rでgoogle_analyticsデータ解析～統計解析編～ #TechLunch

2011/07/27(水) @ Livesense TechLunch
発表者：福田 絵里

Transcript

1. RでGoogleAnalyticsデータ解析 ～統計解析編～ Eri Fukuda　2011/07/27
2. Contents 目的 　Rを利用して、Google Analytics Data Export APIからデータを取り出 し、統計解析を行う。 1. 統計学 2. ArbeitStock(PC版) データ解析
3. 統計学　～概要～ 性質 経験的に得られたバラツキのあるデータから、応用数 学の手法を用いて数値上の性質や規則性あるいは不 規則性を見いだす。 　 　statisticum（ラテン語で「状態」の意） 　　　　　　↓ 　イタリア語で「国家」を意味するようになる 　　　　　　↓ 　国家の人力、財力等といった国勢データを比較検討する学問を意味する ようになる 適用分野 ： 経済学、自然科学、社会科学、医学（疫学、EBM）、薬学、心理学、 言語学、科学哲学、etc.. 　語源
4. 統計学　～アプローチ～ 実験計画 　　より公正で評価可能なデータが収集できるよう検討 　　Garbage in, garbage out 記述統計 　　収集したデータの要約統計量（平均、分散など）を計算して分布を明らかにする 推計統計 　　データからその元となっている諸性質を確率論的に推測 尺度水準による分類 　　質的データ、カテゴリデータの尺度　 → 名義尺度　or　順序尺度 　 　量的データ、数値データの尺度　 → 間隔尺度　or　比率尺度 　
5. 統計学　～注意点～ •統計結果の解釈ミス 　　　例）「日本で犯罪件数がもっとも多い県は東京である」 •暗数（統計に出ない値）の考慮 　　例）強姦のような犯罪は、それがタブーであるがゆえに警察に届 けない事も多い。 　
6. 統計学　～統計ソフト～ ・ SPSS ・ SAS ・ STATISTICA ・ S-PLUS ・ Prism : 医学生物学に特化 ・ Excelのアドイン統計ソフト 　
7. ArbeitStock(PC版) データ解析 　　～データ取得の準備～ install.packages("RCurl", repos = "http://cran.md.tsukuba.ac.jp") install.packages("XML", repos = "http://cran.md.tsukuba.ac.jp") library(RGoogleAnalytics) ga <- RGoogleAnalytics() options(RCurlOptions = list(capath = system.file("CurlSSL", "cacert.pem", package = "RCurl"), ssl.verifypeer = FALSE)) ga$SetCredentials("INSERT_USER_NAME", "INSERT_PASSWORD") query <- QueryBuilder()
8. ArbeitStock(PC版) データ解析 ～取得データの種類指定&取得～ query$Init(start.date = "2009-05-01", end.date = "2011-06-01", dimensions = "ga:date,ga:region", metrics = "ga:avgTimeOnSite", filters = "ga:region==Tokyo,ga:region==Tottori", table.id = "ga:15300579") ga.data <- ga$GetReportData(query) ArbeitStock(PC版)のプロファイルID セッションの平均時間 取得成功！ 例）1日のセッションの平均時間(秒) 　　対象地域：東京と鳥取 　　対象期間：2009-05-01～2011-06-30
9. ArbeitStock(PC版) データ解析 ～密度推定曲線の描画～ tokyo <- ga.data$data[data[2]=="Tokyo", ][3]$ga tottori <- ga.data$data[data[2]=="Tottori", ][3]$ga plot(density(tokyo), xlim=c(0, 1000), ylim=c(0, 0.02), lty=1, ann=F) par(new=T) plot(density(tottori), xlim=c(0, 1000), ylim=c(0, 0.02), lty=2, ann=F) legend(700, 0.005, c("tokyo", "tottori"), lty=1:2, ncol=1) 変数の準備 描画 凡例
10. ArbeitStock(PC版) データ解析 ～密度推定曲線の描画～ 東京と鳥取でのセッション平均時間（秒） の分布の特徴は？ 　　（2009-05-01～2011-06-30）
11. boxplot(tokyo, tottori, names=c("tokyo", "tottori"), ylim=c(0, 700)) ArbeitStock(PC版) データ解析 ～箱ひげ図の描画～ 東京と鳥取での セッション平均時間（秒）の 分布の特徴は？ （2009-05-01～2011-06-30） 最小値 第1四分位点（Q1） 最小値 中央値（第2四分位点、Med） 第3四分位点（Q3） 最大値 IQR (interquartile　 range) 外れ値 ひげ 分布のばらつきの代表値
12. 不偏共分散 > var(tokyo, tottori) [1] 526.1022 ArbeitStock(PC版) データ解析 ～統計値の算出～ 東京と鳥取での セッション平均時間の 分散度合いは？ 相関係数 > cor(tokyo, tottori) [1] 0.0959978　　　　　　 　（ほとんど相関なし） 東京と鳥取の セッション平均時間の 類似性の度合いは？
13. > t.test(tokyo, tottori,　var.equal=F)　　# 不等分散 Welch Two Sample t-test data: tokyo and tottori t = -11.9525, df = 507.686, p-value < 2.2e-16 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -151.5008 -108.7268 sample estimates: mean of x mean of y 148.1075 278.2213 P値＜0.05 → 有意水準5%において有意 → 帰無仮説棄却 　　　　　　　　　　　　　　　　　　　　　　　　　　→ セッション平均時間に差がある ArbeitStock(PC版) データ解析 ～2標本t検定～ （帰無仮説：二群の 母平均は等しい） ※ 2種類のt検定 ： Welch's t-test 、 Student's t-test 東京と鳥取でセッション平均時間に差がある？
14. Prologの深そうな話 次回テーマ