Enviar búsqueda
Cargar
ベイズモデリングと仲良くするために
•
19 recomendaciones
•
6,707 vistas
S
Shushi Namba
Seguir
ベイズ統計WS「心理学者のためのベイズ 統計学」での発表資料です
Leer menos
Leer más
Datos y análisis
Denunciar
Compartir
Denunciar
Compartir
1 de 80
Descargar ahora
Descargar para leer sin conexión
Recomendados
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
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
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
階層ベイズとWAIC
階層ベイズとWAIC
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
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
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
Recomendados
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
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
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
階層ベイズとWAIC
階層ベイズとWAIC
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
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
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
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
Shushi Namba
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
Masaru Tokuoka
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
『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
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
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
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
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
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
負の二項分布について
負の二項分布について
Hiroshi Shimizu
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
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
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
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
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
Más contenido relacionado
La actualidad más candente
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
Shushi Namba
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
Masaru Tokuoka
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
『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
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
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
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
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
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
負の二項分布について
負の二項分布について
Hiroshi Shimizu
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
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
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
La actualidad más candente
(20)
心理学における「再現性」の問題とBayes Factor
心理学における「再現性」の問題とBayes Factor
第4回DARM勉強会 (多母集団同時分析)
第4回DARM勉強会 (多母集団同時分析)
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
『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
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
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
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
潜在クラス分析
潜在クラス分析
Stan超初心者入門
Stan超初心者入門
重回帰分析で交互作用効果
重回帰分析で交互作用効果
WAICとWBICのご紹介
WAICとWBICのご紹介
負の二項分布について
負の二項分布について
Rで階層ベイズモデル
Rで階層ベイズモデル
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Stanコードの書き方 中級編
Stanコードの書き方 中級編
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-
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Similar a ベイズモデリングと仲良くするために
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
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
考司 小杉
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
JPA2020 Symposium 3
JPA2020 Symposium 3
Jun Kashihara
JPA2019 Symposium 4
JPA2019 Symposium 4
Jun Kashihara
2022リサーチ入門3リサーチ戦略と調査テーマの理解2
2022リサーチ入門3リサーチ戦略と調査テーマの理解2
Professional University of Information and Management for Innovation (情報経営イノベーション専門職大学)
Tokyo r53
Tokyo r53
Hiroshi Shimizu
rstanで情報仮説によるモデル評価してみる@Hjiyama.R
rstanで情報仮説によるモデル評価してみる@Hjiyama.R
Masaru Tokuoka
仮説とデータ解析の関係
仮説とデータ解析の関係
Michitaro Okano
2011教育社会心理学イラストg発表
2011教育社会心理学イラストg発表
Eiji Tomida
Similar a ベイズモデリングと仲良くするために
(11)
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
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
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
JPA2020 Symposium 3
JPA2020 Symposium 3
JPA2019 Symposium 4
JPA2019 Symposium 4
2022リサーチ入門3リサーチ戦略と調査テーマの理解2
2022リサーチ入門3リサーチ戦略と調査テーマの理解2
Tokyo r53
Tokyo r53
rstanで情報仮説によるモデル評価してみる@Hjiyama.R
rstanで情報仮説によるモデル評価してみる@Hjiyama.R
仮説とデータ解析の関係
仮説とデータ解析の関係
2011教育社会心理学イラストg発表
2011教育社会心理学イラストg発表
Más de Shushi Namba
回帰モデルとして見る信号検出理論
回帰モデルとして見る信号検出理論
Shushi Namba
表情から見た情動
表情から見た情動
Shushi Namba
今夜は動的モデリングよ~Dynrで簡単クッキング!~
今夜は動的モデリングよ~Dynrで簡単クッキング!~
Shushi Namba
Mental model for emotion
Mental model for emotion
Shushi Namba
馬に蹴られるモデリング
馬に蹴られるモデリング
Shushi Namba
Rはいいぞ!むしろなぜ使わないのか!!
Rはいいぞ!むしろなぜ使わないのか!!
Shushi Namba
変数同士の関連_MIC
変数同士の関連_MIC
Shushi Namba
がんばろう!はじめてのDnn!
がんばろう!はじめてのDnn!
Shushi Namba
主成分分析(Pca)
主成分分析(Pca)
Shushi Namba
Psychophysical functions@BCM勉強会
Psychophysical functions@BCM勉強会
Shushi Namba
Rでベイズをやってみよう!(コワい本1章)@BCM勉強会
Rでベイズをやってみよう!(コワい本1章)@BCM勉強会
Shushi Namba
Más de Shushi Namba
(11)
回帰モデルとして見る信号検出理論
回帰モデルとして見る信号検出理論
表情から見た情動
表情から見た情動
今夜は動的モデリングよ~Dynrで簡単クッキング!~
今夜は動的モデリングよ~Dynrで簡単クッキング!~
Mental model for emotion
Mental model for emotion
馬に蹴られるモデリング
馬に蹴られるモデリング
Rはいいぞ!むしろなぜ使わないのか!!
Rはいいぞ!むしろなぜ使わないのか!!
変数同士の関連_MIC
変数同士の関連_MIC
がんばろう!はじめてのDnn!
がんばろう!はじめてのDnn!
主成分分析(Pca)
主成分分析(Pca)
Psychophysical functions@BCM勉強会
Psychophysical functions@BCM勉強会
Rでベイズをやってみよう!(コワい本1章)@BCM勉強会
Rでベイズをやってみよう!(コワい本1章)@BCM勉強会
ベイズモデリングと仲良くするために
1.
ベイズモデリングと 仲良くするために 広島大学大学院教育学研究科博士課程後期 難波修史 (なんばしゅうし) 心理学者のためのベイズ統計学: モデリングの実際と,モデル選択・評価 2018年6月30日 (土) 2018年度広島ベイズ塾
第三回ワークショップ
2.
自己紹介 •難波 修史(なんば しゅうし) •広島大学大学院教育学研究科D3 •専門:感情と表情の対応、共感 •twitter:@NSushi
3.
発表の概要 1.はじめに 2.どうやって学ぶべきか 3.パッケージ紹介 4.結論
4.
1.はじめに
5.
仲良くなるために… •まずは心理学での「ベイズの魅力」 について今一度確認しときましょう
6.
ベイズの魅力 •ベイズ統計の考え方 ― 帰無仮説検定への批判 ― 信用区間・確信
(信頼) 区間の違い •推定法としてのベイズ ― より自由なモデリングの実現 e.g., 階層モデル・認知モデル
7.
WSで焦点を当てている点 •ベイズ統計の考え方 ― 帰無仮説検定への批判 ― 信用区間・確信
(信頼) 区間の違い •推定法としてのベイズ ― より自由なモデリングの実現 e.g., 階層モデル・認知モデル
8.
例:意思決定のプロセスを 評価する心理実験
9.
Iowa Gambling Task (IGT:
Bechara et al., 1994) • 4つのデッキ (A, B, C, D) を用意 • カードをひくと報酬と損失がFBされる • 参加者の課題:カードの選択+報酬の最大化 各デッキの性質
10.
従来の指標 • 有利なデッキの選択率(Deck C,
D) • 試行数でみる場合も(学習を見たい場合)
11.
IGTの意思決定プロセス • 不利デッキ選択の可能性 (Ahn
et al., 2015) 1.そもそも損失に対する感度が低い 2.損失による学習を忘れる 3.適当に選択している 有利デッキの選択率のみでは どれによる影響なのかわからない
12.
解決方法 • 各要因を実験者が直接操作・測定する • 認知モデルでパラメータを算出する 例:課題状の報酬が直接参加者の報酬に影響 する教示を行う
(課題へのコミットメント操 作)、損失時の皮膚電位反応を測定するなど B 報酬:$100 損失:$1250 net = -1150 < 0, then, この試行での 効用関数 = -λ|(-1150)|α Feed Back 損失感受性
13.
ベイズを使う理由 • 認知モデルのような複雑な数理モデルの場合、 最尤法などの推定法で参加者ごとのパラメータ を算出するのは困難 階層ベイズで集団・個人レベルのパラ メータをお互いに制約をかけることで推定 (訳:個人レベルのパラメータ出せる) 詳細は https://rpubs.com/CCSL/hBayesDM
14.
自由なベイズモデリングの例
15.
まとめ • 心理学=人の心と行動を記述するモデルの構築 をめざす学問であるはず • ベイズモデリング=モデルと観測されたデータ をつなぐ、より自由な「枠組み」 心理学と自由度の高いベイズは 相性バッチリのベストカップル!
16.
2.どうやって学ぶべきか
17.
学び方 • レビュー論文・チュートリアルを読む • メインで扱うプログラム言語を選ぶ •
資料を見る・書籍を読む • 最強の学習方法を実践する
18.
ニーズが個人の専門で違う • 様々な心理学領域 (ニーズ)
の存在 因子分析が したい! BF?っていうの 使ってみたい! 記憶の 認知モデル がしたい!
19.
レビューから学ぼう!
20.
心理学でのベイズ分析に関する 系統的レビュー論文 みんなこれ読めばいいとおもう
21.
忙しい人向けの読み方 この論文はイタリックのところを読めば 大体わかる = 結論が明確 (訳:ベイズはとても人気、特に回帰分析の応用)
22.
この論文のここすき
23.
Schoot et al.
2017 のまとめ • ベイズは心理学でも流行ってきてる!! • 基本ベイズは最高だけど「常に」というわ けでもないぞ!! • 事前分布の情報を使ってる論文や感度分析 してるの少ないぞ!ちゃんと活用しろ!!
24.
激熱補足資料
25.
ベイズの実践もっと知りたいお…
26.
開く!!!
27.
厳選リスト!!!!!
28.
自分のテーマの実践例知りたいお…
29.
厳選リストから調べるのだ!!
30.
各種チュートリアルが欲しいお…
31.
開く!!!
32.
出会える!!!!!
33.
モデルについて初歩から知りたいお…
34.
開く!!!
35.
やったでおい!!!!!
36.
学び方 • レビュー論文・チュートリアルを読む • メインで扱うプログラム言語を選ぶ •
資料を見る・書籍を読む • 最強の学習方法を実践する
37.
ベイズをする道具 • 複数の選択肢が存在
38.
おすすめ
39.
なぜ か • なによりネット・書籍問わず資料が豊富 •
最先端の統計モデリング用のプラット フォームであるStanも使える • データ処理+可視化・再生可能性に重要 なレポート作成のシステムなど研究活動 に重要な要素が充実している
40.
Rはいいぞ!!資料紹介!! ↑ 文系にこそRが 最高という資料 ↑ 再現可能性にR が素敵という資料 ↑
心理系論文向け のRで作図資料 ※お役立ち資料、ネットの海には死ぬほどあるの で塾生中心に紹介しています。ご了承ください。
41.
Rはいいぞ!!資料紹介!! ↑ Rについて調べたら 何度も出会うことに なるヒンドゥー教の神 ↑ 初心者から上級者 まで、Rのお役立ち情報 を提供し続ける変態 Kazutan 枚挙に暇がねぇ!
42.
Rでわかんないことがでてきたお…
43.
コミュニティも活発!!! •○○.Rという名前の勉強会がたびたび おこなわれる!
44.
コミュニティも活発!!! •○○.Rという名前の勉強会がたびたび おこなわれる!よりr-wakalangを詳しく知れる資料
45.
の魅力:まとめ • 資料が豊富 • えらい人がパッケージを随時開発したり、 コード例を作成してる
→ 学習コストが低い • 国内・国外コミュニティが非常に活発 • 心理統計の人はRを使ってることが多い印象
46.
Enjoy!
47.
学び方 • レビュー論文・チュートリアルを読む • メインで扱うプログラム言語を選ぶ •
資料を見る・書籍を読む • 最強の学習方法を実践する
48.
無限にある • 目的に沿って一部を紹介します。
49.
ベイズや確率分布について学ぶ • UdemyのTamaki先生による講義 • 確率分布についてわかりやすく解説してもらえる めちゃ充実してるのに なぜか無料。見よう!
50.
Topicごとに手を動かして学ぶ https://www.rensvandeschoot.com/tutorials/ • Rens van
de SchootによるStats Training
51.
心理学×ベイズ統計:基礎⇒実践 より初歩的な 仕組みから 古典的検定と 比較しながら
52.
ベイズモデリング 手を動かしてベイズモデ リングの醍醐味を学べる ベイズモデリング (+階層ベイズ) の知識を体系化する本
53.
海外書籍も ベイズ統計について深く 知りたい場合はこの本 ベイズモデリングについて 知りたい場合はこの本
54.
訳本も出た!!
55.
ベイズを教える立場としての資料
56.
心理学評論特集号「統計革命」 今年 (2018) 初夏に刊行予定! 心理学研究者による「統計革命」を刮目せよ! http://team1mile.com/sjpr61-1/
57.
学び方 • レビュー論文・チュートリアルを読む • メインで扱うプログラム言語を選ぶ •
資料を見る・書籍を読む • 最強の学習方法を実践する
58.
当り前のことを言います…
59.
発表する!! 人前で
60.
アウトプットをするのです
61.
アウトプットを するのです!!!
62.
なぜ発表をするべきなのか 1.人に説明するときには十分な理解が必要 となる → サーベイを通して深く学べる 2.よりわかりやすい発表をするため、先人 の作った資料を参考にする
→ 資料を参考に するついでに中身について学べる 3.聞く・読む人に名前をおぼえてもらえる ここの話はべつに統計に限らず研究活動全般にいえる
63.
なぜ発表をするべきなのか 1.人に説明するときには十分な理解が必要 となる → サーベイを通して深く学べる 2.よりわかりやすい発表をするため、先人 の作った資料を参考にする
→ 資料を参考に するついでに中身について学べる 3.聞く・読む人に名前をおぼえてもらえる ここの話はべつに統計に限らず研究活動全般にいえる
64.
発表をするデメリット 多分ない。 強いて言えば... 1.恥ずかしい → 度胸がつく 2.間違いを指摘される
→ 知識を更新可能 ※内容による
65.
発表をするデメリット 多分ない。 強いて言えば... 1.恥ずかしい→度胸がつく 2.間違いを指摘される→知識を更新できる
66.
Q & A Q.
自信がない…。 A. Do it !! Q. 機会がない… A. ないなら自分で作るのだ!!(発表者は自 分で3つくらい勉強会を立ち上げた。全部志 半ばで霧散した) 仲間がいないならもう ネットで積極的に発信するのだ!!!
67.
結論
68.
3.パッケージ紹介
69.
発表者のメインパーティ •rstan •brms •blavaan ※基本的には公式ドキュメントがもっとも わかりやすく、情報もリッチです。
70.
rstan • 非常に自由なモデリングを実現できる =ベイズモデリングの醍醐味(いろんな制約から解 放されてデータ解析の可能性が広がる) • 学習のコツ:いきなり複雑なモデルではなく、 コインの裏表の生成メカニズム
(ベルヌーイ分 布) を記述するなどシンプルなものから練習 • 日本語Stanマニュアル (訳者の方々に感謝): https://github.com/stan-ja/stan-ja 公式HP:http://mc-stan.org/
71.
異分散を仮定した対応のある 平均値差検定のStanコード (例) よく読めば割と シンプルな内容
72.
rstan • 学習コストがないわけではない • ユーザーにとっては自由なモデルであるほど 「これで正しいのか」という不安がつきまとう +人によっては学習コストからベイズから遠ざ かる危険性も まずはもっと軽い気持ちで事後分布という 結果に向き合える方法はないのか? (個人的には相関係数出してみるのが後々役立つ練習になる)
73.
学習コストが低い心理学者用 ベイズパッケージ2選 • brms:線形モデルや一般化線形モデル向け • blavaan:因子分析や共分散構造分析向け 実験心理学者向け? 社会・発達心理学者向け?
74.
brms • たった一行でポアソン回帰+切片変量 要因の解析ができる • 公式ドキュメント:https://cran.r- project.org/web/packages/brms/readme/REA DME.html
←このページのBlog postsがとても有用
75.
blavaan • 本日の難波による因子分析に関する発表 =すべてこのパッケージから可能な解析 • 7月あたりにこのパッケージ紹介するブログを 書くかも…? 感度分析
ロバスト因子分析 公式HP: https://faculty.missouri. edu/~merklee/blavaan/
76.
このパッケージも好き♡ 心理実験用の数理モデルなら hbayesDMパッケージがおすすめです 素敵な数理モデルが複数搭載されてます
77.
4.結論
78.
結論 • 各研究者ごとのニーズ (専門領域・何を学びたい かなど)
と合致する(であろう)チュートリアル や学び方(2節)、パッケージ(3節)への ルートを紹介した。 さぁ… ベイズを する魅力 Rの便利 パッケージ 各資料に よる学習
79.
Just
80.
Just
Descargar ahora