmstanですが，それをパッケージ化しました。 関数名と同じ，glmmstanパッケージです。 インストール glmmstanパッケージは，CRANに登録していないので，install.packages()ではインストール出来ません。 そこで，GitHubにおいてあるパッケージをインストールするためのdevtoolsパッケージをまずインストールする必要があります。
rstanでGLMMが簡単に実行できるglmmstanパッケージを作りました。 | Sunny side up!
すでに関数自体は作っていたglmmstanですが，それをパッケージ化しました。 関数名と同じ，glmmstanパッケージです。 インストール glmmstanパッケージは，CRANに登録していないので，install.packages()ではインストール出来ません。 そこで，GitHubにおいてあるパッケージをインストールするためのdevtoolsパッケージをまずインストールする必要があります。
尤度と最尤推定法について | Sunny side up!
最近はstanでMCMCするのが楽しいわけですが，僕のごくごく近い範囲の人間から「そもそも尤度ってなんだ」という話があったので，今回は尤度や最尤推定法について書きます。 統計モデリングは確率分布を扱う 何を今更，と思うかもしれませんが，統計モデリングと確率分布は切っても切れない関係にあります。今回は二項分布について話をします。次回はたぶん正規分布について書きます。 さて，二項分布とは，成功と失敗といった2値で表現される結果がでる試行をN回繰り返したとき，成功する回数について表される確率分布です。詳しくはWikipediaを見てください。 二項分布は試行回数と成功確率が決まれば分布の形が決まります。ここで，Rを使って分布を直感的に理解してみましょう。 ここでは試行回数は10回で，成功率は0.5としましょう。バスケットボールのシュートが入るかどうかとか，バッティング練習でヒットになるかどうかと
rstanでお手軽にGLMMができる関数，glmmstan（）を作りました。 | Sunny side up!
今回はRの話です。 社会心理学会の方法論セミナーでもGLMMをとりあげましたが，階層ベイズの話も久保先生のトークの中にありました。 GLMMでは，変量効果の数が増えると最尤法だと推定が難しくなったりするので，ベイズ推定のほうが向いています。 しかし，GLMMを直接ベイズ推定してくれる商用ソフトもあまりない（あっても機能が部分的）ので，stanなどのフリーのソフトに頼らざるを得ません。しかし，stanは初心者にはなかなかとっつきにくいので，今回はだれでも簡単にGLMMがベイズ推定できる関数を作ってみました。 実は過去に，同様にGLMMを簡単にstanで走らせてくれるglmer2stanというパッケージを紹介したことがあります（こちら）。しかし，glmer2stanはあとで挙げるようにいろいろ使い勝手が悪いところもあり，自分用に使いやすいものを作ろうと思ったのがはじまりです。 追記： Sapp
構造方程式モデルについて | Sunny side up!
この記事では，構造方程式モデルについて解説します。 構造方程式モデル（Structure Equation Model，以下SEM）は，別名共分散構造分析とも呼ばれます。前者のほうが，後者を包括する呼び方なので，最近はSEMと呼ばれることのほうが多いように思います。 SEMは，よく言われるように，因子分析と回帰分析を組み合わせた方法です。具体的には，因子，つまり潜在変数同士の因果関係を推定することができる手法なわけです。しかし，SEMが実際どういうことをやっているかは結構ブラックボックスの人が多いと思います。そこで，ごくごく簡単にSEMについて解説します。 ただ，専門ではないのでいろいろ間違えている可能性はあります。もし間違ったこと書いていたらご指摘いただけるとうれしいです。なお，記事は『豊田秀樹（2000）. 共分散構造分析 応用編 朝倉書店』を参考に書いています。 因子分析のなかみ ま
HADで因子分析 | Sunny side up!
今回は、HADで因子分析を実行する方法についてまとめておきます。 HADでは、抽出法は以下の方法から選べます。 最尤法 最小二乗法 反復主因子法 主成分法 カテゴリカル因子分析 最尤法は、得られたデータが最も得られやすいような因子モデルを推定する方法です。尤度を最大にするから最尤法。最尤法は、尺度不変（変数の単位を変えても、因子構造は変わらない）という望ましい性質を持っています。また、因子と項目の正準相関係数を最大にする方法でもあります。ただし、解が収束しなかったり、共通性が1を超える（不適解）などの問題も多く起こります。 最小二乗法は、相関行列と因子モデルの誤差の2乗和を最小にする方法です。最尤法に次いでよく使われる方法です。最尤法に比べて不適解は少ないです。ただし、尺度不変ではありません。 反復主因子法は、SMC（重相関係数の2乗）を共通性の推定値として用いて、固有値を繰り返して収束す
従来の推定法とベイズ推定法の違い | Sunny side up!
ベイズ推定って、最近はやってきてますね。僕も流行りにおいて行かれないように勉強しています。 理論的な話や数学的な話はいろいろWebや本をあされば出てきますが、実用面とか解釈面について言及しているものは少ないですね。 今回は清水の個人的な意見として、ベイズがどういう風に使えそうか書いてみます。数学的な話はなしで。よくわからないので。 興味ある人は続きをどうぞ。 2016/2/1追記：ベイズ統計について，入門的な資料を作りました。心理学者のためのベイズ統計入門もあわせてどうぞ。 ベイズ推定法の前に、従来法の代表として最尤推定法について触れておきます。 その方法とベイズがどう違うのかについて、そのあと述べます。 最尤推定法 最尤法ともいわれますが、基本的な発想は、モデルとデータの関係を次のように考えます。 真のモデルというのがあって、我々はそのモデルから発生したデータを手に入れている。真値は一つ
[R] Rで重回帰分析で交互作用を検討する方法(pequodパッケージ) | Sunny side up!
普段は自作の統計プログラムHADを使って分析していますが，人にいろいろ教えるときにはRも使っている清水です。 さて，今回はRで重回帰分析で交互作用を検討する方法について解説します。 昔，Rで重回帰分析で交互作用を検討するためのコードをアップしていたのですが，最近はもっと便利にできるパッケージがあるようです。というか僕が知らなかっただけか・・・ これについては，DARMという広大の院生・ポスドクが中心となってやっている勉強会のページで知りました（ここ）。まぁネタぱくってる，っていう話なんですけど（笑）。ぜひDARMのページも見てやってください。 ここでは，次のようなサンプルデータを使います。20しか見えませんが，200人のデータです。サンプルデータはこちらからダウンロードできます。 これを”dat”に読み込みます。 dat <- read.csv("sampledata.csv") まずは2
因子分析の因子抽出方法について | Sunny side up!
因子分析をする場合、方法として抽出法と回転法を選択する必要があります。 しかし、様々な抽出法・因子軸の回転方法があり、かつ、それらがどういうアルゴリズムで計算されているのかわからないことも多いと思います。最近いろいろ質問を受けることが多かったので、今回は因子分析の各種方法について少し解説します。 因子分析は統計手法の発展やコンピューターの計算能力によって、オーソドックスとなる方法がいろいろ変ってきました。昔の論文の因子分析といえば、ほぼ主成分分析＋バリマックス回転でした。この方法は計算量が少なく、ほぼ確実に解が求まることがメリットです。1日かけて計算して、解が求まらなかったら悲劇ですからね。 次の流行は主因子法＋バリマックス、場合によってはプロマックス回転、という感じだったように思います。90年代あたりの論文は、まだプロマックス回転も少ないです。 最近は最尤法＋プロマックス回転が主流でしょ
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
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
