Submit Search
Upload
Rで実験計画法 前編
•
36 likes
•
29,213 views
I
itoyan110
Follow
This slide was presented in Tokyo.R #16.It describes about design of experiment with R.
Read less
Read more
Technology
Report
Share
Report
Share
1 of 39
Download now
Download to read offline
Recommended
Rで実験計画法 後編
Rで実験計画法 後編
itoyan110
実験計画法入門 Part 2
実験計画法入門 Part 2
haji mizu
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
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
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Recommended
Rで実験計画法 後編
Rで実験計画法 後編
itoyan110
実験計画法入門 Part 2
実験計画法入門 Part 2
haji mizu
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
PyData.Tokyo Meetup #21 講演資料「Optuna ハイパーパラメータ最適化フレームワーク」太田 健
Preferred Networks
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
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
Rの高速化
Rの高速化
弘毅 露崎
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
Tomoki Koriyama
実験計画法入門 Part 4
実験計画法入門 Part 4
haji mizu
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
動的輪郭モデル
動的輪郭モデル
Arumaziro
実験計画法入門 Part 3
実験計画法入門 Part 3
haji mizu
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
Kosei ABE
データ解析6 重回帰分析
データ解析6 重回帰分析
Hirotaka Hachiya
正準相関分析
正準相関分析
Akisato Kimura
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
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
因果推論の基礎
因果推論の基礎
Hatsuru Morita
Graphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data Science
Kenji Hiranabe
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
確率的主成分分析
確率的主成分分析
Mika Yoshimura
Tokyo r7 sem_20100724
Tokyo r7 sem_20100724
osamu morimoto
実践データ分析基礎
実践データ分析基礎
TOSHI STATS Co.,Ltd.
More Related Content
What's hot
Rの高速化
Rの高速化
弘毅 露崎
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
Tomoki Koriyama
実験計画法入門 Part 4
実験計画法入門 Part 4
haji mizu
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
takehikoihayashi
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
動的輪郭モデル
動的輪郭モデル
Arumaziro
実験計画法入門 Part 3
実験計画法入門 Part 3
haji mizu
論文の図表レイアウト例
論文の図表レイアウト例
Sunao Hara
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
Kosei ABE
データ解析6 重回帰分析
データ解析6 重回帰分析
Hirotaka Hachiya
正準相関分析
正準相関分析
Akisato Kimura
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
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
因果推論の基礎
因果推論の基礎
Hatsuru Morita
Graphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data Science
Kenji Hiranabe
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
確率的主成分分析
確率的主成分分析
Mika Yoshimura
What's hot
(20)
Rの高速化
Rの高速化
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
深層ガウス過程とアクセントの潜在変数表現に基づく音声合成の検討
実験計画法入門 Part 4
実験計画法入門 Part 4
傾向スコア:その概念とRによる実装
傾向スコア:その概念とRによる実装
グラフィカルモデル入門
グラフィカルモデル入門
【解説】 一般逆行列
【解説】 一般逆行列
動的輪郭モデル
動的輪郭モデル
実験計画法入門 Part 3
実験計画法入門 Part 3
論文の図表レイアウト例
論文の図表レイアウト例
近似ベイズ計算によるベイズ推定
近似ベイズ計算によるベイズ推定
データ解析6 重回帰分析
データ解析6 重回帰分析
正準相関分析
正準相関分析
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
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
因果推論の基礎
因果推論の基礎
Graphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data Science
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
確率的主成分分析
確率的主成分分析
Similar to Rで実験計画法 前編
Tokyo r7 sem_20100724
Tokyo r7 sem_20100724
osamu morimoto
実践データ分析基礎
実践データ分析基礎
TOSHI STATS Co.,Ltd.
R language definition3.1_3.2
R language definition3.1_3.2
Yoshiteru Kamiyama
Rによるprincomp関数を使わない主成分分析
Rによるprincomp関数を使わない主成分分析
wada, kazumi
K030 appstat201203 2variable
K030 appstat201203 2variable
t2tarumi
文献紹介:Rethinking Data Augmentation for Image Super-resolution: A Comprehensive...
文献紹介:Rethinking Data Augmentation for Image Super-resolution: A Comprehensive...
Toru Tamaki
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
Prunus 1350
020 1変数の集計
020 1変数の集計
t2tarumi
Sized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアル
Akinori Abe
行列計算を利用したデータ解析技術
行列計算を利用したデータ解析技術
Yoshihiro Mizoguchi
Binary indexed tree
Binary indexed tree
HCPC: 北海道大学競技プログラミングサークル
文献紹介:Prior Guided GAN Based Semantic Inpainting
文献紹介:Prior Guided GAN Based Semantic Inpainting
Toru Tamaki
第1回R勉強会@東京
第1回R勉強会@東京
Yohei Sato
第2回R勉強会1
第2回R勉強会1
Paweł Rusin
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
Ibisml2011 06-20
Ibisml2011 06-20
Yasuo Tabei
文献紹介:R-MNet: A Perceptual Adversarial Network for Image Inpainting
文献紹介:R-MNet: A Perceptual Adversarial Network for Image Inpainting
Toru Tamaki
分割表の作図・GLM・ベイズモデル http://goo.gl/qQ1Ok
分割表の作図・GLM・ベイズモデル http://goo.gl/qQ1Ok
Kubo_Takuya
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門
Yuichiro Kobayashi
Similar to Rで実験計画法 前編
(20)
Tokyo r7 sem_20100724
Tokyo r7 sem_20100724
実践データ分析基礎
実践データ分析基礎
R language definition3.1_3.2
R language definition3.1_3.2
Rによるprincomp関数を使わない主成分分析
Rによるprincomp関数を使わない主成分分析
K030 appstat201203 2variable
K030 appstat201203 2variable
文献紹介:Rethinking Data Augmentation for Image Super-resolution: A Comprehensive...
文献紹介:Rethinking Data Augmentation for Image Super-resolution: A Comprehensive...
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
020 1変数の集計
020 1変数の集計
Sized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアル
行列計算を利用したデータ解析技術
行列計算を利用したデータ解析技術
Binary indexed tree
Binary indexed tree
文献紹介:Prior Guided GAN Based Semantic Inpainting
文献紹介:Prior Guided GAN Based Semantic Inpainting
第1回R勉強会@東京
第1回R勉強会@東京
第2回R勉強会1
第2回R勉強会1
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Ibisml2011 06-20
Ibisml2011 06-20
文献紹介:R-MNet: A Perceptual Adversarial Network for Image Inpainting
文献紹介:R-MNet: A Perceptual Adversarial Network for Image Inpainting
分割表の作図・GLM・ベイズモデル http://goo.gl/qQ1Ok
分割表の作図・GLM・ベイズモデル http://goo.gl/qQ1Ok
LET2011: Rによる教育データ分析入門
LET2011: Rによる教育データ分析入門
More from itoyan110
このIRのグラフがすごい!上場企業2023
このIRのグラフがすごい!上場企業2023
itoyan110
このIRのグラフがすごい!上場企業2021
このIRのグラフがすごい!上場企業2021
itoyan110
このIRのグラフがすごい!上場企業2020
このIRのグラフがすごい!上場企業2020
itoyan110
このIRのグラフがすごい!上場企業2019
このIRのグラフがすごい!上場企業2019
itoyan110
このIRのグラフがすごい!上場企業2018
このIRのグラフがすごい!上場企業2018
itoyan110
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
2018年6月期 統計検定2級&準1級 対策スライド
2018年6月期 統計検定2級&準1級 対策スライド
itoyan110
Chapter7 回帰分析の悩みどころ
Chapter7 回帰分析の悩みどころ
itoyan110
このIRのグラフがすごい!上場企業2017
このIRのグラフがすごい!上場企業2017
itoyan110
NagoyaStat #5 ご挨拶と前回の復習
NagoyaStat #5 ご挨拶と前回の復習
itoyan110
NagoyaStat #4 ご挨拶と前回の復習
NagoyaStat #4 ご挨拶と前回の復習
itoyan110
このIRのグラフがすごい!上場企業2016
このIRのグラフがすごい!上場企業2016
itoyan110
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
レッツノートを業務用途にカスタマイズする
レッツノートを業務用途にカスタマイズする
itoyan110
データ解析のための統計モデリング入門 1~2章
データ解析のための統計モデリング入門 1~2章
itoyan110
このIRのグラフがすごい!上場企業2015
このIRのグラフがすごい!上場企業2015
itoyan110
Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級
itoyan110
絶対に描いてはいけないグラフ入りスライド24枚
絶対に描いてはいけないグラフ入りスライド24枚
itoyan110
コイン投げの分析を一捻り (Japan.R 2013 LT)
コイン投げの分析を一捻り (Japan.R 2013 LT)
itoyan110
Rの拡張を書く (R 2.15.2)
Rの拡張を書く (R 2.15.2)
itoyan110
More from itoyan110
(20)
このIRのグラフがすごい!上場企業2023
このIRのグラフがすごい!上場企業2023
このIRのグラフがすごい!上場企業2021
このIRのグラフがすごい!上場企業2021
このIRのグラフがすごい!上場企業2020
このIRのグラフがすごい!上場企業2020
このIRのグラフがすごい!上場企業2019
このIRのグラフがすごい!上場企業2019
このIRのグラフがすごい!上場企業2018
このIRのグラフがすごい!上場企業2018
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
2018年6月期 統計検定2級&準1級 対策スライド
2018年6月期 統計検定2級&準1級 対策スライド
Chapter7 回帰分析の悩みどころ
Chapter7 回帰分析の悩みどころ
このIRのグラフがすごい!上場企業2017
このIRのグラフがすごい!上場企業2017
NagoyaStat #5 ご挨拶と前回の復習
NagoyaStat #5 ご挨拶と前回の復習
NagoyaStat #4 ご挨拶と前回の復習
NagoyaStat #4 ご挨拶と前回の復習
このIRのグラフがすごい!上場企業2016
このIRのグラフがすごい!上場企業2016
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
レッツノートを業務用途にカスタマイズする
レッツノートを業務用途にカスタマイズする
データ解析のための統計モデリング入門 1~2章
データ解析のための統計モデリング入門 1~2章
このIRのグラフがすごい!上場企業2015
このIRのグラフがすごい!上場企業2015
Rで確認しながら解く統計検定2級
Rで確認しながら解く統計検定2級
絶対に描いてはいけないグラフ入りスライド24枚
絶対に描いてはいけないグラフ入りスライド24枚
コイン投げの分析を一捻り (Japan.R 2013 LT)
コイン投げの分析を一捻り (Japan.R 2013 LT)
Rの拡張を書く (R 2.15.2)
Rの拡張を書く (R 2.15.2)
Recently uploaded
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Recently uploaded
(10)
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Rで実験計画法 前編
1.
Rで実験計画法(前編) @ito_yan E-mail:1mail2itoh3@gmail.com
2011.08.27 Tokyo.R #16
2.
2 はじめに • 所属する組織の意見・見解ではありません • つまらなかったら睡眠学習や復習に当てましょう •
コメント歓迎します(メール等も含めて) • 僕と勉強会に出て、実験計画法使いになってよ! • Web上に掲載するに当たり一部修正しています
3.
3 自己紹介 • twitterID :
@ito_yan • お仕事 • QA(品質保証)がメイン • データマイニングツール開発 • Rに初めて触れて5年 • まどか☆マギカのアニメ版は観てません(爆 • 漫画版読みました(爆
4.
4 今日の話題 • 一元配置、二元配置 • 第3回でも出てきているが、1年半ぶりに復習 •
交互作用 • 二元配置と方格の関係 • ラテン方格、グレコ・ラテン方格 • 直交表による実験は次回お話します
5.
5 実験計画法とは • 少ない実験回数で、効率よく推定する手法 •
フィッシャーの農場での実験がはじまり • 肥料のやり方、土壌が作物の成長にどのような影響を与 えるか調べた • 応用例 • 品質管理(長寿命製品の製造) • 自然科学
6.
6 一元配置 問題: 素材の強度を上げるため、製造する環境の温度を A1 = 15℃、
A2 = 20℃、A3 = 25℃ と変化させて試作し、強度を測定したところ次の結果を得た。 温度によって強度は変わるといえるか。 因子 水準 A1 A2 A3 問題を統計的に言うと… 27.2 33.3 28.5 各水準の平均は一定 28.7 31.5 31.3 水準の平均は一定で 27.7 30.8 29.5 はない 26.4 32.4 27.9
7.
7 Rによる分析
lev data • データフレームでデータを表現 A1 27.2 data <- c(27.2,28.7,27.7,26.4, A1 28.7 33.3,31.5,30.8,32.4, A1 27.7 28.5,31.3,29.5,27.9) A1 26.4 lev <- c(rep("A1",4),rep("A2",4),rep("A3",4)) A2 33.3 exp.data <- data.frame(lev=lev,data=data) A2 31.5 A2 30.8 A2 32.4 A3 28.5 A3 31.3 A3 29.5 A3 27.9
8.
8 傾向の把握その1 • boxplot関数の利用 boxplot(data~lev,data=exp.data,col="lightblue")
左図より、水準ごとに平均 は違うのではと推測される 第3四分位点から箱の長さの1.5 倍以内の最大値 第3四分位点 中央値 第1分位点 第1四分位点から箱の長さの1.5 倍以内の最小値
9.
9 一元配置のデータの分解式 • データ=平均+因子ごとの影響+誤差 A1
A2 A3 27.2 33.3 28.5 水準A1の合計 28.7 31.5 31.3 27.7 30.8 29.5 = 26.4 32.4 27.9 A1 A2 A3 A1 A2 A3 A1 A2 A3 29.6 29.6 29.6 -2.1 2.4 -0.3 -0.3 1.3 -0.8 29.6 29.6 29.6 + -2.1 2.4 -0.3 + 1.2 -0.5 2.0 29.6 29.6 29.6 -2.1 2.4 -0.3 0.2 -1.2 0.2 29.6 29.6 29.6 -2.1 2.4 -0.3 -1.1 0.4 -1.4
10.
10 データの分解式に関する性質 • 因子の水準による効果の総和は0 • -2.1+2.4-0.3=0 •
誤差の総和は各水準毎に0 • -0.3+1.2+0.2-1.1=0 • 1.3-0.5-1.2+0.4=0 • -0.8+2.0+0.2-1.4=0
11.
11 変動に関する用語 • 全変動(Sum of
Square, SS) • 全データの二乗和 • 平均変動(Correlation Term, CT, 修正変動) • 全データの平均の二乗和 • 因子変動(主効果) • 因子による効果の二乗和 • 誤差変動 • 平均変動、主効果で説明できない部分 • 測定器、測定者、偶然による誤差
12.
12 データの二乗和 •
イメージは下図のように全データに^2をつけるだけ A1 A2 A3 27.2^2 33.3^2 28.5^2 28.7^2 31.5^2 31.3^2 27.7^2 30.8^2 29.5^2 = 26.4^2 32.4^2 27.9^2 A1 A2 A3 A1 A2 A3 A1 A2 A3 (-0.3)^2 1.3^2 (-0.8)^2 29.6^2 + (-2.1)^2 2.4^2 -0.3^2 1.2^2 + 0.2^2 -0.5^2 2.0^2 -1.2^2 0.2^2 (-1.1)^2 0.4^2 (-1.4)^2
13.
13 データに対する分解式
二乗和分解の式 自由度の分解式 (12 = 1 + 2 + 9)
14.
14 一元配置の分散分析表 result <- summary(aov(data~lev,data=exp.data))
有意である > result Df Sum Sq Mean Sq F value Pr(>F) lev 2 41.04 20.52 14.25 0.001625 ** Residuals 9 12.96 1.44 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 DF・・・自由度 SumSq・・・要因変動 MeanSq・・・1自由度あたりの要因変動(41.04/2、12.96/9) Fvalue・・・MeanSqを誤差の要因変動で割った値(20.52/1.44) Pr・・・P値
15.
15 分散分析のイメージ • 水準の違いによる散らばり(σ1^2)は誤差の散ら ばり(σ2^2)よりも大きいと言えるか? • 分散比が1より大きい(σ1^2/σ2^2
>1)となれば、水 準の違いによる値の散らばりは、誤差の散らばりよ り大きいと言える →水準により測定値が変化すると言える! (誤差の範囲での変化とはいえない) • 2つのデータ集合の分散比を調べるのはF検定 • データの散らばりは正規分布に従っていると仮定 • F分布はカイ二乗分布から構成されている で二乗和を求めるのはこのため
16.
16 区間推定 • 有意な因子による影響を調べる
1.44 • 最適な組に対する推定に興味があるため 各水準の平均 各水準の繰り返し回数4
17.
17 なぜ分散分析なのか • t検定の繰り返しで差の有意性を調べるのは? •
有意水準5%でn回検定すると1-0.95^nの確率で第 一種の誤り(違うのに正しいと言ってしまう)を犯して しまう →第一種の誤りが5%より大きくなるのでダメ (多重性の問題) • 本当にダメ? 4水準であれば =6 より5/6%が有意水準 • ボンフェローニ法という手法がある • 5%/(t検定を行う回数)を有意水準としたt検定 • 手軽だが、かなり厳しめに見積もる傾向がある
18.
18 二元配置 • 問題 ある百貨店は食料品店の売上向上のために、 次の因子を組み合わせた実験を行った。 因子A: 水曜日、土曜日、日曜日 因子B:試食の提供をした/しない 各組み合わせに対し2日ずつ実験を行い、1日の売上数を調べ たところ、下のようになった。因子A、Bは効果があると言えるか。
B1(した) B2(しない) A1(水曜日) 64、58 27、31 A2(土曜日) 61、69 56、50 A3(日曜日) 63、57 51、49
19.
19 二元配置のデータ作成
levA levB sales sales <- c(64,58,27,31,61,69, A1 B1 64 56,50,63,57,51,49) A1 B1 58 lev.A <- c(rep("A1",4), A1 B2 27 rep("A2",4),rep("A3",4)) A1 B2 31 lev.B <- rep(rep(c("B1","B2"),c(2,2)),3) A2 B1 61 sales.data <- data.frame(levA=lev.A, A2 B1 69 levB=lev.B,sales=sales) A2 B2 56 A2 B2 50 A3 B1 63 A3 B1 57 A3 B2 51 A3 B2 49
20.
20 二元配置のデータの分解式 • 一元配置と同様に分解できる • データ=平均+Aの影響+Bの影響+誤差
64、58 27、31 53、53 53、53 -8、-8 -8、-8 61、69 56、50 = 53、53 53、53 + 6、6 6、6 63、57 51、49 53、53 53、53 2、2 2、2 9、9 -9、-9 10、4 -9、-5 + 9、9 -9、-9 + -7、1 6、0 9、9 -9、-9 -1、-7 5、3
21.
21 二元配置の変動計算 一元配置と同様に計算可能
やはり二乗和分解できる 自由度も分解可能
22.
22 二元配置の分散分析表 summary(aov(sales~levA+levB,data=sales.data)) > summary(aov(sales~levA+levB,data=sales.data))
Df Sum Sq Mean Sq F value Pr(>F) 有意 levA 2 416 208 4.2449 0.055399 . levB 1 972 972 19.8367 0.002128 ** Residuals 8 392 49 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 結論:試食の提供の有無は売上に 影響があると言える! →これで十分な分析なのか?No!
23.
23 交互作用 • 水準の組み合わせにより発生する効果のこと • 繰り返し測定のある場合に測定できる •
交互作用も各因子の水準毎に平均を0とする • 交互作用の自由度は因子Aの水準数をm、因子 Bの水準数nとすると、(m-1)(n-1)になる B1 B2 合計 B1 B2 合計 A1 a ? 0 A1 a -a 0 A2 b ? 0 A2 b -b 0 A3 ? ? 0 A3 -(a+b) a+b 0 合計 0 0 0 合計 0 0 0
24.
24 傾向の把握その2 • interaction.plot(lev.A,lev.B,sales) •
線の間隔が一定でなければ交互作用効果がありそう A1と因子Bの組には極端 な変化がみられる!
25.
25 交互作用を考慮したデータの分解 • データ=平均+Aの影響+Bの影響+交互作用+誤差
64、58 27、31 53、53 53、53 -8、-8 -8、-8 61、69 56、50 = 53、53 53、53 + 6、6 6、6 63、57 51、49 53、53 53、53 2、2 2、2 9、9 -9、-9 7、7 -7、-7 3、-3 -2、2 + 9、9 -9、-9 + -3、-3 3、3 + -4、4 3、-3 9、9 -9、-9 -4、-4 4、4 3、-3 1、-1 10と4の平均=7 交互作用を考慮しない場合は 合わせて誤差になる
26.
26 交互作用を考慮した分散分析表 summary(aov(sales~levA+levB+levA:levB,data=sales.data)) or summary(aov(sales~levA*levB,data=sales.data))
Df Sum Sq Mean Sq F value Pr(>F) levA 2 416 208 13.00 0.0065918 ** levB 1 972 972 60.75 0.0002351 *** levA:levB 2 296 148 9.25 0.0146878 * Residuals 6 96 16 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 • 曜日と試食提供の有無の組合せも効果がある • 交互作用項ができたことで、残差の自由度以上に、 残差変動が減っている→交互作用は無視できない
27.
27 多元配置から方格を用いた実験へ • 多元配置の問題点 • 実験回数が指数的に増える
• n元配置で、k水準の実験を行うと最低k^n回必要 • ラテン方陣を用いるとある程度解決する • グレコ・ラテン方陣を使うと、更に効率よく実験可能
28.
28 ラテン方陣 • n*nの正方格子にn種類の文字を入れる • どの行方向、列方向にもすべての文字が1個ずつ
現れる C1 C2 C3 C2 C3 C1 C3 C1 C2
29.
29 ラテン方格と二元配置の関係
B1 B2 B3 ラテン方陣を用いた実験計 画をラテン方格という A1 C1 C2 C3 どの因子のどの水準に着目し A2 C2 C3 C1 ても、他の因子の水準が同数 実験されている A3 C3 C1 C2 (バランスが取れているという) バランスが取れていると、データ ラテン方陣は二元配置 の分解式が容易に作成できる に組み込むことができる
30.
30 ラテン方格利用時のデータの分解
B1 B2 B3 • これまでと同様に分解可能 A1 C1 C2 C3 • データ=平均+因子A,B,Cの効果+誤差 A2 C2 C3 C1 A3 C3 C1 C2 B1 B2 B3 A1 21 25 11 17 17 17 2 2 2 A2 5 27 16 = 17 17 17 + -1 -1 -1 A3 13 17 18 17 17 17 -1 -1 -1 -4 6 -2 5 1 6 1 1 0 + -4 6 -2 + -6 5 1 + -1 0 1 -4 6 -2 1 -6 5 0 1 -1
31.
31 グレコ・ラテン方陣
バランスが取れている α β γ δ a c d b αa βc γd δb β α δ γ b d c a 重ねる βb αd δc γa γ δ α β c a b d γc δa αb βd δ γ β α d b a c δd γb βa αc 直交・・・重ねたときに同じ文字の組み合わせがない 2個のラテン方陣の関係 • グレコ・ラテン方陣はラテン方陣を重ねたもの • 4水準4因子の実験が16回でできる(4元配置は4^4=256回)
32.
32 グレコ・ラテン方格で水準設定
B1 B2 B3 B4 A1 C1D1 C2D3 C3D4 C4D2 A2 C2D2 C1D4 C4D3 C3D1 A3 C3D3 C4D1 C1D2 C2D4 A4 C4D4 C3D2 C2D1 C1D3 グレコ・ラテン方陣で因子Cの水準にはギリシャ文字、 因子Dの水準にはアルファベットを割り当てる。 上の例では、以下のように水準を割り当てた。 α:C1、β:C2、γ:C3、δ:C4、a:D1、b:D2、c:D3、d:D4 データの分解や分散分析表の作り方はこれまでと同じ
33.
33 残差の寄せ集め(プーリング) • 分散分析表を作成した後に、不要と判明した因子 を誤差に取り込む • F値が1~2以下のものが対象になる
• 測定に伴う誤差程度しか分散がないから →因子が測定にまったく影響していない • 1自由度当たりの誤差変動は増えず、誤差の自由 度が増えるため、検定で有意になるためのF値が 小さくなる • 意味のある実験結果が得られる可能性が増す • 特に誤差の自由度が少ないときに有効
34.
34 方格から直交表へ • 二元配置に組み込めるk水準の因子はk-1個まで • k^2回の実験でk水準の因子がk+1個まで調べられる •
ただしk=p^s(pは素数、sは正の整数)の場合しか配 置が知られていない • k水準の因子がk+1個まで調べられる配置を整理し たものを直交表とよぶ
35.
35 実験計画法の原則(by フィッシャー) • 反復
• 誤差を評価できるようにする • 無作為化 • 慣れを防ぐ • 時間的・空間的な要因を排除する(気温・季節など) • 局所管理 • 要因以外の要素を極力一定にする • 例:生物の成長実験では体格が同じ個体を使う これまでの実験は、実はランダムに実験するべき内容 であることに注意!
36.
36 まとめ • 一元配置、二元配置の計算方法を紹介した • Rの出力結果を手計算で求めることもできる •
問題によっては交互作用を考えることがある • 方格を用いると、実験回数が多元配置より大幅 に減らせる
37.
37 参考資料 • よくわかる実験計画法(著:中村 義作) •
Rと分散分析(金明哲先生のWebページ) • http://mjin.doshisha.ac.jp/R/12.html • 統計学入門(東京大学出版会) • 自然科学の統計学(東京大学出版会)
38.
38 ご清聴ありがとうございました
39.
39 補足:因子変動の計算 • 実はデータの分解式を作らなくてもよい • 以下の式で計算可能
Download now