Enviar búsqueda
Cargar
R Study Tokyo03
•
10 recomendaciones
•
10,924 vistas
Yohei Sato
Seguir
Denunciar
Compartir
Denunciar
Compartir
1 de 34
Descargar ahora
Descargar para leer sin conexión
Recomendados
混合モデルを使って反復測定分散分析をする
混合モデルを使って反復測定分散分析をする
Masaru Tokuoka
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
「生態学における統計的因果推論」という大ネタへの挑戦:その理論的背景と適用事例
「生態学における統計的因果推論」という大ネタへの挑戦:その理論的背景と適用事例
takehikoihayashi
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
Recomendados
混合モデルを使って反復測定分散分析をする
混合モデルを使って反復測定分散分析をする
Masaru Tokuoka
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
「生態学における統計的因果推論」という大ネタへの挑戦:その理論的背景と適用事例
「生態学における統計的因果推論」という大ネタへの挑戦:その理論的背景と適用事例
takehikoihayashi
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
PRML11章
PRML11章
Takashi Tamura
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
実験計画法入門 Part 1
実験計画法入門 Part 1
haji mizu
Más contenido relacionado
La actualidad más candente
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
Shushi Namba
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
PRML11章
PRML11章
Takashi Tamura
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
nishioka1
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
La actualidad más candente
(20)
ベイズモデリングで見る因子分析
ベイズモデリングで見る因子分析
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
Stanコードの書き方 中級編
Stanコードの書き方 中級編
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
グラフィカルモデル入門
グラフィカルモデル入門
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
PRML11章
PRML11章
EMアルゴリズム
EMアルゴリズム
重回帰分析で交互作用効果
重回帰分析で交互作用効果
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
NagoyaStat#7 StanとRでベイズ統計モデリング(アヒル本)4章の発表資料
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Stan超初心者入門
Stan超初心者入門
ベイズファクターとモデル選択
ベイズファクターとモデル選択
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Similar a R Study Tokyo03
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
実験計画法入門 Part 1
実験計画法入門 Part 1
haji mizu
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
Tokyor24 doradora09
Tokyor24 doradora09
Nobuaki Oshiro
第二回統計学勉強会@東大駒場
第二回統計学勉強会@東大駒場
Daisuke Yoneoka
Rm20140514 5key
Rm20140514 5key
youwatari
Osaka.stan#2 chap5-1
Osaka.stan#2 chap5-1
Makoto Hirakawa
理科教育学研究のための統計分析入門
理科教育学研究のための統計分析入門
Hiroshi Unzai
Rm20150513 4key
Rm20150513 4key
youwatari
Rm20140702 11key
Rm20140702 11key
youwatari
Rゼミ 3
Rゼミ 3
tarokun3
カテゴリカルデータの解析 (Kashiwa.R#3)
カテゴリカルデータの解析 (Kashiwa.R#3)
Takumi Tsutaya
13.01.20.第1回DARM勉強会資料#1
13.01.20.第1回DARM勉強会資料#1
Yoshitake Takebayashi
2021年度秋学期 統計学 第15回 分布についての仮説を検証する - 仮説検定(2)(2022. 1. 18)
2021年度秋学期 統計学 第15回 分布についての仮説を検証する - 仮説検定(2)(2022. 1. 18)
Akira Asano
Gasshuku98
Gasshuku98
隆浩 安
明日から読める無作為化比較試験: 行動療法研究に求められる統計学
明日から読める無作為化比較試験: 行動療法研究に求められる統計学
Yasuyuki Okumura
効果測定入門 Rによる傾向スコア解析
効果測定入門 Rによる傾向スコア解析
aa_aa_aa
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Shuhei Ichikawa
データ解析4 確率の復習
データ解析4 確率の復習
Hirotaka Hachiya
第2回DARM勉強会.preacherによるmoderatorの検討
第2回DARM勉強会.preacherによるmoderatorの検討
Masaru Tokuoka
Similar a R Study Tokyo03
(20)
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
実験計画法入門 Part 1
実験計画法入門 Part 1
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Tokyor24 doradora09
Tokyor24 doradora09
第二回統計学勉強会@東大駒場
第二回統計学勉強会@東大駒場
Rm20140514 5key
Rm20140514 5key
Osaka.stan#2 chap5-1
Osaka.stan#2 chap5-1
理科教育学研究のための統計分析入門
理科教育学研究のための統計分析入門
Rm20150513 4key
Rm20150513 4key
Rm20140702 11key
Rm20140702 11key
Rゼミ 3
Rゼミ 3
カテゴリカルデータの解析 (Kashiwa.R#3)
カテゴリカルデータの解析 (Kashiwa.R#3)
13.01.20.第1回DARM勉強会資料#1
13.01.20.第1回DARM勉強会資料#1
2021年度秋学期 統計学 第15回 分布についての仮説を検証する - 仮説検定(2)(2022. 1. 18)
2021年度秋学期 統計学 第15回 分布についての仮説を検証する - 仮説検定(2)(2022. 1. 18)
Gasshuku98
Gasshuku98
明日から読める無作為化比較試験: 行動療法研究に求められる統計学
明日から読める無作為化比較試験: 行動療法研究に求められる統計学
効果測定入門 Rによる傾向スコア解析
効果測定入門 Rによる傾向スコア解析
03 「重回帰分析」の入門
03 「重回帰分析」の入門
データ解析4 確率の復習
データ解析4 確率の復習
第2回DARM勉強会.preacherによるmoderatorの検討
第2回DARM勉強会.preacherによるmoderatorの検討
Más de Yohei Sato
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Yohei Sato
Tokyor60 opening
Tokyor60 opening
Yohei Sato
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Yohei Sato
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Yohei Sato
Tokyor42 ggplot2
Tokyor42 ggplot2
Yohei Sato
Tokyor39 yokkuns
Tokyor39 yokkuns
Yohei Sato
EasyHtmlReportの紹介
EasyHtmlReportの紹介
Yohei Sato
20131206 japan r
20131206 japan r
Yohei Sato
Tokyor35 人工データの発生
Tokyor35 人工データの発生
Yohei Sato
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
Yohei Sato
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Yohei Sato
Rでレポートメール
Rでレポートメール
Yohei Sato
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Yohei Sato
Tokyor26 data fusion
Tokyor26 data fusion
Yohei Sato
Tokyor24 yokkuns
Tokyor24 yokkuns
Yohei Sato
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
Yohei Sato
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Yohei Sato
Complex network ws_percolation
Complex network ws_percolation
Yohei Sato
Más de Yohei Sato
(20)
Tokyor60 r data_science_part1
Tokyor60 r data_science_part1
Tokyor60 opening
Tokyor60 opening
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor45 カーネル多変量解析第2章 カーネル多変量解析の仕組み
Tokyor42_r_datamining_18
Tokyor42_r_datamining_18
Tokyor42 ggplot2
Tokyor42 ggplot2
Tokyor39 yokkuns
Tokyor39 yokkuns
EasyHtmlReportの紹介
EasyHtmlReportの紹介
20131206 japan r
20131206 japan r
Tokyor35 人工データの発生
Tokyor35 人工データの発生
ドリコムの分析環境とデータサイエンス活用事例
ドリコムの分析環境とデータサイエンス活用事例
R言語で学ぶマーケティング分析 競争ポジショニング戦略
R言語で学ぶマーケティング分析 競争ポジショニング戦略
Rでレポートメール
Rでレポートメール
Rで階層ベイズモデル
Rで階層ベイズモデル
Rでピボットテーブル
Rでピボットテーブル
第3回Japan rパネルディスカッション
第3回Japan rパネルディスカッション
Tokyor26 data fusion
Tokyor26 data fusion
Tokyor24 yokkuns
Tokyor24 yokkuns
Tokyowebmining19 data fusion
Tokyowebmining19 data fusion
傾向スコア解析とUplift Modelling
傾向スコア解析とUplift Modelling
Complex network ws_percolation
Complex network ws_percolation
R Study Tokyo03
1.
分散分析
id:yokkuns 里 洋平 第 3 回 R 勉強会@東京 (Tokyo.R#03) 1
2.
自己紹介 ●
id:yokkuns ● 名前 : 里 洋平 ● 職業 :Web エンジニア ● 出身 : 種子島 ● 趣味 : プログラミングとかカラオケとか ● 最近、何故か数学に興味があり、アクチュア リーとか金融工学とか勉強してたりする 2
3.
アジェンダ ●
分散分析とは ● 一元配置分散分析 – 対応なし – 対応あり ● 二元配置分散分析 – 対応なし – 2 要因とも対応あり – 1 要因のみ対応あり 3
4.
分散分析とは
4
5.
3 つ以上の平均値差を比較 ●
2 つの平均値差の検定では t 検定を使うが、 3 つ 以上の標本には使えない。 – 検定の多重性の問題 ● 3 つ以上の平均値差の検定は分散分析 – 3 つ以上の平均値が等しいかどうかを検定 – 等しい時は、有意差なしと結論 – 等しくない場合、どの平均対の間に差があるかを検定 5
6.
分散分析の意味 ●
観測データの変動を要因による変動 ( 要因効果 ) と誤差 による変動に分解し、要因に有意な効果があるかを検定 する手法 データ = 全体平均 + 要因効果 + 誤差 A B C D A B C D A B C D A B C D 15 13 10 10 10 10 10 10 4.8 -0.4 -0.8 -3.6 0.2 3.4 0.8 3.6 9 8 6 7 10 10 10 10 4.8 -0.4 -0.8 -3.6 -5.8 -1.6 -3.2 0.6 18 8 11 3 = 10 10 10 10 + 4.8 -0.4 -0.8 -3.6 + 3.2 -1.6 1.8 -3.4 14 12 7 5 10 10 10 10 4.8 -0.4 -0.8 -3.6 -0.8 2.4 -2.2 -1.4 18 7 12 7 10 10 10 10 4.8 -0.4 -0.8 -3.6 3.2 -2.6 2.8 0.6 要因平均 - 全平均 全データ - 要因平均 6
7.
平方和の分解 ●
平方和とは – 観測データのばらつきの大きさを表す指標で、 個々のデータと平均値との差の 2 乗和 ● 平方和の分解 – 全体の平方和を要因平方和と誤差平方和に分解す ること 全体平方和 = 要因平方和 + 誤差平方和 7
8.
分散分析表
自由度 平方和 平均平方和 分散比 p値 df Sum Sq Mean Sq F value Pr(>F) 変動要因 3 184.000 61.333 7.1111 0.002988 誤差 16 138.000 8.625 ● 自由度 : 要因水準数 – 1 、全体ではデータ総数 – 1 ● 平均平方和 : 平方和 ÷ 自由度 ● 分散比 : 要因の平均平方和 ÷ 誤差の平均平方和 8
9.
多重比較( Tukey の方法) ●
分散分析で分かるのは、 n 群の母平均が等しく ないことであり、具体的にどの群に差があるの かまでは分からない。 ● これを検定するには、多重比較を用いる必要が ある 9
10.
一元配置分散分析(対応なし)
10
11.
概要 ●
帰無仮説と対立仮説 – 帰無仮説 : n 群の母平均は等しい – 対立仮説 : n 群の母平均は等しくない ● 検定統計量 F = 群間平方和 / 群間の自由度 郡内平方和 / 郡内の自由度 11
12.
R で一元配置分散分析 (
対応なし ) ● 一元配置分散分析(対応なし) – oneway.test(y~x) – summary(aov(y~x)) – anova(lm(y~x)) ● Tukey の多重比較 – TukeyHSD(aov(y~x)) 12
13.
例 ●
p.201 練習問題 (1) ある大学の法学部、文学部、理大学部、工学部の 4 学 部から 8 名ずつの学生を無作為抽出してテストを行っ た。学部間でテストの母平均に差があるかを有意水準 5% で分散分析を実行してください。 法学部 75 61 68 58 66 55 65 63 文学部 62 60 66 63 55 53 59 63 理学部 65 60 78 52 59 66 73 64 工学部 52 59 44 67 47 53 58 49 13
14.
例 5% 水準で有意となったので、多重比較を行う 法学部と工学部、理学部と工学部の間で有意差があることが分かった
14
15.
一元配置分散分析(対応あり)
15
16.
概要 ●
帰無仮説と対立仮説 – 帰無仮説 : 条件の母平均は等しい – 対立仮説 : 条件の母平均は等しくない ● 検定統計量 F = 条件平方和 / 条件の自由度 残差平方和 / 残差の自由度 16
17.
対応の有無による違い ●
対応ありとは – 同じ被験者が複数の条件を経験するようなデータ – 個人の違いにより説明出来る部分を分解する必要がある ● 平方和の分解 – 対応無し 全体平方和 = 群間平方和 + 郡内平方和 – 対応あり 全体平方和 = 条件平方和 + 個人差平方和 + 残差平方和 17
18.
R で一元配置分散分析 (
対応あり ) ● 一元配置分散分析(対応あり) – summary(aov(y~x+t)) ● Tukey の多重比較 – TukeyHSD(aov(y~x)) 18
19.
例 ●
p.201 練習問題 (2) 7 名の学生を無作為に抽出し、全員が「講義中心 型」、「問題練習中心型」、「コンピュータ実習中心 型」の 3 種類の授業を受けて、それぞれ授業後に行う 定着度テストの得点で効果を比較した。授業形態で有 意な差があるかを有意水準 5% で分散分析を実行して ください。 学生 A B C D E F G 講義 51 66 70 75 73 62 55 問題 47 54 55 39 60 62 56 実習 55 37 47 60 62 53 50 19
20.
例 5% 水準で有意となったので多重比較 講義中心型とコンピュータ実習中心型の間に有意差があることが分かった
20
21.
二元配置分散分析
21
22.
二元配置分散分析 ●
二元配置分散分析とは – 2 つの条件の組み合わせによって母平均がこと なるかどうかを検定する手法 ● 主効果と交互作用 – 主効果 各要因による単独の効果 – 交互作用効果 1 つの要因の結果に与える他方の要因の効果 22
23.
二元配置分散分析 ●
帰無仮説と対立仮説 – 2 つの主効果と 1 つの交互作用効果を検定 – 帰無仮説と対立仮説のペアも 3 つになる ● 検定統計量 – 3 ペアそれぞれで F を利用 23
24.
交互作用
交互作用なし 交互作用あり 単純な要因の効果の足し算で 単純な要因の効果の足し算で 説明出来る場合は平行になる 説明出来ない場合は平行にならない 24
25.
R で二元配置分散分析 ●
二元配置分散分析(対応なし) – summary(aov(y~a*b)) ● 二元配置分散分析( 2 要因とも対応あり) – summary(aov(y~a+Error(t+t:a+t:b+t:a:b))) ● 二元配置分散分析( 1 要因のみ対応あり) – summary(aov(y~a*b+Error(t:a+t:a:b))) ● 交互作用効果を確認するための平均値プロット – interaction.plot(a, b, y) 25
26.
例(対応なし) ●
p.183 例題 3 種類の銘柄のミネラルウォーターのおいしさについて、 2 種 類の温度のもとで、それぞれの条件に 5 人ずつ割当て、計 30 人に評定してもらった。このデータから銘柄の違いや温度の違 いによって、おいしさの評定の母平均は異なると言えるか。 A① 冷蔵庫 A② 常温 B① イカアン B② ボスビッグB③ ビビッテル B① イカアン B② ボスビッグ B③ ビビッテル 6 10 11 5 7 12 4 8 12 4 6 8 5 10 12 2 5 5 3 8 10 2 4 6 2 9 10 2 3 4 26
27.
例 温度を fa 、銘柄を
fb とした。 ■ 結果 温度の主効果 : 5% 水準で有意な効果がある 銘柄の主効果 : 5% 水準で有意な効果がある 温度と銘柄の交互作用効果 : 5% 水準で有意な効果はない 27
28.
例( 2 要因とも対応あり) ●
p.192 例題 5 人の評定者が温度と銘柄を組み合わせた 6 つの条件全てでお いしさの評定を行った。 このデータから銘柄の違いや温度の違いによっておいしさの評 定の母平均は異なると言えるか A① 冷蔵庫 A② 常温 B① B② B③ B① B② B③ A 6 10 11 5 7 12 B 4 8 12 4 6 8 C 5 10 12 2 5 5 D 3 8 10 2 4 6 E 2 9 10 2 3 4 28
29.
例
温度を fa 、銘柄を fb 、 人を id ( 1 〜 5 )とした。 ■ 結果 温度の主効果 : 5% 水準で有意な効果がある 銘柄の主効果 : 5% 水準で有意な効果がある 温度と銘柄の交互作用効果 : 5% 水準で有意な効果がある 29
30.
例( 1 要因のみ対応あり) ●
p.195 例題 各評定者に 6 つの条件の水を全て飲んでもらうのではなく、冷 蔵か常温のどちらかの温度条件に割り当てた上で、その温度の ものだけ 3 種類飲んで評定してもらった。銘柄の違いや温度の 違いによっておいしさの評定の母平均は異なると言えるか。 A① A② B① B② B③ B① B② B③ A 6 10 11 F 5 7 12 B 4 8 12 G 4 6 8 C 5 10 12 H 2 5 5 D 3 8 10 I 2 4 6 E 2 9 10 J 2 3 4 30
31.
例 温度を fa 、銘柄を
fb 、人を id ( 1 〜 10 )とした。 ■ 結果 温度の主効果 : 5% 水準で有意な効果がある 銘柄の主効果 : 5% 水準で有意な効果がある 温度と銘柄の交互作用効果 : 5% 水準で有意な効果がある 31
32.
まとめ ●
3 つ以上の平均値差の検定には、分散分析 ● 分散分析とは、データの変動を各要因とそれら の交互作用による変動、誤差変動に分解して、 各要因、交互作用に有意な効果があるかを検定 する手法 ● 有意差がある場合は多重比較を行い、どの要因 間で差があるかを調べる 32
33.
ご清聴ありがとうございました。
33
34.
参考文献 ●
Rによるやさしい統計学 ● 確率統計キャンパスゼミ ● Rプログラミングマニュアル ● マンガでわかる統計学 33
Descargar ahora