Downloaded 18 times
Wilson score intervalを使った信頼区間の応用
- 1. Wilson score intervalを 使った信頼区間の応用 株式会社 VOYAGE GROUP 中野智文 言語と統計2017
- 2. 背景 • 二項分布 • ベルヌーイ試行による分布 •ベルヌーイ試行の例：コインを投げた 後の表裏 • 二項分布の例：n回コインを投げて表がな 何回出るか • その応用 • コーパス中の語彙の頻度 • Web広告のクリックの頻度
- 3. 応用：コーパス語彙の頻度 • 専門英語における特徴語を抽出 • 特徴語のスコア •MIスコア、tスコア、対数尤度など • 上記のスコアの性質： • 一般的なコーパスでは低頻度（低出現 率）の語彙が専門的なコーパスで相対的 に高出現率で出現するものが特徴的と判 断される。
- 4. 応用における問題点 • 先の特徴スコアにおいて、低頻度であるの で、1回出現の有無により大きな影響がある。 • 例： •一般コーパスと比べ専門コーパスの出現 率が10倍だった • 一般コーパス（10億語）中100語のものが、 専門コーパス（100万語）中、1語出現。
- 5. 検定による解決 • 例 • ｔスコア、尤度比検定 •性質 • 独立性検定なので、独立でない可能性が 高ければ高いほど（語彙の頻度が大きい ほど）スコアが高い • 結果 • つまらない語彙(the, if, be動詞など)ばか りが上位となる
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12. 信頼区間を求める方法(二種類) • Wald法 • Wilsonscore interaval (score法)
- 13. Wald法 • 標本平均と標本分散から信頼区間を求めて いる • 標本平均：標本の平均 •標本分散：標本平均からの分散 • 母平均から求まる分散から正しい信頼区間 は求まるので、標本分散から求めた信頼区 間は不正確（信頼できない）
- 14. Wald 法のいいわけ • 中心極限定理により… •コーパスのサイズが大きくなると、標本平 均と標本分散は母平均と分散に近づく • ただし二項分布の場合は母平均が0.5に 近いとき • 我々が扱うのは母平均が0に近い時
- 15. 標本平均0、標本分散0 • 信頼区間は0±0です！ • 信頼区間がないということは、0％以外あり えないということですが、これは正しい信頼 区間ですか？(正しくないですよね) •すなわち標本数が１００万だったとしても 中心極限定理は適用できません
- 16. Wilson (score)の考え方 • ある母平均を仮定したとき、標本平均が起 こりうる信頼区間を偏差（母平均による分散 の二乗根）と正規分布のzを使って表す。 •母平均と実際の標本平均との差が上記信 頼区間からはみ出るかどうか
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23. • 両端がぎりぎりのときの母平均(仮説)を見れ ば良い。 • 次の２つが一致する母平均(仮説)を求める •母平均(仮説)と本当の標本平均との差の 二乗 • 母平均(仮説)と標本平均の信頼区間の 両端との差の二乗
- 24.
- 25. Wilson score interval •標本分散を使っているWald法に比べ正確。 • 境界値のみを計算しているので、（累積）密 度関数が必要なく、二乗根と四則演算が出 来れば計算ができる。 • SQLなどで実行可能。
- 26. 特徴語の例をWilsonで計算 • 10億で、100語 • (8.22e-8,1.22e-7) • 100万で、1語 • (1.77e-7, 5.66e-6) • 1.77e-7/1.22e-7=1.45倍 • 10倍と比べると
- 27. 10倍にしてみる • 10億で、1,000語 • (9.40e-7,1.06e-6) •100万で、10語 • (5.43e-6,1.84e-5) • 5.43e-6/1.06e-6=5.11倍
- 28. 100倍にしてみる • 10億で、10,000語 • (9.80e-6,1.02e-5) •100万で、100語 • (8.22e-5,0.000122) • 8.22e-5/1.02e-5=8.06倍 • 徐々に10倍に近づいてきた
- 29. まとめ • 頻度（出現率）が低い応用が多々ある • 語彙、特に特徴語 •標本分散は信頼区間を求めるのに不正確 • 標本分散が母平均を使った分散に近づ いていない • 結果Wald法は不正確 • Wilson score interval: • 母平均と分散を仮定することで解決 • 計算も容易
- 30. QA • Q1）信頼区間をどのように応用していくのか • A2）スライドにあった特徴語を抽出する例あ ります。またMIスコア内の確率を信頼上限、 信頼下限に置き換えて使う。 •Q2）Exact 法より正しいとあるのですが、そう いった文献がありますか？ • A2）Agresti 1998など。応用によっては保守 的な方がよい場合があったりするので、応 用依存にはなると思います。