卒论最终报告.pptVIP

卒論最終報告 行動計量学研究分野 B4　山本倫生 本日の内容 最終報告！！ でも実質もう一回ある？ シミュレーション１?２の結果について 前回とほとんど一緒の内容です シミュレーション１ データ １つの潜在変数との関係が線形(１次)，２次?３次曲線の３パターン ３つのデータに対して，次数１～３のＢ‐スプライン基底モデルと多項式モデル(成長曲線)で分析 1次データ×1次のＢ-スプライン基底 1次データ×2次のＢ-スプライン基底 1次データ×3次のＢ-スプライン基底 1次データ×1次式 1次データ×2次式 1次データ×3次式 1次データ結果一覧 1次データまとめ 2次データ×1次のＢ-スプライン基底 2次データ×2次のＢ-スプライン基底 2次データ×3次のＢ-スプライン基底 2次データ×1次式 2次データ×2次式 2次データ×3次式 2次データ結果一覧 2次データまとめ 3次データ×1次のＢ-スプライン基底 3次データ×2次のＢ-スプライン基底 3次データ×3次のＢ-スプライン基底 3次データ×1次式 3次データ×2次式 3次データ×3次式 3次データ結果一覧 3次データまとめ 考察 総合的に良さそうなモデル 2次のＢ‐スプライン基底を用いたもの どのようなデータに対してもまぁそこそこ どのような使い分けができるだろうか？ 初期値を変えて繰り返し回数を増やせば結果が変わってくるかもしれない シミュレーション２ データ 2つの潜在変数との関係が線形(１次)，２次?３次曲線の３パターン 結果 間に合わなかった???orz プログラムをもう少しいじらなければならない 予定 11月：シミュレーション終了 12月上旬：執筆開始＆実データ探し?分析 以降終わるまで執筆 ありがとうございました 1次データ×1次の基底 1次データ×2次の基底 1次データ×3次の基底 2次データ×1次の基底 2次データ×2次の基底 2次データ×3次の基底 3次データ×1次の基底 3次データ×2次の基底 3次データ×3次の基底 モデル 因子分析モデル 線形モデル 非線形モデル 推定に関すること 尤度関数 逆カイ自乗分布は考えない 変数の数が少ない場合に有効なものだから 最適化法 準ニュートン法（Rのoptim関数で） 関数に渡すパラメータはgj(f)のみに変更 ψ（独自分散）は推定されたgj(f)を用いて逐次求める 続?推定に関すること 初期値の選び方 大津メソッド（勝手に命名）ではうまくいかないことが多い 線形データでは必ず初期値の符号がおかしくなるetc… Ｒのsample関数を用いてデータからランダムに離散化数分抽出し，それに対して回帰係数を求める 続?考察 解決策 正則化法（罰則付き最尤法）を用いて，gj(x)の形に制約を設けて推定 情報量規準として一般化情報量規準（ＧＩＣ）を用いてみる 節点の数についてはFrieamanのMARSアルゴリズムで節点自体をデータから推定する データ 推定値 データ 推定値 データ 推定値 データ 推定値 データ 推定値 データ 推定値 データ 推定値 データ 推定値 データ 推定値 今までは，切片項をモデルに含めていたが削除した とりあえず今後の課題としてそっとしておく * * 独自因子の分散は全て0.25に設定 潜在変数 変数１ 変数２ 変数３ 変数４ 変数５ －0.9 －0.5 0.1 0.5 0.9 e1 e2 e3 e4 e5 データ 推定値 相関係数 1.0000 1.0000 -1.0000 1.0000 1.0000 誤差 0.3496 0.4479 0.8524 0.4787 0.4119 ＡＩＣ 5765.4570 ＢＩＣ 5795.5630 データ 推定値 相関係数 0.8686 0.8845 0.8047 0.9863 0.9616 誤差 0.4336 0.4706 0.7807 0.4489 0.4736 ＡＩＣ 5819.3650 ＢＩＣ 5864.5250 データ 推定値 相関係数 0.1702 0.0699 0.7810 0.0322 0.0875 誤差 0.6633 0.6965 0.8006 0.7051 0.6873 ＡＩＣ 5832.1900 ＢＩＣ 5892.4020 データ 相関係数 1.0000 1.0000 1.0000 1.0000 1.0000 誤差 0.2280 0.1050 0.8019 0.2307 0.2890 ＡＩＣ 6036.5670 ＢＩＣ 6051.6200 推定値 データ 相関係数 0.9219 0.7896 0.2195 0.8330