Download as PDF, PPTX
ベイズモデリングと仲良くするために
- 1.
- 2.
- 3.
- 4.
- 5.
- 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.
- 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 (Ahnet 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.
- 14.
- 15.
- 16.
- 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.
- 20.
- 21.
- 22.
- 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.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 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.
- 38.
- 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.
- 42.
- 43.
- 44.
- 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.
- 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.
- 49.
- 50. Topicごとに手を動かして学ぶ https://www.rensvandeschoot.com/tutorials/ • Rens vande SchootによるStats Training
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 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.
- 59.
- 60.
- 61.
- 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.
- 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.
- 68.
- 69.
- 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.
- 72.
- 73.
- 74.
- 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.
- 77.
- 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.
- 80.