一般化線形モデル generalized linear Models -.pptVIP

一般化線形モデル（GLM）generalized　linear　Models 推定結果の確認と検定 Rで学ぶデータサイエンス10 一般化線形モデル 粕谷英一（２０１２）　共立出版 Generalized　Linear　Models Linear　Model 　 　response variable ～　intercept + slope * explanatory variable 　 lm(y~ x + f ???)，lm(y~x + f -1) (no intercept) Generalized Linear Model Model Link function ～　intercept + slope * explanatory variable glm(y ~ x, data = d, family = poisson) 尤度（ｐ12） ある確率分布でパラメータの値θが決まれば，データXの値ｘについてその値が得られる確率（確率密度）が計算できる． f(x|θ） R上では　ｄ確率分布名（ｘ，θ）の形 #一様分布 (unif)の例 #確率密度関数のグラフ curve(dunif(x,min=0,max=2),xlim=c(-0.5,3),ylim=c(0,1),xlab=y,ylab=probability density) #ある値に対する確率密度の値はdunif関数 dunif(0.2, min=0,max=2.0) #分布関数，累積分布関数：変数がある値以下を取る確率：puniｆ関数 curve(punif(x,min=0,max=2),xlim=c(-0.5,3),ylim=c(0,1),xlab=y,ylab=probability) #分位数(quantile）その値以下を取る確率がｐであるような点の値，分布関数の逆関数 qunif(0.75,min=0,max=2.0) #乱数の発生：runif関数　，乱数の個数とパラメータを与える runif(3,min=0, max=2.0) 尤度（ｐ12） ある確率分布でパラメータの値θが決まれば，データXの値ｘについてその値が得られる確率（確率密度）が計算できる． f(x|θ） R上では　ｄ確率分布名（ｘ，θ）の形 逆に，データX=xが与えられたとき，パラメータの値θに対して，その値ｘが得られる確率を尤度：ゆうど(likelihood）という． 二項分布の例と尤度関数 つぼのなかに赤球ｒ個，白球ｗ個あり，1つ取り出して色を記録して戻すことをｎ回繰り返す。 赤が出る回数Yがｙを取る確率は，一つの母数φ＝r/(r+w)を用いると， 　　　　　　　　　　　　　　　　　　　　　　　となる． 実際に赤が8回，白が2回でた場合には，そのことが起こる確率は， 　で，これを母数φの関数と見なしたものを尤度関数L(φ)と呼ぶ． 二項分布の例と尤度関数 #二項分布の関数形：Rではdbinom barplot(dbinom(0:10,size=10,prob=0.6),ylab=probability,space=0, names=as.character(0:10), col=white) #赤が8回，白が2回でた場合の尤度関数L(φ) Lik - function(phi) {dbinom(8,size=10,phi)} curve(Lik(x), 0, 1) #尤度関数の対数値を対数尤度関数(LogLikelihood) LLik - function(phi) {log(dbinom(8,size=10,phi))} curve(LLik(x), 0.05, 0.95) 尤度の最大化（最尤推定） データがあり，確率分布の種類は決まっているが，パラメータ（母数）値がわからないとき。 得られているデータがもたらされる確率（尤度）が高いパラメータ値だったと考えるのが自然． 尤度が最大になるパラメータ値を推定値として使う． 赤が8回，白が2回でた場合の尤度関数 　これを母数φで微分すると， 最大値はφ=8/10＝0.8で取る． Lik - function(phi) {dbinom(8,size=10,phi)} optimize(Lik,c(0,1),maximum=TRUE) 尤度の最大化（最尤推定） 赤が8回，白が2回でた場合の尤度関数， 　対数尤度関数は， これを母数φで微分すると， 最大値は最後の分子が0になる， φ=8/10＝0.8で取る． LLik - function(phi) {log(dbinom(8,size=10,phi))} optimize(LLik,c(0.01,0.99),maximum=TRUE) スコア関数（尤度の