xiangzeのブックマーク - はてなブックマーク

はじめての統計データ分析 ―ベイズ的〈ポストp値時代〉の統計学―　その1 - Easy to type
このブログの開設目的の、はじめての統計データ分析 ―ベイズ的〈ポストp値時代〉の統計学― 作者: 豊田秀樹出版社/メーカー: 朝倉書店発売日: 2016/06/02メディア: 単行本（ソフトカバー）この商品を含むブログ (11件) を見るについての記事インデックスです。目次その1 ←このページその2 環境構築と第1章データ整理とベイズ概要その3 第2章 : MCMCによる正規分布のパラメータ推定その4 第3章 : 独立した2群の差の推定その4.1 第3章おまけ : 変分ベイズによる推定その5 第4章 : 対応ある2群の差の推定その6 第5章 : 要因毎の効果推定その7 第6章 : カウントデータと比率データの推定本の紹介この本は、昨今はびこる統計データ分析についてベイジアンの知見から解説した本です。他の方の感想では、 statmodeling.hatenab
xiangze 2017/06/26
統計

stan

python
リンク
はじめての統計データ分析 ―ベイズ的〈ポストp値時代〉の統計学―　その3 - Easy to type
その3です。今回は第2章の話をしていきます。 2章 MCMCと正規分布の推測内容解析的に事後分布を推定するのは難しい! ベイズの定理を利用しても、分母に位置する正則化定数の積分が複雑で解析的に解けない事後分布に従う乱数を発生させる、という発想転換を行う(マルコフ連鎖モンテカルロ法; MCMC) 乱数群の結果を比較して、解析する HM法とGS法が具体的なアルゴリズムとしては代表的な存在 GS法は特定の事前分布であることが必要(やや恣意的) HM法は自由な事前分布を使うことが出来る事前分布の設定 : 常識的な知識から決める乱数の発生 : 初期乱数は使用しない(burn in、あるいはwarm upと呼ばれる) 値が登ったり下りたり(ドリフトした)形状が観測される場合には、好ましくない乱数生成となる複数chainを発生させて、全部で統一的な傾向が見られてない場合、好ましくない乱数生成
xiangze 2017/06/26
統計
リンク
StanとPythonでベイズ統計モデリング　その1 - Easy to type
StanとRでベイズ統計モデリング(通称アヒル本)をだいたい読みました。 StanとRでベイズ統計モデリング (Wonderful R) 作者: 松浦健太郎,石田基広出版社/メーカー: 共立出版発売日: 2016/10/25メディア: 単行本この商品を含むブログ (8件) を見る本の紹介既に様々な書評もありますし、方々から賛辞の声を挙げられている本です。僕としても非常に分かりやすく、使える本だと感じました。著者の松浦さんがウリを書いてくださっているので、まずそれを読むのが良いと思います。様々な方の書評も纏められています。 statmodeling.hatena blog.com 読んでみての感想を、良い点と改訂版に期待する点(笑)で書いてみたいと思います。良い点使えそうな分布が結構紹介されているこれは僕の専門分野が生命情報解析、著者の松浦さんの専門が医療統計で近いということもあるの
xiangze 2017/06/22
stan

統計
リンク
StanとPythonでベイズ統計モデリング　その2　Chapter5 - Easy to type
アヒル本(StanとRでベイズ統計モデリング)のChapter5にPythonで取り組んでいきます。練習問題を解いて、本文中に書かれてるグラフをPythonで描いてみます。なおChapter1~3は導入だったのと、Chapter4は練習問題の内容が「はじめての統計データ分析」と被っていたのでパスします。 Chapter5 基礎的な回帰とモデルのチェック重回帰複数の説明変数を用いた回帰のこと重回帰も結局は正規分布を仮定している目的説明変数からの応答変数の予想、及び説明変数の寄与率分布複数の説明変数ならScatterplot matrixを利用すると良い MCMCの設定についてスケーリング: MCMCを行う前に、各データのオーダーを大体(1前後に)そろえること。収束がしやすく、早くなる最大値、標準偏差、標準偏差の倍で割ったりすれば良い結果の解釈 : モデルの改善に活か
xiangze 2017/06/17
stan

python

統計
リンク
1