Submit Search
Upload
1 7.Type II ANOVA
•
9 likes
•
23,055 views
L
logics-of-blue
Follow
2013年8月10~11日にかけて北大函館キャンパス内で行われた統計勉強会の投影資料です。 1-7.Type II ANOVA Type II ANOVAに関する説明です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 14
Recommended
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布
logics-of-blue
1 2.t検定
1 2.t検定
logics-of-blue
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
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
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
Recommended
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布
logics-of-blue
1 2.t検定
1 2.t検定
logics-of-blue
1 3.分散分析 anova
1 3.分散分析 anova
logics-of-blue
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
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
2 2.尤度と最尤法
2 2.尤度と最尤法
logics-of-blue
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
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
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
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
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
負の二項分布について
負の二項分布について
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
1 1.はじめに
1 1.はじめに
logics-of-blue
1 8.交互作用
1 8.交互作用
logics-of-blue
More Related Content
What's hot
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
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
1 6.変数選択とAIC
1 6.変数選択とAIC
logics-of-blue
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
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
Hikaru GOTO
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
負の二項分布について
負の二項分布について
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
What's hot
(20)
社会心理学とGlmm
社会心理学とGlmm
2 3.GLMの基礎
2 3.GLMの基礎
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
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
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
1 6.変数選択とAIC
1 6.変数選択とAIC
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
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
統計的因果推論勉強会 第1回
統計的因果推論勉強会 第1回
階層ベイズとWAIC
階層ベイズとWAIC
負の二項分布について
負の二項分布について
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
質的変数の相関・因子分析
質的変数の相関・因子分析
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
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
潜在クラス分析
潜在クラス分析
Viewers also liked
1 1.はじめに
1 1.はじめに
logics-of-blue
1 8.交互作用
1 8.交互作用
logics-of-blue
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
logics-of-blue
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
予測理論とpredictability
予測理論とpredictability
logics-of-blue
El naixement d'una llengua
El naixement d'una llengua
gerard vilanova
Viewers also liked
(7)
1 1.はじめに
1 1.はじめに
1 8.交互作用
1 8.交互作用
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 1.一般化線形モデル色々_CPUE標準化
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 1.予測と確率分布
2 1.予測と確率分布
予測理論とpredictability
予測理論とpredictability
El naixement d'una llengua
El naixement d'una llengua
Recently uploaded
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
Recently uploaded
(10)
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
1 7.Type II ANOVA
1.
Type II ANOVA 1 1日目-第7講 名前:馬場真哉 所属:北大水産
修士課程2年 Webサイト: logics of blue で検索
2.
2 正規線形モデルの理解のために 統計の基本とt検定 分散分析(ANOVA) 回帰分析と分散分析 PB検定と確率分布 変数選択とAIC ここまで来た!! Type II ANOVA、交互作用
3.
3 モデル|Y ~ X1
+ X2 + Option1 + Option2 モデル|Y ~ X1 ナイーブ予測 モデル|Y ~ X1 + X2 モデル|Y ~ X1 + X2 + Option1 モデル|Y ~ X1 + X2 + Option1 + Option2 予測残差は“有意に”減ったか? 検定 比較・検定 比較・検定 検定の仕組み、覚えてますか?
4.
4 モデル|Y ~ X1
+ Option1 + X2 + Option2 モデル|Y ~ X1 ナイーブ予測 モデル|Y ~ X1 +Option1 モデル|Y ~ X1 + Option1 + X2 モデル|Y ~ X1 + Option1 + X2 + Option2 予測残差は“有意に”減ったか? 検定 比較・検定 比較・検定 並び順を変えてみた
5.
5 検定結果の解釈 この2種類の検定は意味が違う X1に追加でX2を入れた時の残差の減少 X1とOption1に追加でX2を入れた時の残差の減少 モデル|Y ~ X1
+Option1 モデル|Y ~ X1 + Option1 + X2 検定 モデル|Y ~ X1 モデル|Y ~ X1 + X2 検定
6.
6 普通のANOVA 普通のANOVAは 不便 ですよね? Type II ANOVA
を使おう!
7.
7 モデル|Y ~ X1
+ X2 + Option1 + Option2 予測残差は“有意に”増えたか? を検定 Type II ANOVA モデル|Y ~ + X2 + Option1 + Option2 X1を抜くことによって「有意に」予測残差が増えた →X1はYを予測するモデルに必要不可欠な存在である →ほかの変数(Option1等)があったとしても、 それでもX1という変数が必要なのかどうか検定
8.
8 モデル|Y ~ X1
+ X2 + Option1 + Option2 予測残差は“有意に”増えたか? を検定 Type II ANOVA モデル|Y ~ X1 + + Option1 + Option2 モデル|Y ~ X1 + X2 + + Option2 モデル|Y ~ X1 + X2 + Option1 + モデル|Y ~ + X2 + Option1 + Option2
9.
9 普通のANOVA、Type II ANOVA モデル|Y
~ X1 ナイーブ予測 普通のANOVA Type II ANOVA モデル|Y ~ X1 + X2 + Option1 + Option2 モデル|Y ~ + X2 + Option1 + Option2 変数を増やすと予測残差は“有意に”減ったか? 変数を減らすと予測残差は“有意に”増えたか?
10.
10 まとめ Type II ANOVA モデル|Y
~ X1 + X2 + Option1 + Option2 モデル|Y ~ + X2 + Option1 + Option2 変数を減らすと予測残差は“有意に”増えたか? ほかの変数が入った状態で、 X1 という変数の必要性を検定している 質問どうぞ!
11.
11 実演 Type II ANOVAを利用して 売り上げをアップさせよう!!
12.
12 チラシ配布枚数 経験年数 性別昼夜 利益
13.
13 チラシ配布枚数 経験年数 性別昼夜 利益
14.
14 採るべき施策 配布枚数 経験 性別昼夜 利益 チラシの配布枚数を増やせるような施策を打とう 経験豊富な社員を大事にして、配布枚数を増やそう (女性でも)夜にチラシを配ってもらおう 変数選択に 選ばれなくても 重要でありうる 質問どうぞ!