以下の類似セミナーへのお申込みをご検討ください。
ベイズ統計によるデータ分析のすすめ方【入門講座】~ベイズ統計の基本から各モデリング手法の理解・実践まで~
ベイズ統計学の基礎とデータ分析・予測への応用
ベイズ統計学の基礎と演習
ChatGPTによる丸投げ統計解析/解析結果の解釈~プロンプト(命令文)を書くだけでOK~<ChatGPT4:記述統計/推測統計/一般化線形モデル>
ベイズ最適化による実験計画法の基礎と具体的すすめ方
ベイズ統計から学ぶ統計的機械学習
品質統計解析の分析法バリデーションへの応用
ChatGPTによる「丸投げ統計解析」の実施法【Live配信 or アーカイブ配信】
統計モデリング入門:一般化線形モデルから階層ベイズモデルへ
開催日 |
12:30 ~ 16:30 締めきりました |
---|---|
主催者 | 株式会社 情報機構 |
キーワード | SQC一般 回帰分析 |
開催エリア | 東京都 |
開催場所 | 【品川区】きゅりあん |
交通 | 【JR・東急・りんかい線】大井町駅 |
講師
北海道大学 地球環境科学研究院 助教 博士(理学) 久保 拓弥 先生
受講料
1名41,040円(税込(消費税8%)、資料付)
*1社2名以上同時申込の場合 、1名につき30,240円
*学校法人割引 ;学生、教員のご参加は受講料50%割引。
セミナーポイント
■はじめに
このセミナーは統計モデリングの初心者むけのもので,とくに一般化線形モデル (GLM) とその階層ベイズモデル化について説明します.簡単で具体的な例題の解決にとりくみながら,統計ソフトウェア R などを利用したパラメーター推定法もふくめて解説します.前半では「直線あてはめ」の統計モデルで何でも解決するのではなく,データの構造をよく見て適切な確率分布を部品とする統計モデルを作って解決する方法について説明します.その例としてポアソン回帰・ロジスティック回帰などの統計モデルである GLM を紹介します.後半では,これを発展させて,観測データから直接推定するのが困難な「個体差・地域差」などのばらつきの効果も考慮するために GLM を階層ベイズモデル化します.このようにベイズモデルの考えかたを導入することで,モデルの見通しがよくなり,より良い推定結果が得られる例などを紹介します.
■受講対象
・データ解析の入門者,統計ソフトウェアを理解して使いたい人
※注意:このセミナーでは数理統計学的な内容はあつかいません
■必要な予備知識
・「直線あてはめとは何か」「正規分布とは何か」ぐらいは知っていると想定して説明します.
■本セミナーに参加して修得できること
・R を使った統計モデルあてはめの基礎
・一般化線形モデル (GLM) の基礎
・パラメーター推定の基礎
・階層ベイズモデルの基礎
セミナー内容
※注意:このセミナーでは数理統計学的な内容は扱いません。
1.データ解析のための統計モデル
・データ解析には「統計モデル」が必要
・「なんでも正規分布」ではない:二項分布など
・統計モデルの設計・推定・予測
・確率分布と最尤推定
2.一般化線形モデル (GLM) と最尤推定
・統計ソフトウェア R
・R を使ったデータ解析
・「直線回帰のモデル」の拡張
・R を使ったロジスティック回帰
・「なんでも割り算」はだめ
3.GLM ではうまく説明できない過分散
・割合のデータなのに二項分布ではない
・データに観測されない「個体差」
・個体差と過分散
・個体差の統計モデル:一般化線形混合モデル(GLMM)
4.ベイズ推定の準備: マルコフ連鎖モンテカルロ法
・最尤推定のアルゴリズム
・最尤推定の改良:マルコフ連鎖モンテカルロ法 (MCMC)
・MCMC のためのソフトウェア (JAGS を使う予定)
5.階層ベイズモデル
・過分散を説明するための階層ベイズモデル
・ローカル/グローバルなパラメーター
・パラメーターの事前分布
・事後分布からの MCMC サンプリング
・階層ベイズモデルの発展:個体差+地域差