![Amazon.co.jp: アンケート調査入門―失敗しない顧客情報の読み方・まとめ方―: 朝野熙彦 (著), 朝野熙彦 (編集): 本](https://cdn-ak-scissors.b.st-hatena.com/image/square/c968e2f8f14f0fec3e8fa3bfb2c35fbade41cc63/height=288;version=1;width=512/https%3A%2F%2Fm.media-amazon.com%2Fimages%2FI%2F41l3dJrEdVL._SL500_.jpg)
アンケート(questionnaire)って多数決とるものだと思ってました。(小並感) アンケート調査して、そこからエビデンスになるものを見つけて、意思決定に使う。というところまでやりたいと考えた時に、「とりあえず多数決とりました」ってだけではあまりにもパンチ(説得力)が弱すぎると思って勉強し始めたのが始まりでした。 勉強してみるとアンケートって 質問文の聞き方だけで回答が偏る 質問で聞いたことしか収集できない 集めたいように設計することもできる などなど気にするべきところがたくさんありました。 中にはこのような注意点を「知らないor知っていて政治的に利用」する事に対して(正しく使えないなら)アンケートなんてするなと書いてある本もありました。 アンケートはPDCAのどの段階でも使うことができ、(結果に対応する因果に当たる)ユーザーの気持ち部分を定量化できるので、使いこなせるとかなり役立つデ
この記事には複数の問題があります。改善やノートページでの議論にご協力ください。 出典がまったく示されていないか不十分です。内容に関する文献や情報源が必要です。(2012年2月) 雑多な内容を羅列した節があります。(2019年7月) 出典検索?: "調査" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL 統計を取ることを「統計調査」というように、その目的あるいは対象の後に「調査」とつければ「その目的、対象について調べること」という意味になる。そのような場合、内容的には研究とあまり差がない。より狭い範囲では、対象に手を加えずにその有り様を記録することで、その点では実験とはっきりと異なり、観察に似るが、観察がより広い範囲、あるいは質的な記録を含むのに対して、調査は数値に表れるような対象であることが多い。また
2024年度統計関連学会連合大会 2024年9月1日(日)~5日(木)東京理科大学(神楽坂キャンパス) 第二報(2024.3.2)を掲載しました。
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。(このテンプレートの使い方) 出典検索?: "実証研究" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL(2023年3月) 実証研究(じっしょうけんきゅう、英語:empirical research)は、直接的な観察や経験によって知識を得る方法である。 概要[編集] 経験的証拠[注 1]は、質的、量的に分析され得る。証拠の定量化や、質的にその筋を通すことで、研究者は経験的な質問に答えることができる。通常はデータと呼ばれる証拠を集め、明確に定義や回答を行う。研究計画は、分野や調査される疑問によって異なるが、多くの研究者は、社会科学や教育の研究室で研究出来ない問いかけに対し、より良い答えを
ランダム化比較試験(RCT:randomized controlled trial): RCTは、大きく分けて(1)心理実験などで用いられる実験室実験によるRCT、(2)特に社会科学分野で行われるフィールド実験(実生活の様々なフィールドでのRCT)、(3)サーベイ実験(調査票でのRCT)の3つに分かれる 自然実験(Natural experiment) RCTのような介入をこれから行う実験のことを「前向き研究」、介入がすでに起こったものを後から観察するような自然実験の結果観察を「後向き研究」という呼び方で区別することも多い。なお、統計的因果推論の定義の一つとして、反事実モデル (Counterfactual Model)を採用した推論であるとされ、「統計的因果推論」といった場合には、RCTを含まずに、後向き研究の範囲のみを指しているのではないかと思われる場合が多い。 条件付き交換性 (co
説明可能なAI[1](せつめいかのうなエーアイ、英語: Explainable artificial intelligence、略称XAI)またはAIを説明するための技術[2]は、人工知能 (AI) が導き出した答えに対して、人間が納得できる根拠を示すための技術である[3]。特定の技術やツールを指し示す言葉ではなく、「AIを理解する」という目的のために研究・提案されている技術の総称である[4]。XAIという用語は2017年4月から始まったアメリカ合衆国DARPA主導による研究プロジェクト(XAIプロジェクト)を契機として広く浸透した[1]。 背景[編集] 2010年代初頭の第三次AIブーム到来によりAIの利活用領域は多方面に広がり、自動運転車や病気診断など、影響の大きな、高い信頼性が求められる分野での利用も視野に入れられるようになってきた[5]。一般的なソフトウェアと異なり、機械学習により
統計モデル(とうけいモデル、statistical model)は、標本データ(およびより大きな統計的母集団からの類似データ)の生成に関する一連の統計的仮定を具体化した数理モデルである。統計モデルは、データの生成過程をかなり理想化して表現していることが多い[1]。 統計モデルは通常、1つまたは複数の確率変数と他の非確率変数との間の数学的関係として規定される。統計モデルは「理論の形式的表現」(Herman AdèrによるKenneth Bollenの引用)である[2]。 すべての統計的仮説検定とすべての統計的推定量は、統計モデルを介して導出される。より一般的には、統計モデルは統計的推論の基礎の一部である。 簡単にいうと、統計モデルとは「ある事象の確率を計算できる」という特別な特徴をもつ統計的仮定(英語版)(または統計的仮定の集合)と考えることができる。例として、2つの普通のサイコロ(6面体)
線形モデル(linear model)は、実用的に広く用いられており、入力特徴量の線形関数(linear function)を用いて予測を行うものです。 まず、説明に入る前に言葉の定義から紹介します。 線形回帰 データがn個あるとした時にデータの傾向をうまく表現することができるy=w_0×x_0+....+w_n×x_n というモデルを探し出すこと 正則化 過学習を防いで汎化性を高めるための技術で、モデルに正則化項というものを加え、モデルの形が複雑になりすぎないように調整している (モデルの係数の絶対値または二乗値が大きくなってしまうと、訓練データのモデルに適合しすぎて、テストデータのモデルの当てはまりが悪くなる過学習という現象が起こるので、過学習を避けるために正則化項をつけている) 重み 説明変数(求めたいものに作用する変数)が目的変数に与える影響度合いを表現したものです。例えば上の線
はじめに 前回の記事で重回帰分析の導入をしてみたので、今回はその続きということで、2つ同時にやってみたいと思います。 ベクトルの微分公式については下記のブログが参考になります。 もしこの記事がお役に立てた時はQiitaのイイねボタンを押していただけると励みになります。 参考記事 「ベクトルで微分・行列で微分」公式まとめ 重回帰分析 リッジ回帰について考える際に、重回帰分析の理解はマストになるのでここでも見ていこうと思います。式変形については、前回の記事で詳しく導入したので少しだけ端折っていきます。 準備 説明変数$x_1, x_2, x_3, \cdots, x_m$を$\boldsymbol{x}$($x$のベクトル)とする 予測値を$\hat{y}$とする($\hat{y}$はスカラー) 回帰係数を$w_1, w_2, w_3, \cdots, w_m$を$\boldsymbol{w}
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