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 +・・・+
今回は多変量解析についてです。その前にそもそもですが、「多変量解析」という言葉は様々な意味で使えるので、なるべく使うのを止めましょう。私が経験してきた中で、このような意味で使われていました。重回帰、一般線形モデル一般化線形モデル変数選択(ステップワイズ法)変数縮小(主成分分析) どの手法も目的がまったく違っています。「多変量解析をやりたいのですが、、、」と相談されると、こちらとしては「多変量解析」が何を意味するのかを探るところから始めます。 具体的には、解析手法はこのように使い分けます。何かの結果変数を説明するモデルを作る→重回帰同じ目的で説明変数が連続値以外→一般化線形モデル(GLIM、ぐりむと発音) 実は「重回帰」も「GLIM」もほとんど同じ意味ですが、ニュアンスとして重回帰は一般線形モデル(GLM、じーえるえむ)を指す事が多いです。正確には「重回帰」は「単回帰」と対になる言葉で、説明
個人的にもやもやと考えたカリキュラムです。日本の大学には存在しない統計学部がもしあったら、こんなカリキュラムを組みたいなぁ、と。 統計学の講義は分布や変数の型を教えるところから入るんだけど、授業を受けていて分かりにくいな〜と学生の頃から常々感じていました。(あくまでも個人的な偏見と妄想に満ち溢れた記事であることをご了承ください。。) それでは、カリキュラムを発表します!! 1. データ解析I一般化線形モデル教師付き機械学習非線形モデル(一般化加法モデル)カテゴリカルデータ解析生存時間解析グラフィカルモデリング経時データの解析探索的データ解析(EDA)多次元データの縮約非教師付き機械学習(クラスタリング)データマイニング 2. データ解析IIデータハンドリングI(R)データハンドリングII(perl、rubyなどスクリプト言語)データベースからのデータ取得I(RDBMS系)データベースからの
心理学のためのモデル解析入門 一般線形モデルから多変量解析モデルまで 片所 強 2011 年 10 月 8 日 3 目次 第 1 章 モデル解析という考え方 7 1.1 測定するとはどういうことか . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 実験と調査の計画 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 モデル式による表現 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4 連続型とカテゴリカル型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 一般線形モデルと一般化線形モデル
一般化線形モデルについて 加藤悦史 <ekato@ees.hokudai.ac.jp> 一般化線形モデルについて – p.1/16 統計モデルとは ランダムでない測定値または観測地として扱われ る独立変数によって、確率変数とみなす測定値を 説明する。 統計モデル作成のプロセス 1. 応答変数の主な特徴を記述し、もっともらしい関 係式と確率分布を特定する。 2. モデルで用いられるパラメータを推定 3. モデルが現実のデータにどれくらい適合している か検討する 一般化線形モデルについて – p.2/16 モデルの検討について 与えられたデータをモデルがどの程度よく記述する という物差しとなる検定統計量を使い、モデルを選 択する。 対立する2 つのモデル (1 つは帰無仮説 (単純なモ デル) に対応し、他方はもっと詳しい仮説に対応 する) を明確にする それぞれのモデルの検定統計量を計算し
「分散分析法(ANOVA)」は、各集団の因子(装置ごとの製品処理時間やクラス別の学力テスト結果など)に対する「要因効果」、すなわち全体の平均と各集団における平均の差が、その要因(装置やクラス)だけに依存していることを前提条件としています。しかし、標本の抽出が無作為に行われていないような場合、他の要因によって集団間の差が生じてしまう可能性があります。この影響をできるだけ小さくすることを目的とした検定法として、今回は「共分散分析(ANCOVA)」を紹介します。 1) 名義尺度の線形重回帰モデル 以前紹介した「線形重回帰モデル (Linear Multiple Regression Model)」では、独立変数が連続量であることを前提としていました。しかし、名義尺度の場合も「ダミー変数(Dummy Variable ; Indicator Variable)」を利用することで重回帰分析に含めるこ
重回帰分析について 1.単回帰・重回帰分析における基本的な注意点 単回帰分析とは,ある従属変数を1つの独立変数で予測するための分析で,独立変数が2つ以上の場合は重回帰分析となります.以下両者を回帰分析と呼びます.具体的にどのような数式で求められるかなどに関しては,ある程度分かっているものとして,この節ではその使用上の実際的な注意点などに触れていきたいと思います. 回帰分析で最も押さえておかなければならないポイントは,変数間の「相関関係」(正確には分散と共分散)によって回帰係数が決定されているという事実です.つまり本質は「相関係数(の関数)」なのです.独立変数,従属変数を標準化した上で算出される回帰係数を標準回帰係数といいますが,単回帰分析の場合,これはまさに独立変数と従属変数の相関係数そのものです.重回帰分析によって算出される(標準)偏回帰係数も,独立変数と従属変数,そして独立変数間の相
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