Enviar búsqueda
Cargar
統計学の記法,回帰分析と最小二乗法
•
Descargar como PPTX, PDF
•
4 recomendaciones
•
1,606 vistas
Masahito Ohue
Seguir
統計学の基礎Iより,第1部§1~3の資料.
Leer menos
Leer más
Educación
Denunciar
Compartir
Denunciar
Compartir
1 de 45
Descargar ahora
Recomendados
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
みどりぼん3章前半
みどりぼん3章前半
Akifumi Eguchi
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
1 2.t検定
1 2.t検定
logics-of-blue
Mplusの使い方 初級編
Mplusの使い方 初級編
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
Recomendados
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
みどりぼん3章前半
みどりぼん3章前半
Akifumi Eguchi
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
1 2.t検定
1 2.t検定
logics-of-blue
Mplusの使い方 初級編
Mplusの使い方 初級編
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
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
第1回DARM勉強会のANOVA補足(repeated measures designs)
第1回DARM勉強会のANOVA補足(repeated measures designs)
Masaru Tokuoka
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
. .
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
Takashi Yamane
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
Nagi Teramo
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
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
1 1.はじめに
1 1.はじめに
logics-of-blue
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
[DL輪読会]Understanding deep learning requires rethinking generalization
[DL輪読会]Understanding deep learning requires rethinking generalization
Deep Learning JP
『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
確率的バンディット問題
確率的バンディット問題
jkomiyama
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
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
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
Imputation of Missing Values using Random Forest
Imputation of Missing Values using Random Forest
Satoshi Kato
PrePPI: structure-based protein-protein interaction prediction
PrePPI: structure-based protein-protein interaction prediction
Masahito Ohue
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
Masahito Ohue
Más contenido relacionado
La actualidad más candente
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
第1回DARM勉強会のANOVA補足(repeated measures designs)
第1回DARM勉強会のANOVA補足(repeated measures designs)
Masaru Tokuoka
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
. .
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
Takashi Yamane
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
Nagi Teramo
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
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
1 1.はじめに
1 1.はじめに
logics-of-blue
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
[DL輪読会]Understanding deep learning requires rethinking generalization
[DL輪読会]Understanding deep learning requires rethinking generalization
Deep Learning JP
『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
確率的バンディット問題
確率的バンディット問題
jkomiyama
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
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
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
Imputation of Missing Values using Random Forest
Imputation of Missing Values using Random Forest
Satoshi Kato
La actualidad más candente
(20)
潜在クラス分析
潜在クラス分析
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
第1回DARM勉強会のANOVA補足(repeated measures designs)
第1回DARM勉強会のANOVA補足(repeated measures designs)
ベイズ統計入門
ベイズ統計入門
分布から見た線形モデル・GLM・GLMM
分布から見た線形モデル・GLM・GLMM
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
Rによるデータサイエンス:12章「時系列」
Rによるデータサイエンス:12章「時系列」
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
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
Stan超初心者入門
Stan超初心者入門
1 1.はじめに
1 1.はじめに
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
[DL輪読会]Understanding deep learning requires rethinking generalization
[DL輪読会]Understanding deep learning requires rethinking generalization
『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
確率的バンディット問題
確率的バンディット問題
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
Rで学ぶロバスト推定
Rで学ぶロバスト推定
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
Imputation of Missing Values using Random Forest
Imputation of Missing Values using Random Forest
Destacado
PrePPI: structure-based protein-protein interaction prediction
PrePPI: structure-based protein-protein interaction prediction
Masahito Ohue
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
Masahito Ohue
IIBMP2014 Lightning Talk - MEGADOCK 4.0
IIBMP2014 Lightning Talk - MEGADOCK 4.0
Masahito Ohue
Protein-protein docking-based virtual screening
Protein-protein docking-based virtual screening
Masahito Ohue
Protein-RNA Interaction Prediction
Protein-RNA Interaction Prediction
Masahito Ohue
ISMB/ECCB2015読み会:大上
ISMB/ECCB2015読み会:大上
Masahito Ohue
タンパク質は音楽を奏でるか?
タンパク質は音楽を奏でるか?
Masahito Ohue
W8PRML5.1-5.3
W8PRML5.1-5.3
Masahito Ohue
Finding correct protein–protein docking models using ProQDock (ISMB2016読み会, 大上)
Finding correct protein–protein docking models using ProQDock (ISMB2016読み会, 大上)
Masahito Ohue
FiberDock: Flexible Protein Docking with Normal Mode
FiberDock: Flexible Protein Docking with Normal Mode
Masahito Ohue
Accurate protein-protein docking with rapid calculation
Accurate protein-protein docking with rapid calculation
Masahito Ohue
「全ての確率はコイン投げに通ず」 Japan.R 発表資料
「全ての確率はコイン投げに通ず」 Japan.R 発表資料
Ken'ichi Matsui
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
Masahito Ohue
PRML Chapter 14
PRML Chapter 14
Masahito Ohue
学振特別研究員になるために~知っておくべき10のTips~[平成29年度申請版]
学振特別研究員になるために~知っておくべき10のTips~[平成29年度申請版]
Masahito Ohue
学振特別研究員になるために~知っておくべき10のTips~[平成28年度申請版]
学振特別研究員になるために~知っておくべき10のTips~[平成28年度申請版]
Masahito Ohue
学振特別研究員になるために~知っておくべき10のTips~
学振特別研究員になるために~知っておくべき10のTips~
Masahito Ohue
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
学振特別研究員になるために~2018年度申請版
学振特別研究員になるために~2018年度申請版
Masahito Ohue
Destacado
(19)
PrePPI: structure-based protein-protein interaction prediction
PrePPI: structure-based protein-protein interaction prediction
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
Protein-Protein Interaction Prediction Based on Template-Based and de Novo Do...
IIBMP2014 Lightning Talk - MEGADOCK 4.0
IIBMP2014 Lightning Talk - MEGADOCK 4.0
Protein-protein docking-based virtual screening
Protein-protein docking-based virtual screening
Protein-RNA Interaction Prediction
Protein-RNA Interaction Prediction
ISMB/ECCB2015読み会:大上
ISMB/ECCB2015読み会:大上
タンパク質は音楽を奏でるか?
タンパク質は音楽を奏でるか?
W8PRML5.1-5.3
W8PRML5.1-5.3
Finding correct protein–protein docking models using ProQDock (ISMB2016読み会, 大上)
Finding correct protein–protein docking models using ProQDock (ISMB2016読み会, 大上)
FiberDock: Flexible Protein Docking with Normal Mode
FiberDock: Flexible Protein Docking with Normal Mode
Accurate protein-protein docking with rapid calculation
Accurate protein-protein docking with rapid calculation
「全ての確率はコイン投げに通ず」 Japan.R 発表資料
「全ての確率はコイン投げに通ず」 Japan.R 発表資料
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
計算で明らかにするタンパク質の出会いとネットワーク(FIT2016 助教が吼えるセッション)
PRML Chapter 14
PRML Chapter 14
学振特別研究員になるために~知っておくべき10のTips~[平成29年度申請版]
学振特別研究員になるために~知っておくべき10のTips~[平成29年度申請版]
学振特別研究員になるために~知っておくべき10のTips~[平成28年度申請版]
学振特別研究員になるために~知っておくべき10のTips~[平成28年度申請版]
学振特別研究員になるために~知っておくべき10のTips~
学振特別研究員になるために~知っておくべき10のTips~
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
学振特別研究員になるために~2018年度申請版
学振特別研究員になるために~2018年度申請版
Más de Masahito Ohue
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
Masahito Ohue
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2023年度申請版
Masahito Ohue
学振特別研究員になるために~2022年度申請版
学振特別研究員になるために~2022年度申請版
Masahito Ohue
第43回分子生物学会年会フォーラム2F-11「インシリコ創薬を支える最先端情報科学」から抜粋したAlphaFold2の話
第43回分子生物学会年会フォーラム2F-11「インシリコ創薬を支える最先端情報科学」から抜粋したAlphaFold2の話
Masahito Ohue
Learning-to-rank for ligand-based virtual screening
Learning-to-rank for ligand-based virtual screening
Masahito Ohue
Parallelized pipeline for whole genome shotgun metagenomics with GHOSTZ-GPU a...
Parallelized pipeline for whole genome shotgun metagenomics with GHOSTZ-GPU a...
Masahito Ohue
Molecular Activity Prediction Using Graph Convolutional Deep Neural Network C...
Molecular Activity Prediction Using Graph Convolutional Deep Neural Network C...
Masahito Ohue
学振特別研究員になるために~2020年度申請版
学振特別研究員になるために~2020年度申請版
Masahito Ohue
出会い系タンパク質を探す旅
出会い系タンパク質を探す旅
Masahito Ohue
学振特別研究員になるために~2019年度申請版
学振特別研究員になるために~2019年度申請版
Masahito Ohue
Link Mining for Kernel-based Compound-Protein Interaction Predictions Using a...
Link Mining for Kernel-based Compound-Protein Interaction Predictions Using a...
Masahito Ohue
目バーチャルスクリーニング
目バーチャルスクリーニング
Masahito Ohue
Microsoft Azure上でのタンパク質間相互作用予測システムの並列計算と性能評価
Microsoft Azure上でのタンパク質間相互作用予測システムの並列計算と性能評価
Masahito Ohue
Protein-Protein Interaction Prediction
Protein-Protein Interaction Prediction
Masahito Ohue
PRML Chapter 5
PRML Chapter 5
Masahito Ohue
Más de Masahito Ohue
(15)
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2024年度申請版
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2023年度申請版
学振特別研究員になるために~2022年度申請版
学振特別研究員になるために~2022年度申請版
第43回分子生物学会年会フォーラム2F-11「インシリコ創薬を支える最先端情報科学」から抜粋したAlphaFold2の話
第43回分子生物学会年会フォーラム2F-11「インシリコ創薬を支える最先端情報科学」から抜粋したAlphaFold2の話
Learning-to-rank for ligand-based virtual screening
Learning-to-rank for ligand-based virtual screening
Parallelized pipeline for whole genome shotgun metagenomics with GHOSTZ-GPU a...
Parallelized pipeline for whole genome shotgun metagenomics with GHOSTZ-GPU a...
Molecular Activity Prediction Using Graph Convolutional Deep Neural Network C...
Molecular Activity Prediction Using Graph Convolutional Deep Neural Network C...
学振特別研究員になるために~2020年度申請版
学振特別研究員になるために~2020年度申請版
出会い系タンパク質を探す旅
出会い系タンパク質を探す旅
学振特別研究員になるために~2019年度申請版
学振特別研究員になるために~2019年度申請版
Link Mining for Kernel-based Compound-Protein Interaction Predictions Using a...
Link Mining for Kernel-based Compound-Protein Interaction Predictions Using a...
目バーチャルスクリーニング
目バーチャルスクリーニング
Microsoft Azure上でのタンパク質間相互作用予測システムの並列計算と性能評価
Microsoft Azure上でのタンパク質間相互作用予測システムの並列計算と性能評価
Protein-Protein Interaction Prediction
Protein-Protein Interaction Prediction
PRML Chapter 5
PRML Chapter 5
Último
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
Takayuki Itoh
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
Kochi Eng Camp
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
Tokyo Institute of Technology
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
Kochi Eng Camp
Último
(6)
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
統計学の記法,回帰分析と最小二乗法
1.
統計学の基礎 I第 I
部 多変量解析入門1. 多変量解析の考え方2. 多変量解析の記法3. 回帰分析と最小2乗法 秋山研究室 D1 大上 雅史 2011/04/13 統計輪講
2.
本について 統計学の基礎 I
~線形モデルからの出発~ 岩波,統計科学のフロンティアシリーズ 1 著者:竹村彰通(第 I 部),谷口正信(第 II 部) 輪講 2011/04/13 2
3.
多変量解析 (統計的)多変量解析 多変量データに関する分析手法および手法による解析
多変量解析の種類 回帰分析 分散分析 主成分分析 判別分析 因子分析 分割表 グラフィカルモデル 輪講 2011/04/13 3
4.
§2 多変量解析の記法 輪講 2011/04/13
4
5.
多変量解析の記法 ベクトル・・・列ベクトル p:
次元 hoge‘ : hogeの転置 データ行列 n : 標本数 個体(標本)の添字 t変数(次元)の添字 i k×k単位行列 kを省略することもある 輪講 2011/04/13 5 ・・・ 一般に
6.
標本平均 標本平均ベクトル 平均偏差行列
輪講 2011/04/13 6 ※ × ・・・
7.
標本分散 標本共分散(第i変数と第j変数,i=jの場合は標本分散) 標本分散行列
対称行列で,半正定値行列(後に示す) を一般化分散と呼ぶ 輪講 2011/04/13 7
8.
相関係数 相関係数(第i変数と第j変数) 標本相関係数行列
対称行列,対角要素は1. 対角行列 を用いて, と定義すると, 輪講 2011/04/13 8
9.
相関係数 基準化(標準化,z-score) 平均偏差を標準偏差で割ったもの
基準化データ行列 を用いると,と書ける. 「基準化したデータに基づく標本分散行列」と, 「生データの標本相関係数行列」は等しい. 輪講 2011/04/13 9
10.
相関係数 証明 輪講
2011/04/13 10 に を代入
11.
変数の1次結合 多変量解析では次元を縮約して解析することが多い 1次結合
zを合成変数または総合得点と呼ぶことがある 輪講 2011/04/13 11
12.
1次結合の平均・分散 個体ごとの総合得点 の標本平均 総合得点の標本分散
分散は非負値なので, は半正定値行列である. 通常は正定値行列と仮定する 輪講 2011/04/13 12
13.
1次結合の分散 証明 輪講
2011/04/13 13
14.
総合得点の一般化 係数行列 総合得点からなるデータ行列
標本平均ベクトル 標本分散行列 輪講 2011/04/13 14
15.
変数群の分割 データ行列を縦に分割 標本平均ベクトル
標本分散行列 輪講 2011/04/13 15
16.
以下のようにブロック対角化可能 :変数群2を変数群1に回帰したときの回帰係数行列 :
変数群2を変数群1に回帰したときの残差分散行列 とおくと 分散行列のブロック対角化 輪講 2011/04/13 16 ※
17.
偏相関係数行列 輪講 2011/04/13
17 なので, はの分散行列. を変数群2を変数群1に回帰した残差行列と呼ぶ を相関行列に変換した行列を,変数群2を変数群1に回帰したときの偏相関係数行列という.
18.
行列式と逆行列 一般化分散の行列式 両辺の行列式をとると,
両辺の逆行列をとると, 輪講 2011/04/13 18
19.
高次モーメント 平均・・・1次モーメント 分散・・・2次モーメント
3次の平均まわりの標本モーメント を3元の多重配列またはテンソルと呼ぶ (平均まわりの)高次モーメント 輪講 2011/04/13 19 重複添字記法 べき添字記法
20.
分割表 量的変数->行列記法 質的変数->分割表による記述
分割表の例 輪講 2011/04/13 20 I×J分割表 周辺頻度 総頻度 同時頻度 ※ “・” (ドット) は+と書くこともある
21.
輪講 2011/04/13 21
§3 回帰分析と最小二乗法
22.
(線形重)回帰分析 輪講 2011/04/13
22 目的変数ベクトル 回帰係数ベクトル 計画行列 最小二乗法 と の二乗誤差を最小にする を見つける 定数項b0を表す
23.
最小二乗法 輪講 2011/04/13
23 最小二乗解の導出 目的関数を微分 正規方程式 最小二乗解
24.
最小二乗法 予測値ベクトル 残差ベクトル
yを実測値ベクトルという eは予測値ベクトルが実測値ベクトルを近似しきれなかった部分 輪講 2011/04/13 24
25.
PXについて 輪講 2011/04/13
25 べき等性と対称性から,PXは直交射影子である べき等性 対称性
26.
幾何的な意味 輪講 2011/04/13
26
27.
bの分割 輪講 2011/04/13
27 定数項を掃き出す(分散行列の結果(p.15)を流用,番号は-1.) とおく
28.
bの分割 輪講 2011/04/13
28 ただし,SxxはX1の分散行列, はX1の平均偏差行列 また, である.
29.
bの分割 輪講 2011/04/13
29
30.
bの分割 輪講 2011/04/13
30 の中身
31.
bの分割 輪講 2011/04/13
31 定数項を除いた説明変数の回帰係数の部分 を用いて と求められる.
32.
平方和の分解 予測値ベクトル の標本平均を求める
輪講 2011/04/13 32 よって, (第0行について) の左から をかけると, 標本平均は等しい
33.
平方和の分解 平均偏差をとる 輪講
2011/04/13 33 右辺について であるから, と は直交する.よって,次を得る. 平方和の分解
34.
平方和の分解 輪講 2011/04/13
34 残差平方和 全平方和 回帰平方和 ここで,以下を用いて回帰平方和を変形する.
35.
平方和の分解 回帰平方和 残差平方和
輪講 2011/04/13 35
36.
決定係数 輪講 2011/04/13
36 R2を決定係数,Rを重相関係数という [0, 1] R2が1に近いほど回帰式の当てはまりが良い 回帰平方和 残差平方和 全平方和 全平方和
37.
変数群の掃き出し 定数項だけでなく,任意の説明変数群を掃き出す X1の平均偏差行列は,X1をX0に回帰した残差行列
定数項の掃き出しのときと同様にして, 輪講 2011/04/13 37
38.
変数群の掃き出し 輪講 2011/04/13
38
39.
変数群の掃き出し 輪講 2011/04/13
39 ここで,yをX0に回帰したときの残差ベクトルを とおく (対称性) (べき等性) (対称性)
40.
変数群の掃き出し よって以下の分割を得る X1にかかる回帰係数ベクトルの求め方
yとX1をX0に回帰し,残差 を求める を に回帰する 輪講 2011/04/13 40
41.
に左から をかける 直交射影の分解 輪講
2011/04/13 41
42.
直交射影の分解 続き 輪講
2011/04/13 42
43.
偏相関係数の計算 p=3で変数2,3を1に回帰したときの偏相関係数 一般のpについて考える
とおく.また,が2×2行列の場合を考え,とする. 輪講 2011/04/13 43
44.
偏相関係数の計算 S-1の右下(2,2)ブロック 次を得る
輪講 2011/04/13 44 第p-1変数と第p変数を変数1,・・・,p-2に回帰した残差間の偏相関係数 .
45.
偏相関係数の計算 一般にS-1の(i, i),
(i,j), (j,i), (j, j)要素からなる2×2の部分行列を考えると,は第i変数と第j変数を他の全ての変数に回帰したときの偏相関係数に一致する. グラフィカルモデルによる分析に使われる 輪講 2011/04/13 45
Descargar ahora