,主 ,最尤推定 布母数 推定 い 報告 。
, 度主義 方法 あ , 母数 真 値 い
う見方 依拠 い 。 ,ベ 推定 見方 , 度主義 対極的 ,母数 確率 布 捉え 。後者 う ,外国語教育 実務的状況 適 い 場 合 あ ,解析精度 い , 面 い 優 あ 。
ベ 推定 概略 い , 稿 範 い , , 連鎖 ン
法 MCMC ,母数 後 布 posterior distribution ン
得 方法 い 紹 。ベ 推定やMCMC自体 い ,豊 2015, 2016 ,
松浦 2016 参考 い。 ,昨 ,草薙 2017b ,草薙 岡 2016 ,
草薙 石 2016 ,草薙 to appear ,ベ 統計 応用 外国語教育 関
研究実践や学会主催 ワ ョッ 見 う 。
,以 う 観測 い ,正規 布 仮定 , 母 均 母 散 い ベ 推定 要領 検討 い 。
32
#正規 布 従う ータ例 作成
set.seed(0)
dat.mcmc1<-rnorm(1000,50,10)
R い ,母 均値 母 散 後 布 ン 得 簡単 方法
,MCMCpack ッ Martin, Quinn, & Park, 2011 MCMCregress関数
coda ッ Plummer, Best, Cowles, & VInes, 2006 使 う あ う 。
MCMCregress 関数 来, ン ン 一般線形 係数
後 布 関数 あ , 援用 ,母 均 母 散 後 布 ン ン う 。 関数 ,回帰係数 前 布 多変 正規 布 , 条件 誤 差 散 前 布 逆 ン 布 設 定 い 。 ン ン 区 間
1,000, 後 復回数 10,000 , 前 布 形状 い , 関数
従う場合,以 う MCMC計算 う 。
#MCMC 例
library(MCMCpack);library(coda);set.seed(0)
posterior1<-MCMCregress(dat.mcmc1~1,burnin=1000,mcmc=10000)
後 布 ン 要約 ,以 う 情報 得 。母数 ン
い 2.5% 97.5% , 95%ベ 信用区間 限 限
, 値 信用区間 論文 報告 い。
Iterations = 1001:11000 Thinning interval = 1 Number of chains = 1
Sample size per chain = 10000
1. Empirical mean and standard deviation for each variable, plus standard error of the mean:
Mean SD Naive SE Time-series SE (Intercept) 49.84 0.3139 0.003139 0.003139 sigma2 99.77 4.4784 0.044784 0.046521 2. Quantiles for each variable:
2.5% 25% 50% 75% 97.5%
(Intercept) 49.23 49.63 49.84 50.05 50.46 sigma2 91.34 96.66 99.67 102.69 108.87
33
MCMC 結果 可視化 , plot 関数 渡
便利 あ 。 結果 14 あ 。 側 ,MCMC計算 各母数 表 ,右側 , 後 布 得 各母数 布 密度曲線 表 あ 。
summary(posterior1) plot(posterior1)
14. MCMC 各母数 後 布 正規 布 例
MCMC 計算 う際 , 束診断 可 あ 。 Geweke 束
診断 断 。Geweke 束診断 , 連鎖 前後 値 差 検
討 ,慣習的 ,[Z] < 1.96 あ い e.g., Plummer, Best, Cowles, &
VInes, 2006 。 例 ,両方 母数 問題 束 断 。
geweke.diag(posterior1)
ン 布 ッ 場合 様 ,MCMCpoisson 関数 使用 母数λ
後 布 ン 得 。
# ン 布 場合
set.seed(0);dat.mcmc2<-rpois(1000,5)
posterior2<-MCMCpoisson(dat.mcmc2~1,burnin=1000,mcmc=10000) summary(exp(posterior2))
34
布 い ,尤度関数 自 用意 , 例 様
, 母数 後 布 い 検 討 。 , 法
MCMCmetrop1R 関数 使 ,指数正規合成 布 母数 い 検討 。 初
期値 正解 設定 。 , 前 布 無情報 前 布 設定
, ン ン区間 1,000, 復回数 50,000回 あ 。 , 15 MCMC計
算 結果 可視化 。
#指数正規合成 布 従う数値例を作成 set.seed(0)
dat.mcmc3<-rexgauss(1000,3000,1000,1000)
#関数を準備
llf<-function(beta,x){
sum(log(dexgauss(x,beta[1],beta[2],beta[3]))) }
#MCMC計算
posterior3<-MCMCmetrop1R(llf,theta.init=c(3000,1000,1000),x=dat.mcmc3, mcmc=50000,burnin=1000)
plot(posterior3)
15. MCMC 各母数 後 布 指数正規合成 布 例
35
例 い , 必要性 薄い , 後 布 ン い ,推
定 値 多 箱 示 あ 。 16 あ 。 ,
紙幅 節約 いう 都合 いい , 母数 大
い , 親 注意 必要 あ 。
#箱ひ 図
post.df<-as.data.frame(posterior3)
boxplot(post.df,names=c("mu","sigma","tau"),col="lightblue", horizontal=T,xlab="Estimate")
16. 各母数 後 布 示 箱
う ,最尤推定 ,一種 ベ 推定 要領 ,確率 布
母数 い 柔軟 検討 。 ベ 推定 利 一部
過 , ,得 推定値や推定区間 い ,最尤推定や 後
ッ 法 信 区間 構築 大差 い。 ,ベ 推定 主 利 ,階 ベ
う , 複雑 構築 , 母数 前 布 い
,研究者 自 設定 あ 。 関 機会 譲 い。
3.4
確率分布 推定母数 期待値や分散観測 対 確率 布 ッ 方法 ,従来 記述統計 代わ い。 稿 述 う ,観測 従来 や 方 記述 要
い。 ,仮 ,観測 対 あ 確率 布 十 ッ い 場合,
確率 布 推定母数 ,期待値や 散 計算 理解 あ 。 え , ン 布 従う変数X 期待値 ,k θ 母数化 ,
mつsigmaっaつ
1000 1500 2000 2500 3000
分sっimaっe
36
= 4
あ ,α β 母数化 ,
= 5
あ 。 , 散 ,k θ 母数化 ,
= 6
あ ,α β 母数化 ,
= 7
あ 。歪度 8 式,尖度 9 式 う 。 k α 替え い。
= 2
√
8
=6 9
ン 布 簡単 例 あ , 布 い 様 期待値
計算 。 , ン 布 母数 , 均, 散,歪度,尖度 計算 以 通 あ 。
gammadescriptive<-function(shape,scale){
m<-shape*scale v<-shape*(scale^2) s<-2/sqrt(shape) k<-6/shape
result<-list("mean"=m,"variance"=v,"skew"=s,"kurtosis"=k) result
}
37
う ,観測 対 あ 確率 布 適合 , 母数 報告 い 研究実践 い ,仮 記述統計 落 , 後的
値 計算 可能 あ 。 , 均, 散,歪度,尖度 任意 布 母数 正確 推定 , 容易 い。
3.5
乱数生成 再現可能性記 少 関連 ,確率 布 ッ 方法 , ュ ョン研 究 強い関連 い 。観測 代表 関数 あ , 関数 従う
生成 可能 あ , 場合,観測 対 確率 布
ッ 実践 ,計算 再現性 高 行 草薙, 2016 。 ,発
展的 関数 , ュ ョン研究 可能 いう
要 利 あ 。外国語教育研究 関 ュ ョン研究 ,い 幕 開い いえ い状況 あ ,観測 対 確率 布 ッ 実践 ,
自体 瑣 あ , 新 い種類 研究 可能性 あ 。