Submit Search
Upload
Jap2017 ss65 優しいベイズ統計への導入法
•
Download as PPTX, PDF
•
4 likes
•
3,284 views
考司 小杉
Follow
日本心理学会第81回大会で発表したスライドです。
Read less
Read more
Education
Report
Share
Report
Share
1 of 27
Download now
Recommended
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
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
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
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
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
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
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
Recommended
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
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
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
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
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
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
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
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
Tokyo r53
Tokyo r53
Hiroshi Shimizu
統計学基礎
統計学基礎
Yuka Ezura
Introduction to statistics
Introduction to statistics
Kohta Ishikawa
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Hiroshi Shimizu
JPA2020 Symposium 3
JPA2020 Symposium 3
Jun Kashihara
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
理科教育学研究のための統計分析入門
理科教育学研究のための統計分析入門
Hiroshi Unzai
配る問題,かけ算の順序
配る問題,かけ算の順序
takehikom
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
takehikom
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
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
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
takehikom
2017年度 夏季統計ゼミ 08.24
2017年度 夏季統計ゼミ 08.24
Shunsuke UCHINO
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
広告プラットフォーム立ち上げ百鬼夜行
広告プラットフォーム立ち上げ百鬼夜行
Takahiro Ogoshi
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
Kosetsu Tsukuda
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
Shinnosuke Takamichi
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
アドテクスタジオのデータ分析基盤について
アドテクスタジオのデータ分析基盤について
kazuhiro ito
More Related Content
What's hot
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
Tokyo r53
Tokyo r53
Hiroshi Shimizu
統計学基礎
統計学基礎
Yuka Ezura
Introduction to statistics
Introduction to statistics
Kohta Ishikawa
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Hiroshi Shimizu
JPA2020 Symposium 3
JPA2020 Symposium 3
Jun Kashihara
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
理科教育学研究のための統計分析入門
理科教育学研究のための統計分析入門
Hiroshi Unzai
配る問題,かけ算の順序
配る問題,かけ算の順序
takehikom
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
takehikom
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
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
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
takehikom
2017年度 夏季統計ゼミ 08.24
2017年度 夏季統計ゼミ 08.24
Shunsuke UCHINO
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
What's hot
(16)
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)
Tokyo r53
Tokyo r53
統計学基礎
統計学基礎
Introduction to statistics
Introduction to statistics
Stanコードの書き方 中級編
Stanコードの書き方 中級編
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
JPA2020 Symposium 3
JPA2020 Symposium 3
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
理科教育学研究のための統計分析入門
理科教育学研究のための統計分析入門
配る問題,かけ算の順序
配る問題,かけ算の順序
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
2×3? 3×2? どっちでもいい? ~配る問題,かけ算の順序~ Ver.4.00
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
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
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
2x3? 3x2? どっちでもいい?~配る問題,かけ算の順序~
2017年度 夏季統計ゼミ 08.24
2017年度 夏季統計ゼミ 08.24
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
Viewers also liked
広告プラットフォーム立ち上げ百鬼夜行
広告プラットフォーム立ち上げ百鬼夜行
Takahiro Ogoshi
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
Kosetsu Tsukuda
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
STAIR Lab, Chiba Institute of Technology
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
Shinnosuke Takamichi
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
アドテクスタジオのデータ分析基盤について
アドテクスタジオのデータ分析基盤について
kazuhiro ito
VentureCafe_第2回:SIerでのキャリアパスを考える_ござ先輩発表資料 V1.0
VentureCafe_第2回:SIerでのキャリアパスを考える_ござ先輩発表資料 V1.0
Michitaka Yumoto
『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
Apache Kuduを使った分析システムの裏側
Apache Kuduを使った分析システムの裏側
Cloudera Japan
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
Jaccard係数の計算式と特徴(1)
Jaccard係数の計算式と特徴(1)
khcoder
最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
shindannin
ミリシタを支える GAE/Go
ミリシタを支える GAE/Go
Google Cloud Platform - Japan
(DL hacks輪読)Bayesian Neural Network
(DL hacks輪読)Bayesian Neural Network
Masahiro Suzuki
If文から機械学習への道
If文から機械学習への道
nishio
シリコンバレーの「何が」凄いのか
シリコンバレーの「何が」凄いのか
Atsushi Nakada
Viewers also liked
(16)
広告プラットフォーム立ち上げ百鬼夜行
広告プラットフォーム立ち上げ百鬼夜行
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
Lyric Jumper:アーティストごとの歌詞トピックの傾向に基づく歌詞探索サービス
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
多腕バンディット問題: 定式化と応用 (第13回ステアラボ人工知能セミナー)
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
日本音響学会2017秋 ビギナーズセミナー "深層学習を深く学習するための基礎"
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
アドテクスタジオのデータ分析基盤について
アドテクスタジオのデータ分析基盤について
VentureCafe_第2回:SIerでのキャリアパスを考える_ござ先輩発表資料 V1.0
VentureCafe_第2回:SIerでのキャリアパスを考える_ござ先輩発表資料 V1.0
『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
Apache Kuduを使った分析システムの裏側
Apache Kuduを使った分析システムの裏側
Active Learning 入門
Active Learning 入門
Jaccard係数の計算式と特徴(1)
Jaccard係数の計算式と特徴(1)
最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
ミリシタを支える GAE/Go
ミリシタを支える GAE/Go
(DL hacks輪読)Bayesian Neural Network
(DL hacks輪読)Bayesian Neural Network
If文から機械学習への道
If文から機械学習への道
シリコンバレーの「何が」凄いのか
シリコンバレーの「何が」凄いのか
More from 考司 小杉
Mds20190303
Mds20190303
考司 小杉
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
考司 小杉
HCG20181212
HCG20181212
考司 小杉
20180602kosugi
20180602kosugi
考司 小杉
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
考司 小杉
心理統計の課題をRmdで作る
心理統計の課題をRmdで作る
考司 小杉
Kandai R 入門者講習
Kandai R 入門者講習
考司 小杉
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
考司 小杉
距離と分類の話
距離と分類の話
考司 小杉
R stan導入公開版
R stan導入公開版
考司 小杉
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
考司 小杉
Hijiyama.R Entry session
Hijiyama.R Entry session
考司 小杉
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
考司 小杉
Mplus tutorial
Mplus tutorial
考司 小杉
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
考司 小杉
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
考司 小杉
Yamadai.R#3 Function
Yamadai.R#3 Function
考司 小杉
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
考司 小杉
Kenshu
Kenshu
考司 小杉
Yamadai.Rデモンストレーションセッション
Yamadai.Rデモンストレーションセッション
考司 小杉
More from 考司 小杉
(20)
Mds20190303
Mds20190303
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCG20181212
HCG20181212
20180602kosugi
20180602kosugi
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
心理統計の課題をRmdで作る
心理統計の課題をRmdで作る
Kandai R 入門者講習
Kandai R 入門者講習
学部生向けベイズ統計イントロ(公開版)
学部生向けベイズ統計イントロ(公開版)
距離と分類の話
距離と分類の話
R stan導入公開版
R stan導入公開版
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
Hijiyama.R Entry session
Hijiyama.R Entry session
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
Mplus tutorial
Mplus tutorial
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
Yamadai.R#3 Function
Yamadai.R#3 Function
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
Kenshu
Kenshu
Yamadai.Rデモンストレーションセッション
Yamadai.Rデモンストレーションセッション
Recently uploaded
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
koheioishi1
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
Takayuki Itoh
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
Recently uploaded
(7)
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
Jap2017 ss65 優しいベイズ統計への導入法
1.
優しいベイズ統計への 導入法 地方国立大学での実践例とともに SS-065 ベイズ統計をどう教えていくか-心理統計教育の中への取り入れについて考える- 話題提供:小杉考司(山口大学教育学部)
2.
自己紹介 • 所属;山口大学教育学部小学校コース心理学選修 • 専門;社会心理学 •
担当講義;心理学統計法,心理データ処理法(情報 処理演習),社会心理学,グループダイナミックス ,心理学実験,心理学研究演習
3.
求めるものが確率変数に 頻度主義 ベイズ主義 母数θ 定数
確率変数 データx,y 確率変数 定数 頻度主義では,たった一つの真値を求めて慎重に議論する ベイズ主義では,データから考えられる母数の分布を考える →仮説は真か偽のどちらかである →確信できる程度を見定める 3 (C)岡田先生 実際に用いたスライドの例
4.
信頼区間 Confidential Intervals 信頼「区間」というが,分布の情報を持っていない =幅ではないことに注意 出典;山内光哉(著)心理教育のための統計法第二版.サイエンス社
5.
確信区間 Credible Intervals あるいは最高密度区間 Highest Density
Intervals 確信できる「区間」でμの取りうる可能性の広さ 幅が狭い=自信がある/幅が広い=自信がない
6.
ベイジアンになると 何がどう変わるのか • 帰無仮説検定の文脈でいうと,変わるポイントは次の二 点だけです。 • 「点」から「幅」へ •
「ないない」から「あるある」へ (告知)最終日の午後にこのテーマでTWSします。
7.
「点」から「幅」へ • これまでは「点」の表現だったので,仮説は「真か偽か 」の二択,一点張り • 母平均を標本平均から推定しても,点推定なのでほ ぼ確実に外れている。信用区間で表現しても結果は 「当たるか外れるか」 •
ベイジアンは母数が確率分布=幅をもっているので,仮 説は「どれぐらい確からしいか」であり,幅の広さで自 信の強さを表現するようになる
8.
「ないない」から「あるある」へ • 帰無仮説検定は「ないない」づくし • 帰無仮説は差が「ない」とする •
t検定の場合,muA=muBの一点張り • それに従って統計量を算出しp値を計算 • 差が「ない」とは「いえない」,が結論
9.
「ないない」から「あるある」へ • ベイジアンは「あるある」で語る • 手元のデータから確率変数としての母数を推定する •
母数はこの辺りに「ある」という • 群間の差が0である可能性がこれぐらい「ある」。もち ろん差がある可能性がこれぐらい「ある」ともいう。 • 一点張りでないので,幅を持って自信の強さを表現
10.
何が変わるか • 従来型仮説検定の話も,「差があるかないかだけの1bit判 断になるのはやめよう」,「効果量をみよう」,「検定 力を考えよう」となって来ている→点から幅へ。 • ベイズ統計ではそもそも「効果の大きさをみる」ので幅 の話。意味のある幅にしたければたくさんのデータ(エ ビデンス)にサポートされなければならない。 •
方針の流れとしては同じとも言える
11.
最大のメリット • 初心者にとっての誤用が少なくなる! • 嘘をつかなくて良くなる! •
タイプ1/2エラー,信用区間,効果量と例数設計,下位検 定,一実験あたりの危険率など,15回の授業ではサポー トしきれない。嘘を教えているような心苦しさ。 • 「モデルに基づく事後分布の生成」さえできれば,切り 取り方は自由,読み取り方も素直で,誤用が少ない。
12.
授業の実践例
13.
本学での(旧)カリキュラ ム H27度より養成課程一本化に あわせてカリキュラムのスリム化 (教職関係科目が増えたため) 基本的な枠組みは変えてません
14.
対象クラスの特徴 • 受講生10名+上級生数名の少人数クラス • 上級生(ゼミ生)は自主的にTA役をやってくれる •
全員がノートパソコン所有。学内無線LANもあり。 • 「研究法」の話があるので,尺度水準や実験計画法,仮 説検定の考え方などはすでに一度聞いたことがある状態
15.
今年度の計画
16.
実際のところ 6/7 Rのアップデート 欠席者or環境依存の 問題などで整えるのに 時間がかかる・・・ 実習
17.
実行前の配慮 • (数年前から)統計環境はRに移行済み • 三年時の演習担当者,基礎系教員にベイズ統計で教える 承認を得る→従来型統計も教えてね,との注文も •
基礎系教員と院生を対象にベイズ統計の概略をレク
18.
教え方の工夫 • 「乱数」の考え方は学生にとって比較的身近(テレビゲー ムのおかげ?) • 確率分布の理論的な式はわからなくても,rnormで発生さ せた乱数のヒストグラムを書くと「こういう形なのね」 というのがわかる •
stanを始めとするベイジアンソフトウェアは自分のモデ ルに沿った乱数発生器である,と説明 • 自分のモデルというのも正規分布しか使っていない
19.
ex)気になるあの人と デートに行こう • 頻度主義者の場合;「相手が私に全く気がないとすると ,そういう人がデートに来てくれる可能性は極めて低い ので,あの人は私に気がないとは言えない」 • ベイズ主義者の場合;「相手が私に気があるとする可能 性が50%ぐらいだと思っていたが,デートに来てくれる ということはこの可能性は80%にあがったかも。私の読 みではかなりの確率であの人は私に気がある」 実際に用いたスライドの例
20.
今回の例 M社のフライドポテト 製造に関する設定 μ σ ポテトは平均μ 標準偏差σで 分布する正規分布 に従うのでは? 実際に用いたスライドの例
21.
目的 • (M社にしかわからない)ポテト製造ルール,ポテト生 成機の設定があって,そこからポテトが作られている • たぶんそのポテト製造ルール(機械)は正規分布のポテ トを生産する •
ルール,設定が知りたい=正規分布のパラメタが知りた い。(※正規分布のパラメタは平均と標準偏差) • 答えは確率的にしかわからない。だって企業秘密だもん 。 実際に用いたスライドの例
22.
ポテト学? • 我々がやりたいことはポテト学ではなく,心理学で ある←わかる • ポテトの長さはあくまでも一例。これを心理テスト ,尺度のスコアと考えてみよう。 •
心理学的研究のほとんどは「平均の比較」,しかも 正規分布を仮定したもの,なので,このポテト学が そのまま応用できます。 実際に用いたスライドの例
23.
これだけは覚えて帰っ て • 事前に一切の仮定を置かないor自分の主張と全く逆のとこ ろから論を立てる(背理法)の良さ • 結果が「でた・でない」だけの判断に陥る愚は避ける •
従来型の仮説検定法は「厳格な手続き」で「様々な仮定 」の上に成り立っているので,一つでも失敗すると間違 った結果を報告することになる! 実際に用いたスライドの例
24.
大事なのは 選択できること 実際に用いたスライドの例
25.
実際苦労するポイント • 環境が整わない,足並みが揃わない • プログラミングに対する苦手意識。「思った通りに動く のではなくて,書いた通りに動く」ことの厳しさ。 •
乱数なので必ずしも答えが揃うわけではない • 最終レポートもソースコードを添付するように指示 今回全員数字が違っていたのでそれぞれの環境で走らせてはいたようだが, ソースコードのコピペがあるかどうかは見抜けない 可能なら Rstudio-serverを用意して環境の一元管理を。
26.
ちょっと心配なこと • かなりベイズ寄りになってしまった? • 帰無仮説検定の考え方(特に背理法であること)は研 究上有用な視点であることは強調したつもり •
ただ,従来のやり方だと色々手続きが細かくて面白く なさそうだなあ,という印象を与えている。事実そう だとしても,やりすぎには注意しないと・・・。
27.
優しいベイズ統計への 導入法 地方国立大学での実践例とともに SS-065 ベイズ統計をどう教えていくか-心理統計教育の中への取り入れについて考える- 話題提供:小杉考司(山口大学教育学部)
Download now