Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
統計の基礎12 重回帰
Search
xjorv
PRO
February 03, 2021
Education
0
81
統計の基礎12 重回帰
統計の基礎12では、1つの従属変数を多数の説明変数で説明する場合の線形回帰の方法である、重回帰について説明します。
xjorv
PRO
February 03, 2021
Tweet
Share
More Decks by xjorv
See All by xjorv
コンパートメントモデル
xjorv
PRO
0
4.2k
コンパートメントモデルをStanで解く
xjorv
PRO
0
270
生物学的同等性試験 検出力の計算法
xjorv
PRO
0
2.6k
生物学的同等性試験ガイドライン 同等性パラメータの計算方法
xjorv
PRO
0
3.9k
粉体特性2
xjorv
PRO
0
2k
粉体特性1
xjorv
PRO
0
2.3k
皮膜5
xjorv
PRO
0
1.9k
皮膜4
xjorv
PRO
0
1.8k
皮膜3
xjorv
PRO
0
1.8k
Other Decks in Education
See All in Education
Analysis and Validation - Lecture 4 - Information Visualisation (4019538FNR)
signer
PRO
0
1.4k
保育とふりかえりをコネクト! / connect childcare and retrospectives!
psj59129
1
160
Implicit and Cross-Device Interaction - Lecture 10 - Next Generation User Interfaces (4018166FNR)
signer
PRO
1
1.2k
Поступление в ТОГУ 2024
pnuslide
0
41k
Pen-based Interaction - Lecture 4 - Next Generation User Interfaces (4018166FNR)
signer
PRO
0
1.2k
人生の転機からチャンスを掴む「シュロスバーグの4Sモデル」/4s-models
yuko_yokouchi
3
770
心房細動週間ポスター(2024年3月6日)
japanstrokeassociation
0
270
執筆テーマの決め方
sapi_kawahara
1
190
2024年度春学期 統計学 第3回 クロス集計と感度・特異度/データの可視化 (2024. 4. 25)
akiraasano
PRO
0
110
@ngrx/signals
yannickbaron
0
190
6 занятие. Четыре тактики метода "8 кубиков"бизнес-модели #ideaNN 1.03.2024.
karlov
0
160
合理的配慮を知るワークショップ/Understanding Reasonable Accommodations (Workshop)
freee
2
1.5k
Featured
See All Featured
Ruby is Unlike a Banana
tanoku
96
10k
Happy Clients
brianwarren
92
6.4k
The Straight Up "How To Draw Better" Workshop
denniskardys
228
130k
What's in a price? How to price your products and services
michaelherold
238
11k
Bootstrapping a Software Product
garrettdimon
PRO
302
110k
Principles of Awesome APIs and How to Build Them.
keavy
121
16k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
21
1.9k
Pencils Down: Stop Designing & Start Developing
hursman
117
11k
The Pragmatic Product Professional
lauravandoore
26
5.8k
GraphQLの誤解/rethinking-graphql
sonatard
56
9.3k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
20
1.8k
How STYLIGHT went responsive
nonsquared
92
4.8k
Transcript
統計の基礎12 重回帰 2021/1/13 Ver. 1.0
重回帰とは? 2つ以上の説明変数により、従属変数が説明される回帰のこと 血圧 年齢 体重 身長 160 54 88 177
119 30 61 169 122 41 60 184 143 54 58 174 139 34 85 174 127 46 60 183 119 17 80 177 141 45 72 147 177 62 96 169 110 29 71 166 171 58 92 160 142 68 63 174 146 42 79 170 131 47 57 160 169 56 89 165 139 25 91 180 163 58 81 165 128 48 53 176 154 56 73 173 128 43 55 161 • 血圧が年齢、体重、身長で説明できるか どうか調べる • 血圧が従属変数 • 年齢・体重・身長が説明変数
グラフにしてみる 血圧 年齢 体重 身長 • 体重・年齢とは正の相関がありそう • 身長とは負の相関がありそう
回帰の結果 単回帰と同じく最小二乗法で求める 血圧=0.96×年齢+0.87×体重-0.13×身長+54.9
p値の意味 単回帰と同じく、傾きが0とみなせる確率を示す • 年齢と体重の傾きは0ではない • 身長の傾きは0でないとは言えない • 計算方法はt検定
重回帰の条件 各説明変数が独立の場合、結果の信頼性が高くなる • 説明変数間の相関が高いと係数の計算が怪しくなる • 傾きが小さい説明変数をたくさん含むと、過学習になる 0 20 40 60
80 100 120 0 20 40 60 80 0 20 40 60 80 100 120 0 20 40 60 80 直線回帰 変数が6つの多項式回帰 変数が増えると回帰が一般性を失いやすくなる(過学習)
正規化 データの単位/桁が大きく違う場合には、正規化を行う 正規化: データを平均0、標準偏差1の分布に補正すること 血圧 年齢 体重 身長 0.9723215 0.6259932
1.049394 0.7569833 -1.170968 -1.173269 -0.865041 -0.133585 -1.014142 -0.348607 -0.935946 1.5362309 0.0836406 0.6259932 -1.077756 0.4230201 -0.125461 -0.873392 0.836679 0.4230201 -0.752765 0.0262392 -0.935946 1.4249098 -1.170968 -2.147869 0.482154 0.7569833 -0.02091 -0.04873 -0.085086 -2.582649 1.8610024 1.2257471 1.616634 -0.133585 -1.641446 -1.248238 -0.155991 -0.467549 1.5473503 0.9258701 1.333014 -1.135475 0.0313652 1.6755626 -0.723231 0.4230201 0.2404666 -0.273638 0.411249 -0.022264 -0.543664 0.1012085 -1.148661 -1.135475 1.4427996 0.7759317 1.120299 -0.57887 -0.125461 -1.548115 1.262109 1.0909465 1.1291475 0.9258701 0.553059 -0.57887 -0.70049 0.1761777 -1.432281 0.6456622 0.6586694 0.7759317 -0.014181 0.311699 -0.70049 -0.198668 -1.290471 -1.024154 平均 5E-10 0 0 1E-09 標準偏差 1 1 1 1 血圧 年齢 体重 身長 160 54 88 177 119 30 61 169 122 41 60 184 143 54 58 174 139 34 85 174 127 46 60 183 119 17 80 177 141 45 72 147 177 62 96 169 110 29 71 166 171 58 92 160 142 68 63 174 146 42 79 170 131 47 57 160 169 56 89 165 139 25 91 180 163 58 81 165 128 48 53 176 154 56 73 173 128 43 55 161 正規化
まとめ • 1つの従属変数を多数の説明変数で説明するモデルを重回帰 と呼ぶ • 重回帰は単回帰と同じく、最小二乗法で計算する • 重回帰の傾きにはt検定が適用される • 説明変数が多すぎると、過学習が起きる
• データの単位や桁によっては、データの正規化を行う