Submit Search
Upload
相関係数は傾きに影響される
•
1 like
•
14,019 views
Mitsuo Shimohata
Follow
相関係数は、回帰直線からの解離度だけでなく、傾きにも影響されることを説明。
Read less
Read more
Education
Report
Share
Report
Share
1 of 6
Download now
Download to read offline
Recommended
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
MICの解説
MICの解説
logics-of-blue
Recommended
グラフィカル Lasso を用いた異常検知
グラフィカル Lasso を用いた異常検知
Yuya Takashina
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
MICの解説
MICの解説
logics-of-blue
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
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
線形計画法入門
線形計画法入門
Shunji Umetani
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
『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
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
Hideo Hirose
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)
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Tomonari Masada
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
相関係数と決定係数~回帰係数とその不偏性も
相関係数と決定係数~回帰係数とその不偏性も
T T
ベクトルで理解する相関係数
ベクトルで理解する相関係数
Satoshi MATSUURA
More Related Content
What's hot
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
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
線形計画法入門
線形計画法入門
Shunji Umetani
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
『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
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
Issei Kurahashi
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
tmtm otm
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
Hideo Hirose
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)
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Tomonari Masada
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
What's hot
(20)
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
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
線形計画法入門
線形計画法入門
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
『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
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
一般化線形混合モデル isseing333
一般化線形混合モデル isseing333
不均衡データのクラス分類
不均衡データのクラス分類
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
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)
2 3.GLMの基礎
2 3.GLMの基礎
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Stanコードの書き方 中級編
Stanコードの書き方 中級編
トピックモデルの基礎と応用
トピックモデルの基礎と応用
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
階層ベイズとWAIC
階層ベイズとWAIC
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
変分ベイズ法の説明
変分ベイズ法の説明
Viewers also liked
相関係数と決定係数~回帰係数とその不偏性も
相関係数と決定係数~回帰係数とその不偏性も
T T
ベクトルで理解する相関係数
ベクトルで理解する相関係数
Satoshi MATSUURA
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
Ken'ichi Matsui
がうす・まるこふ の定理とかそのへん
がうす・まるこふ の定理とかそのへん
T T
統計勉強会Vol1
統計勉強会Vol1
Yuto Suzuki
Rで学ぶミニミニビッグデータ分析入門-第2回
Rで学ぶミニミニビッグデータ分析入門-第2回
Naruhiko Shiratori
Bra kobe.r12
Bra kobe.r12
florets1
図解入門最新マーケティング・リサーチがよーくわかる本(2)
図解入門最新マーケティング・リサーチがよーくわかる本(2)
MROC Japan
データ解析
データ解析
Issei Kurahashi
第5章glmの尤度比検定と検定の非対称性 前編
第5章glmの尤度比検定と検定の非対称性 前編
T T
データ解析・統計講座②
データ解析・統計講座②
uenotsutomu
Rで学ぶミニミニビッグデータ分析入門-第3回
Rで学ぶミニミニビッグデータ分析入門-第3回
Naruhiko Shiratori
統計学超入門 アップロード用
統計学超入門 アップロード用
w24nishi
100人のための統計解析 和食レストラン編
100人のための統計解析 和食レストラン編
. .
Rで学ぶミニミニビッグデータ分析入門-第1回
Rで学ぶミニミニビッグデータ分析入門-第1回
Naruhiko Shiratori
ビジネスリテラシーとしての統計 ビッグデータと統計の活用
ビジネスリテラシーとしての統計 ビッグデータと統計の活用
Rakuten Group, Inc.
第10章後半「ブースティングと加法的木」
第10章後半「ブースティングと加法的木」
T T
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践
id774
Data scientist casual talk in 白金台
Data scientist casual talk in 白金台
Hiroko Onari
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
Viewers also liked
(20)
相関係数と決定係数~回帰係数とその不偏性も
相関係数と決定係数~回帰係数とその不偏性も
ベクトルで理解する相関係数
ベクトルで理解する相関係数
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
「内積が見えると統計学も見える」第5回 プログラマのための数学勉強会 発表資料
がうす・まるこふ の定理とかそのへん
がうす・まるこふ の定理とかそのへん
統計勉強会Vol1
統計勉強会Vol1
Rで学ぶミニミニビッグデータ分析入門-第2回
Rで学ぶミニミニビッグデータ分析入門-第2回
Bra kobe.r12
Bra kobe.r12
図解入門最新マーケティング・リサーチがよーくわかる本(2)
図解入門最新マーケティング・リサーチがよーくわかる本(2)
データ解析
データ解析
第5章glmの尤度比検定と検定の非対称性 前編
第5章glmの尤度比検定と検定の非対称性 前編
データ解析・統計講座②
データ解析・統計講座②
Rで学ぶミニミニビッグデータ分析入門-第3回
Rで学ぶミニミニビッグデータ分析入門-第3回
統計学超入門 アップロード用
統計学超入門 アップロード用
100人のための統計解析 和食レストラン編
100人のための統計解析 和食レストラン編
Rで学ぶミニミニビッグデータ分析入門-第1回
Rで学ぶミニミニビッグデータ分析入門-第1回
ビジネスリテラシーとしての統計 ビッグデータと統計の活用
ビジネスリテラシーとしての統計 ビッグデータと統計の活用
第10章後半「ブースティングと加法的木」
第10章後半「ブースティングと加法的木」
統計学における相関分析と仮説検定の基本的な考え方とその実践
統計学における相関分析と仮説検定の基本的な考え方とその実践
Data scientist casual talk in 白金台
Data scientist casual talk in 白金台
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
More from Mitsuo Shimohata
決定木学習
決定木学習
Mitsuo Shimohata
ハイブリッド型樹木法
ハイブリッド型樹木法
Mitsuo Shimohata
因子分析
因子分析
Mitsuo Shimohata
セイバーメトリクス
セイバーメトリクス
Mitsuo Shimohata
ワイン方程式
ワイン方程式
Mitsuo Shimohata
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
More from Mitsuo Shimohata
(6)
決定木学習
決定木学習
ハイブリッド型樹木法
ハイブリッド型樹木法
因子分析
因子分析
セイバーメトリクス
セイバーメトリクス
ワイン方程式
ワイン方程式
質的変数の相関・因子分析
質的変数の相関・因子分析
Recently uploaded
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
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
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
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
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
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
Recently uploaded
(7)
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
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
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
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
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
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
相関係数は傾きに影響される
1.
どうしてデータの分布が垂直(水平)に 近くなると、相関係数は低くなるのか? (回帰直線からの散らばりは小さくても) 相関係数は傾きの影響を受ける (水平(垂直)に近いほど影響大) by 下畑光夫 2014.1.29
2.
相関係数とは ※ x,yとも平均は0に調整したとする x
x , y y 第1象限:+に寄与 x x , y y 第3象限:+に寄与 x x , y y 第2象限:-に寄与 x x , y y 第4象限:-に寄与 II I III IV つまり、回帰直線からの密集度だけでなく、 (x,y)がどの象限にあるかも影響する 回帰直線からの密集度だけではない
3.
ということは傾きによって各象限に入る データの個数が変わる 回帰直線が45度だと、 2,4象限は最小 傾きが小さくなると 2,4象限が増えてくる 水平になると、1,3象限と 2,4象限は一緒になる (相関係数=0) 3
4.
x,y ( 散 らの ばデ りー 度タ 小を ) 15 度 ず つ 回 転 さ せ た 時 の 相 関 係 数 相象回 関限帰 係に 直 数入線 がるか 変デら 化ーの すタ散 るの
ら 数ば がり 変が わ等 っ し てく くて るも の、 で 、 4
5.
x,y ( 散 らの ばデ りー 度タ 大を ) 15 度 ず つ 回 転 さ せ た 時 の 相 関 係 数 5
6.
本スライドは 「slideshare 相関 傾き」で検索! 6
Download now