Submit Search
Upload
心理学における「再現性」の問題とBayes Factor
•
Download as PPTX, PDF
•
9 likes
•
5,304 views
S
Shushi Namba
Follow
Japan.R 2016 LT発表資料です。
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 31
Download now
Recommended
forestFloorパッケージを使ったrandomForestの感度分析
forestFloorパッケージを使ったrandomForestの感度分析
Satoshi Kato
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
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Shuhei Ichikawa
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
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
再現性問題は若手研究者の突破口
再現性問題は若手研究者の突破口
Yuki Yamada
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
Recommended
forestFloorパッケージを使ったrandomForestの感度分析
forestFloorパッケージを使ったrandomForestの感度分析
Satoshi Kato
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
03 「重回帰分析」の入門
03 「重回帰分析」の入門
Shuhei Ichikawa
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
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
再現性問題は若手研究者の突破口
再現性問題は若手研究者の突破口
Yuki Yamada
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
正準相関分析
正準相関分析
Akisato Kimura
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
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
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
統計的係り受け解析入門
統計的係り受け解析入門
Yuya Unno
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習で嘘をつく話
機械学習で嘘をつく話
Satoshi Hara
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
テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明
tmtm otm
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
MICの解説
MICの解説
logics-of-blue
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
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
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
心理学者のためのJASP入門(操作編)[説明文をよんでください]
心理学者のためのJASP入門(操作編)[説明文をよんでください]
daiki hojo
『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
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
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
Takashi Yamane
More Related Content
What's hot
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
正準相関分析
正準相関分析
Akisato Kimura
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
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
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
統計的係り受け解析入門
統計的係り受け解析入門
Yuya Unno
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習で嘘をつく話
機械学習で嘘をつく話
Satoshi Hara
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
テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明
tmtm otm
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
MICの解説
MICの解説
logics-of-blue
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
Atsushi Hayakawa
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
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
心理学者のためのJASP入門(操作編)[説明文をよんでください]
心理学者のためのJASP入門(操作編)[説明文をよんでください]
daiki hojo
『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
What's hot
(20)
階層ベイズとWAIC
階層ベイズとWAIC
正準相関分析
正準相関分析
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
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
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
Stanコードの書き方 中級編
Stanコードの書き方 中級編
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
統計的係り受け解析入門
統計的係り受け解析入門
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
機械学習で嘘をつく話
機械学習で嘘をつく話
GEE(一般化推定方程式)の理論
GEE(一般化推定方程式)の理論
テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明
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
MICの解説
MICの解説
Visual Studio CodeでRを使う
Visual Studio CodeでRを使う
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)
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
心理学者のためのJASP入門(操作編)[説明文をよんでください]
心理学者のためのJASP入門(操作編)[説明文をよんでください]
『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
Viewers also liked
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
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
Takashi Yamane
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
Rstudio事始め
Rstudio事始め
Takashi Yamane
変数同士の関連_MIC
変数同士の関連_MIC
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
20160730tokyor55
20160730tokyor55
Med_KU
Factorization machines with r
Factorization machines with r
Shota Yasui
Osaka.Stan #3 Chapter 5-2
Osaka.Stan #3 Chapter 5-2
Takayuki Goto
可視化周辺の進化がヤヴァイ 〜2016〜
可視化周辺の進化がヤヴァイ 〜2016〜
Takashi Kitano
高速・省メモリにlibsvm形式で ダンプする方法を研究してみた
高速・省メモリにlibsvm形式で ダンプする方法を研究してみた
Keisuke Hosaka
負の二項分布について
負の二項分布について
Hiroshi Shimizu
てかLINEやってる? (Japan.R 2016 LT) #JapanR
てかLINEやってる? (Japan.R 2016 LT) #JapanR
cancolle
RStanとShinyStanによるベイズ統計モデリング入門
RStanとShinyStanによるベイズ統計モデリング入門
Masaki Tsuda
20161127 doradora09 japanr2016_lt
20161127 doradora09 japanr2016_lt
Nobuaki Oshiro
木と電話と選挙(causalTree)
木と電話と選挙(causalTree)
Shota Yasui
Tidyverseとは
Tidyverseとは
yutannihilation
Randomforestで高次元の変数重要度を見る #japanr LT
Randomforestで高次元の変数重要度を見る #japanr LT
Akifumi Eguchi
初心者のためのRとRStudio入門 vol.2
初心者のためのRとRStudio入門 vol.2
OWL.learn
Viewers also liked
(20)
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!!
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
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
Rstudio事始め
Rstudio事始め
変数同士の関連_MIC
変数同士の関連_MIC
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
20160730tokyor55
20160730tokyor55
Factorization machines with r
Factorization machines with r
Osaka.Stan #3 Chapter 5-2
Osaka.Stan #3 Chapter 5-2
可視化周辺の進化がヤヴァイ 〜2016〜
可視化周辺の進化がヤヴァイ 〜2016〜
高速・省メモリにlibsvm形式で ダンプする方法を研究してみた
高速・省メモリにlibsvm形式で ダンプする方法を研究してみた
負の二項分布について
負の二項分布について
てかLINEやってる? (Japan.R 2016 LT) #JapanR
てかLINEやってる? (Japan.R 2016 LT) #JapanR
RStanとShinyStanによるベイズ統計モデリング入門
RStanとShinyStanによるベイズ統計モデリング入門
20161127 doradora09 japanr2016_lt
20161127 doradora09 japanr2016_lt
木と電話と選挙(causalTree)
木と電話と選挙(causalTree)
Tidyverseとは
Tidyverseとは
Randomforestで高次元の変数重要度を見る #japanr LT
Randomforestで高次元の変数重要度を見る #japanr LT
初心者のためのRとRStudio入門 vol.2
初心者のためのRとRStudio入門 vol.2
More from 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
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
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
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
More from Shushi Namba
(8)
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
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
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
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)
心理学における「再現性」の問題とBayes Factor
1.
心理学の「再現性」 問題に関して、Rと Bayesでアプローチしてて 僕がめっさ興奮した話 2016/11/27 Japan.R 2016 LT 発表者:@NSushi
2.
自己紹介 • 難波修史 @Nsushi •
広島のバイキンマンです • 広島大学教育学研究科心理学専攻D1 • 専門:顔、感情、ド文系 • 興味:ベイズ、ラブライブ(にこまき • 使用言語:Python, R • R歴:初心者
3.
今日の話題 •最近ぼくがめっちゃ興奮した話 心理学で流行りの「再現性」の話 + 僕の専門領域 (顔と感情の関連)
の話 + 心理学でも注目されてる「ベイズ」の話 僕がめっちゃ興奮をした!!
4.
背景:心理学の「再現性」 • Science誌の論文 (2015)
以降、注目された話題 • 簡単にいうと、「過去に報告された心理学実験 の結果が再現されねえ → 科学的に問題」 噂の論文
5.
へーそうかぁ。大事よなぁ。
6.
そんな風に思っていたある日…!
7.
表情と感情の対応(発表者の専門)に 関する研究にも矛先が向けられる!
8.
なんやねんその論文
9.
Wagenmakers et al.
(2016) • 表情と感情の対応に関する研究(表情フィード バック仮説)の「再現性」を検討する研究。 • お相手は当該分野におけるもっとも引用されて きたStrack et al (1988) の実験 この論文のおかげで、ぼくは死ぬ。
10.
表情フィードバック仮説? •笑うと楽しくなるって話 •笑顔を作成 (ペンくわえる) → 漫画がよりおもしろく!
11.
結果の一部 先行研究 追試研究
12.
にっこにこにー=笑顔を作成 → 幸せ(FFBHの観点から
13.
にっこにこにー=笑顔を作成 → 幸せ(FFBHの観点から
14.
にっこにこにー=笑顔を作成 → 幸せ(FFBHの観点から 当該領域の権威が 再現されなかった 今冬から FFBH研究を はじめた僕
15.
ここまではただの僕のつらみ (前フリ
16.
ところでベイジアンのみなさん
17.
18.
19.
20.
Q. 誰やねん? A. Bayesian
Cognitive Modeling (ぼくがベイズ にはまるきっかけの本・ 聖書) の著者の一人
21.
+JASP (ベイズ統計を簡単に行 うフリーソフト) の創始者 +イケメン
22.
ということは…?
23.
24.
そうだね!ベイズだね!!
25.
心理学「再現性」研究における ベイズの有用性 1.ベイズの定理で事後分布を求める=事前情報 とデータの積 → 事前データを用いれる 2.Bayes
Factorを求めれる=対立仮説との対応 から帰無仮説の積極的な支持を行うことが可能 • 今回は過去のFFBH研究を事前情報として 取り入れたうえ(1)で、帰無仮説が支 持されるかどうかという「再現性」 (2) を直接検討できる!!!
26.
心理学「再現性」研究における Rの有用性 1.フリーのソフトであるRのscriptをオープン ソース = 同じ解析の再現を行える! 2.なんとOpen
Science Framework において データ・Rコードなど解析に関するすべてが https://osf.io/h2f98/.にて入手可能 •僕のお家でも、BFを用いた世界中の 表情フィードバック仮説の再現性研 究(の解析)ができるゾ!!!
27.
あぁ~^再現されないんじゃぁ~^ Default BF10 = H1重視の
cauchy 分布 (r = 0.707) が事前分布 (詳細 はLy et al. in press参照) Replication BFr0 =先行研究が事前分布 1以上=対立仮説 (笑顔の 効果がPositive) 支持 1以下=帰無仮説支持
28.
コードも公開されてます!! コード長すぎるか ら君の目で勝手に 確かめてくれ!
29.
論文読んでる時の僕 BF, 心理学実験
30.
結論 • 心理学の「再現性」研究にこそRを用いた Bayesを! • だから誰か一緒に「再現性」研究をやり ませんか?友達ほしいです。 (余談)表情フィードバックの研究はペン ホールディング法(ペンはさむやつ)以外の方 法で知見を増やす
→ にこちゃんの教え (にっこにっこにー)が正しいことを証明する。
31.
Smile !
Download now