Submit Search
Upload
いいからベイズ推定してみる
•
7 likes
•
6,972 views
M
Makoto Hirakawa
Follow
HijiyamaR#3の資料です。「glmmstan()をもちいて、一般化線形混合モデルをベイズ推定する」という趣旨です。
Read less
Read more
Science
Report
Share
Report
Share
1 of 41
Download now
Download to read offline
Recommended
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
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
2019年SigFin研究会優秀賞論文賞受賞
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
HijiyamaR#3で発表しました。 階層ベイズを使った場合に,最尤法のAICと結果が大きく異なります。その問題についてどのように考えたらいいかについて発表しました。
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
最尤推定やベイズ推定の基本がようやく理解できたため,かみ砕いて説明したプレゼンを作りました.
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
Stanの初心者が基本的な統計モデルを実行するまでの解説です。プログラミング初心者向けに書いているので,やや説明が遠回りなところもあります。
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
7月20日に学内で授業で心理学の学部生に向けて発表した資料です。
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
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
ISCIE/SICEチュートリアル講座2017のスライド
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
Recommended
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
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
2019年SigFin研究会優秀賞論文賞受賞
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
HijiyamaR#3で発表しました。 階層ベイズを使った場合に,最尤法のAICと結果が大きく異なります。その問題についてどのように考えたらいいかについて発表しました。
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
最尤推定やベイズ推定の基本がようやく理解できたため,かみ砕いて説明したプレゼンを作りました.
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
Stanの初心者が基本的な統計モデルを実行するまでの解説です。プログラミング初心者向けに書いているので,やや説明が遠回りなところもあります。
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
7月20日に学内で授業で心理学の学部生に向けて発表した資料です。
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
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
ISCIE/SICEチュートリアル講座2017のスライド
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
2014.06.08 「ベイズ推定による多変量解析入門」@広島大学 ベイズ推定とマルコフ連鎖モンテカルロ法について解説しています。 当日動かしたギブスサンプリングのアニメーションは, 以下のサイトで紹介されたコードを参考にしています。 http://qiita.com/yagays/items/5bde6addf228b1fe24e6
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
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
統計検定などで紹介されている確率分布同士の関係を紹介しました。
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
Introduction to Bayesian statistics for undergraduate students.
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
考司 小杉
広島ベイズ塾夏合宿で発表したStanコードの書き方中級編です。 回帰分析から,一般化線形モデル,欠損値のあるモデル,潜在変数があるモデル,ゼロ過剰分布,混合分布モデルを扱いました。
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
基礎からのベイズ統計学 輪読会 #2 (2015/12/10)発表資料 「第4章 メトロポリス・ヘイスティングス法」 Pythonデモンストレーションコード@GitHub → https://github.com/matsuken92/Qiita_Contents/blob/master/Bayes_chap_04/Bayes-stat_chapter04.ipynb
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
鈴木譲が、2015年6月23日に沖縄科学技術大学院大学で発表したスライド。
相互情報量を用いた独立性の検定
相互情報量を用いた独立性の検定
Joe Suzuki
統計学の専門家ではないため、内容に責任は持ちません。内容に間違いがあれば、指摘してくださると幸いです。できる限り訂正していきます。
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
2017年2月17日に行われた統計数理研究所での研究集会『因果推論の基礎』での講演内容です(配布用の改変あり)。スライドだけだと口頭での説明がないので分かりにくい部分もあるかもしれません。 [http://www.ism.ac.jp/events/2017/meeting0216_17.html:title]
『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
2014.11.29 Hijiyama.R #1 での発表資料です。
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
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
変分ベイズ法の説明。 最尤法との対比で説明した。また、EMアルゴリズムとの対応も述べられている。 職場の勉強会での資料です。
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
第60回R勉強会@東京(#TokyoR)の発表資料です。 https://atnd.org/events/87238
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
hoxo_m
パターン認識と機械学習(PRML)読み会第一章
PRML読み会第一章
PRML読み会第一章
Takushi Miki
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
【2022/3/14追記】Slideshareが使い物にならなくなったため,今まで上げていた資料はより高機能なDocswellに上げ直しました。混乱防止のため,Slideshare上の資料はそのうち消すかもしれませんので了承ください。 Docswellの動画リスト: https://www.docswell.com/user/mutopsy 『社会科学のためのベイズ統計モデリング』の第4章「MCMC」の内容をベースにMCMCの仕組みについて解説しているスライドです。StanやJAGSのような確率的プログラミング言語を使えば理屈を知らずともMCMCを簡単に実行するができますが,MCMCの仕組みを知っていれば,うまく収束しないときに解決策を見つけやすくなるかもしれません。 スライド内で紹介しているRコードはブログ記事に載せてあります:http://bayesmax.sblo.jp/article/187238305.html
MCMCとともだちになろう【※Docswellにも同じものを上げています】
MCMCとともだちになろう【※Docswellにも同じものを上げています】
Hiroyuki Muto
多項式あてはめを例に、最小二乗法からガウスノイズモデル、ベイズ推定へと拡張していきながらベイズ推定の説明をする。実験はEdwardで行った。
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
はじめての統計データ分析勉強会 #2 資料
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
機械学習×プログラミング勉強会 vol.2 での発表資料です。 ベイズの何が嬉しいか、ノンパラベイズの何が嬉しいかを数式を使わず語ります。
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
More Related Content
What's hot
2014.06.08 「ベイズ推定による多変量解析入門」@広島大学 ベイズ推定とマルコフ連鎖モンテカルロ法について解説しています。 当日動かしたギブスサンプリングのアニメーションは, 以下のサイトで紹介されたコードを参考にしています。 http://qiita.com/yagays/items/5bde6addf228b1fe24e6
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
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
統計検定などで紹介されている確率分布同士の関係を紹介しました。
色々な確率分布とその応用
色々な確率分布とその応用
Hiroki Iida
Introduction to Bayesian statistics for undergraduate students.
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
考司 小杉
広島ベイズ塾夏合宿で発表したStanコードの書き方中級編です。 回帰分析から,一般化線形モデル,欠損値のあるモデル,潜在変数があるモデル,ゼロ過剰分布,混合分布モデルを扱いました。
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
基礎からのベイズ統計学 輪読会 #2 (2015/12/10)発表資料 「第4章 メトロポリス・ヘイスティングス法」 Pythonデモンストレーションコード@GitHub → https://github.com/matsuken92/Qiita_Contents/blob/master/Bayes_chap_04/Bayes-stat_chapter04.ipynb
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
鈴木譲が、2015年6月23日に沖縄科学技術大学院大学で発表したスライド。
相互情報量を用いた独立性の検定
相互情報量を用いた独立性の検定
Joe Suzuki
統計学の専門家ではないため、内容に責任は持ちません。内容に間違いがあれば、指摘してくださると幸いです。できる限り訂正していきます。
DARM勉強会第3回 (missing data analysis)
DARM勉強会第3回 (missing data analysis)
Masaru Tokuoka
2017年2月17日に行われた統計数理研究所での研究集会『因果推論の基礎』での講演内容です(配布用の改変あり)。スライドだけだと口頭での説明がないので分かりにくい部分もあるかもしれません。 [http://www.ism.ac.jp/events/2017/meeting0216_17.html:title]
『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
2014.11.29 Hijiyama.R #1 での発表資料です。
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
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
変分ベイズ法の説明。 最尤法との対比で説明した。また、EMアルゴリズムとの対応も述べられている。 職場の勉強会での資料です。
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
第60回R勉強会@東京(#TokyoR)の発表資料です。 https://atnd.org/events/87238
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
hoxo_m
パターン認識と機械学習(PRML)読み会第一章
PRML読み会第一章
PRML読み会第一章
Takushi Miki
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
【2022/3/14追記】Slideshareが使い物にならなくなったため,今まで上げていた資料はより高機能なDocswellに上げ直しました。混乱防止のため,Slideshare上の資料はそのうち消すかもしれませんので了承ください。 Docswellの動画リスト: https://www.docswell.com/user/mutopsy 『社会科学のためのベイズ統計モデリング』の第4章「MCMC」の内容をベースにMCMCの仕組みについて解説しているスライドです。StanやJAGSのような確率的プログラミング言語を使えば理屈を知らずともMCMCを簡単に実行するができますが,MCMCの仕組みを知っていれば,うまく収束しないときに解決策を見つけやすくなるかもしれません。 スライド内で紹介しているRコードはブログ記事に載せてあります:http://bayesmax.sblo.jp/article/187238305.html
MCMCとともだちになろう【※Docswellにも同じものを上げています】
MCMCとともだちになろう【※Docswellにも同じものを上げています】
Hiroyuki Muto
多項式あてはめを例に、最小二乗法からガウスノイズモデル、ベイズ推定へと拡張していきながらベイズ推定の説明をする。実験はEdwardで行った。
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
tanutarou
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
はじめての統計データ分析勉強会 #2 資料
MCMCと正規分布の推測
MCMCと正規分布の推測
Gen Fujita
機械学習×プログラミング勉強会 vol.2 での発表資料です。 ベイズの何が嬉しいか、ノンパラベイズの何が嬉しいかを数式を使わず語ります。
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
What's hot
(20)
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)
ベイズ統計入門
ベイズ統計入門
色々な確率分布とその応用
色々な確率分布とその応用
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
Stanコードの書き方 中級編
Stanコードの書き方 中級編
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
相互情報量を用いた独立性の検定
相互情報量を用いた独立性の検定
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
重回帰分析で交互作用効果
重回帰分析で交互作用効果
5分でわかるベイズ確率
5分でわかるベイズ確率
変分ベイズ法の説明
変分ベイズ法の説明
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
PRML読み会第一章
PRML読み会第一章
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
MCMCとともだちになろう【※Docswellにも同じものを上げています】
MCMCとともだちになろう【※Docswellにも同じものを上げています】
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
多項式あてはめで眺めるベイズ推定~今日からきみもベイジアン~
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
MCMCと正規分布の推測
MCMCと正規分布の推測
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
いいからベイズ推定してみる
1.
いいからベイズ推定してみる 広島大学大学院教育学研究科 平川 真 第3回Hijiyama.R (2015.11.28)
2.
おしながき ベイズ推定について ベイズ推定のやりかた
glmmstan()で遊んでみた
3.
ベイズ推定について
4.
推定法としてのベイズ 従来の推定法(最尤法、最小二乗法) > パラメタが定数、データが確率変数と考える
ベイズ推定 > パラメタが確率変数、データが定数と考える > 手元のデータからパラメタを推測 (=不確実性が伴う) する、 という自然な発想
5.
推定法としてのベイズ http://norimune.net/708
6.
推定法としてのベイズ 𝑓(𝜃|𝐷) = 𝑓 𝐷
𝜃 ∗ 𝑓(𝜃) 𝑓(𝐷) 事後分布 尤度 事前分布 周辺尤度 あるデータのときの θの分布 データを得る前の θの分布
7.
尤度ってなんだ あるデータを得たときに、分布のパラメタが特定の値である ことがどれほど尤もらしいか > 最尤法:
尤度が最も高い値をパラメタの推定値とする http://norimune.net/2510
8.
ベイズ推定のいいところ 事前分布を設定できる データが少なくても推定できる
解析的に解けない複雑なモデルでもいける パラメタを確率変数として考える
9.
事前分布を設定できる いろんな立場がある > 豊田(2015)の立場 “公的分析では無情報事前分布を使用し、 尤度への影響を最小限にすべきである
(p. 69)” おそらく研究実践では無情報事前分布を使うことになる ⇒ 最尤法と変わらないではないか 最尤推定量 = 尤度 * 一様分布
10.
データが少なくても推定できる とはいえ、 データはあった方が良い
11.
パラメタを確率変数と考える 頻度主義の区間推定 > 標準誤差:
標本統計量 (≠パラメタ) のちらばり > 95%信頼区間:「95%の95%CIが真値を含む」という意味 ベイズ主義の区間推定 > 事後標準偏差: パラメタのちらばり > 95%信用区間:「真値が含まれる確率が95%」という意味
12.
ベイズ推定のやり方
13.
rstanでt検定的な サンプリングしたパラメタを利用 して生成量を定義 μ2-μ1>0である確率を求められる
14.
rstanで回帰分析 2番目に簡単なrstanコード http://qiita.com/hoxo_m/items/ad4ffb091aec535f3125
15.
rstanで混合分布
16.
GLMM 一般化線形混合モデル > Generalized
Linear Mixed Modeling > G: 正規分布以外の確率分布を扱える > M: 固定効果だけでなく変量効果を組み込める > 線形モデル(LM)を含んでいる ⇒ ベイズ推定でGLMMできたらなぁ(お手軽に)
17.
あった
18.
SappoRo.R #5 (2015.11.14)
開発者による説明 > http://www.slideshare.net/simizu706/glmmstan-55104119 youtubeでもみれる > https://www.youtube.com/watch?v=Kd0pxFq9F6c > 30分でスライド70枚越を疾走する動画
19.
glmmstanパッケージ インストール方法
20.
glmmstanの特徴 stanコードを生成し、実行してくれる > stanコードを自力で書かなくても分析できる >
stanコードをみることができるので、コードの書き方の勉 強もできる モデル式はglmer()と同じ文法 > glmmstan(y ~ x1+x2+(1|id), data=dat)
21.
glmmstanの遊び方(開発者推奨) いろんなモデルをベイズ推定してみる 慣れたらstanコードを修正してみる
ハマってきたらstanコードを自分で書いてみる 興奮してきたら新しい統計モデルを作ってみる
22.
glmmstan()で遊んでみた
23.
データの説明 間接的発話の理解傾向を測定する尺度(18項目) > 状況についての簡単な説明文+発話 >
発話の字義的意味と間接的意味を呈示し、妥当だと思う解 釈を選択させる(2値)
24.
分析したいこと 間接的意味を妥当だと思う程度を検討したい > 妥当だと思う・思わないの2値変数 >
上限がある (n=18) ので二項分布を使ったモデリング 個人は確率θで間接的意味を妥当だと思う > 反応数 ~ binomial(θ, n)
25.
反応確率の推定 結果 間接的意味を妥当 だと判断した数 字義的意味を妥当 だと判断した数 データはこんな感じ→ ←確率になおす
26.
個人差を考えたい 確率θは個人によって異なるだろう(むしろそこが知りたい > 反応数
~ binomial (θi, n) > θiも何らかの確率分布から発生する ⇒ 階層ベイズ! 個人を変量効果として モデルにいれる
27.
個人差を考えたい stanコードをみてみる
28.
個人差を考えたい モデルブロックを拡大 変量効果が ないモデル→ 分布をまぜまぜ
29.
個人差を考えたい 結果 beta → tau_sd1
→ けっこう大きい
30.
ベータ二項分布 二項分布のθがベータ分布に従う分布 ⇒ 階層モデルと何が違う?
31.
やってみる うまくいってない。。
32.
項目の違いを考えても構わんのだろう? 確率θは項目によっても異なるだろう > 間接的意味がわかりやすい項目 >
わかりにくい項目
33.
データを縦長の型にする 項目の変量効果もモデルにいれる 分布をまぜまぜ 項目の違いを考えても構わんのだろう?
34.
項目の違いを考えても構わんのだろう? 結果 95%CIが広くなった
35.
項目の違いを考えても構わんのだろう? 結果
36.
ASD尺度との関連 間接的発話の理解における個人差 > 自閉スペクトラム症
(ASD: autism spectrum disorder) > 定型発達者の中でも、理解が困難な人も > 過剰に間接的な意味を読み取る人も ⇒ ASD傾向が高い人は字義的解釈を妥当だと判断するだろう
37.
ASD尺度との関連
38.
stan_glmer()
39.
さわりだけ rstanarmのインストール glmer()の文法 >
glmmstan()とかわらない
40.
使える分布 stan_glmer() glmmstan() 擬似○○ 過分散が生じたとき
41.
こんな感じ ちょっと結果がみにくい、かなぁ
Download now