BOOK JOURNAL

【Python】Pythonを学習するための教材

2013-04-08T23:42:00.000+09:00

ずっとRを使って解析をしているのですが、そろそろ他の言語も勉強しようと思って、Pythonを勉強中です。
使っている教科書は、Wes McKinneyのPython for Data Analysis。

Web上にないかなーと探しているところ

Data Science 101にPython初心者のための良記事が載ってました。

Web上のPython教材を２つ紹介しています。

---

Getting started with Python: Tips, Tools and Resources - Python初心者にぴったり
Getting Started with Python for Data Scientists - こちらはデータサイエンティスト向け

---

【読書メモ】思わずジャケ買いの経済書

2013-02-23T08:49:00.000+09:00

某有名ブランド、ポール・○ミスを彷彿とさせる装丁です。

プリン人間ではなく、バケツを頭からかぶってます。

熊が頭を抱えている姿に癒される人は多いはず！
応援よろしくです。

【統計】【R】データセットをwide形式からlong形式に変換する

2013-02-08T21:36:00.001+09:00

R-bloggerでConverting a dataset from wide to long（データセットをwide形式からlong形式に変換）という記事が投稿されていました。以下は、その記事をまとめたものです。

この記事の要旨は、

Rのreshape関数を使って、wide形式のデータをlong形式のデータに変換する

ということです。

wide形式とは、複数の個体のデータ系列が横方向に接続されたデータで、例えば以下のようなデータセットのことを言います。


> births.wide

  caseid v012 b2_01 b2_02 b2_03 b4_01 b4_02 b4_03

1      1   30  2000  2005    NA     1     1    NA

2      2   29  2001  2010    NA     1     2    NA

3      3   32  1999  2002  2006     1     1     1

4      4   35  1999  2009    NA     2     1    NA

5      5   34  1998    NA    NA     2    NA    NA

6      6   23    NA    NA    NA    NA    NA    NA

7      7   25  2000    NA    NA     1    NA    NA

>

v012は母親の年齢を表している列です。b2は子どもが生まれた年が記入されていて、b2_01は1人目の子どもが、b2_02は2人目の子どもが、b2_03は3人目の子ども生まれた年を表しています。b4は子どもの性別を表していて、先ほどと同様に、b4_01は1人目の子どもの、b4_02は2人目の子どもの、b4_03は3人目の子どもの性別を表しています。欠損値は子どもがいないことを示しています。たとえば、最初の被験者（caseid=1）の年齢は30で、子どもが2人おり、最初の子どもは2000年に、二番目の子どもは2005年に生まれたことがわかります。3人目は生まれていないので、b2_03とb4_03は欠損値になっています。

このデータをRのreshape関数を使って、long形式（複数の個体のデータの集合が縦方向に接続されたデータ）に変換します。


reshape(data, varying = NULL,

        timevar = "time", idvar = "id", direction, sep = "")

data：変換したいデータフレームの指定
varying：long形式の列と対応するwide形式の列を指定
timevar：指定された変数をwideあるいはlongに変換する際に、その順序を指定
idvar：同じ被験者を表すデータフレーム中の変数の指定
direction：wide形式かlong形式にするかの指定
sep：列名を分ける記号の指定

たとえば

b2_01、b2_02、b2_03
b1、b2、 b3
year.1、 year.2、 year.3

という複数の列をそれぞれ一つにまとめたい場合を考えます。

第一に、b2_01、b2_02、b2_03を一つの列に変換したい場合、sep="_"を指定します。
第二に、b1、b2、 b3という列を一つの列に変換したい場合、sep=""には何も指定しません。
第三に、year.1、 year.2、 year.3という列を一つの列に変換したい場合はsep="."を指定します。

それでは先ほどのbirths.wideをlong形式に変換します。

> births.long1 <- reshape(births.wide, varying=c("b2_01","b2_02","b2_03", "b4_01", "b4_02", "b4_03"), direction="long", idvar="caseid", sep="_")

> births.long1
caseid v012 time b2 b4
1.1 1 30 1 2000 1
2.1 2 29 1 2001 1
3.1 3 32 1 1999 1
4.1 4 35 1 1999 2
5.1 5 34 1 1998 2
6.1 6 23 1 NA NA
7.1 7 25 1 2000 1
1.2 1 30 2 2005 1
2.2 2 29 2 2010 2
3.2 3 32 2 2002 1
4.2 4 35 2 2009 1
5.2 5 34 2 NA NA
6.2 6 23 2 NA NA
7.2 7 25 2 NA NA
1.3 1 30 3 NA NA
2.3 2 29 3 NA NA
3.3 3 32 3 2006 1
4.3 4 35 3 NA NA
5.3 5 34 3 NA NA
6.3 6 23 3 NA NA
7.3 7 25 3 NA NA
>

これで、long形式に変換できていますが、被験者順で並び替えるにはorder関数を使うと上手くいきます。

> births.long2 <- reshape(births.wide, varying=c(3:8), direction="long", idvar="caseid", sep="_")
> births.long2<-births.long2[order(births.long2$caseid),]

> births.long2
caseid v012 time b2 b4
1.1 1 30 1 2000 1
1.2 1 30 2 2005 1
1.3 1 30 3 NA NA
2.1 2 29 1 2001 1
2.2 2 29 2 2010 2
2.3 2 29 3 NA NA
3.1 3 32 1 1999 1
3.2 3 32 2 2002 1
3.3 3 32 3 2006 1
4.1 4 35 1 1999 2
4.2 4 35 2 2009 1
4.3 4 35 3 NA NA
5.1 5 34 1 1998 2
5.2 5 34 2 NA NA
5.3 5 34 3 NA NA
6.1 6 23 1 NA NA
6.2 6 23 2 NA NA
6.3 6 23 3 NA NA
7.1 7 25 1 2000 1
7.2 7 25 2 NA NA
7.3 7 25 3 NA NA

これで被験者順に並び替えることができました。わかりやすく名前を付け替えるなら

names(births.long2) <- c("subject","age","order", "birthyear", "childsex")
で、欠損値を除くには
births.long2<-na.omit(births.long2)
と入力すればオッケーです。
詳細は、Converting a dataset from wide to longを参照してください。

応援よろしくです。

【読書メモ】【行動遺伝学】遺伝子の不都合な真実

2013-02-03T09:33:00.001+09:00

人間は生まれながらにして（遺伝子によって）能力や性格が決まっている？という、誰もあからさまに口にしない事実：
「人間の能力や性格などひとりひとりの心の働きや行動の特徴が遺伝子の影響を受けている」
を明らかにしているのが安藤先生の「遺伝子の不都合な真実」。

「すべての能力は遺伝である」という副題も衝撃的です。本書の表紙だけを見れば、遺伝子は選ぶことはできないで、絶望的になったり、優生学の復活？となってしまいそうですが、本書を読み進めれば、そうした先入観は間違いだとすぐに気づきます。

本書では、行動遺伝学的に遺伝子の能力や性格に与える影響を紹介することで、双生児法を用いた実証研究によると、遺伝と行動の関係には次の３つの原則があるそうです：

行動にはあまねく遺伝の影響がある
共有環境（家庭の雰囲気など）の影響がほとんど見られない
個人差の多くの部分が非共有環境（交友関係など）から成り立っている

本書によると、遺伝によって能力、性格、行動が決まるのですが、遺伝のそれらに与える影響の出方は環境に左右されるようです。これを行動遺伝学では、遺伝・環境間交互作用と呼ぶそうです。たとえば、落ち着きがないなどの感情問題を遺伝的に抱えやすかったり、そうでない子ども（３〜４歳）がいることは確かですが、親の養育態度のあたたかさで、その出方は変化するようです。つまり、同じ遺伝的特徴を持っていたとしても、親の養育態度があたたかい場合、つめたい場合と比べて感情問題を引き起こしにくくなるようです。

遺伝子と環境、遺伝子と能力など複雑な関係を示してくれるすばらしい一冊です。

＊双生児法
遺伝子をほぼ100%共有する一卵性双生児（MZ: monozygotic twins）と、約50%だけ共有する二卵性双生児（DZ: dizygotic twins）の類似性を比較することによって具体的に遺伝子を特定しなくても、ある行動に対する遺伝要因と環境要因の効果を統計的に推定する方法
（双生児法を用いた研究では、たとえば数学の能力は約９０％が遺伝によるもの！）

応援よろしくです．

【統計】世界がもし100人の村だったら…

2013-01-15T00:06:00.000+09:00

データの視覚化について勉強してるときに見つけた「世界がもし100人の村だったら」のインフォグラフィックス。

言葉だけの説明よりも、やっぱりわかりやすい。統計の知識だけじゃなくて、こういう視覚化の技術も磨いていかなくては…

If the World were 100 People infographic by KVSStudio.

応援よろしくです．

【気になる記事】【Economist】お金を出しているのに健康になれない

2013-01-12T13:43:00.000+09:00

お金を出しているのに健康になれない…そんな現状を抱えるアメリカの保険医療費と死亡の関係についての記事が、2013/1/11Economist.comのDaily chartで紹介されました。

図のトップには非感染症（がんや心臓病）の死亡者数、下の左図では事故による死亡者数、右図にはGDPに占める保険医療費の割合を示しています。

まず右図を見ると、アメリカの保険医療費の割合は、他の富裕国に比べてかなり大きいことがわかります。具体的には、アメリカの保険医療費の支出はGDPの17.9%で、2.7兆米ドルに達してます（これはイギリスのGDP、2.4兆ドルより大きい！）にもかかわらず、図のトップと左図では、非感染症の死亡者と事故による死亡者が多いことを示しています。

米国医学研究所と全米研究委員会は、なぜこんなことが起こっていのるかを説明しようとしています。

・制度の問題

アメリカの医療保険制度の非効率性

・アメリカ人の行動

アメリカ人は、他の国の人と比べて、食べる量が多く、ドラッグを使い、銃を所有し、飲酒運転の事故を起こす傾向にある
若くして多くのパートナーと性交渉をしている（避妊をせずに）

などなど、いろんな要因が複雑に絡まっているようで、
最初にどの問題から取り組むかについて同意することが求められています。

応援よろしくです．

【統計】Goodデータサイエンティストになるには？

2013-01-07T01:35:00.002+09:00

元記事はこちら（Data Science 101, What Makes a Good Data Scientist?）です。

データサイエンティストの定義はさておき、Goodデータサイエンティストになるために必要な素質が紹介されていました。
インタビューに答えているのはDJ Patilで、Goodデータサイエンティストには以下の２つの素質が必要だそうです。

・ストーリーテリング
・好奇心

応援よろしくです．

【気になる記事】【Economist】中国の経済成長

2013-01-04T01:21:00.000+09:00

2012/12/27Economist Graphic detailで中国の経済経済成長率についての記事が紹介されていました。

記事の要約
・中国経済の勢いを支えているのは、発電所・インフラ・不動産への投資
・2012年、中国の投資の流れは、住宅に集中した結果、成長が著しく失速
・今後、中国経済の成長の最も大きな担い手は消費者になる可能性
・今後、年間7-8%の経済成長を達成

記事にあるように中国は年間で10%以上の経済成長率を達成していたことを図で確認してみます。データはIMF World Economic Outlook Databaseを利用します。
2000年から2017年（2012年以降はIMFの推定値）までの中国とG７の経済成長率を比較してみました．G７の成長率はG７の各国の経済成長率の平均です。

図

リーマンショック時には中国・G７の経済成長率は下がっていますが、それでも中国の経済成長率はマイナスにはなっていません。

応援よろしくです．

【統計】【R】IPW推定量を導出してみる　その３

2012-12-30T13:47:00.000+09:00

前回の記事（その１、その２）で紹介したIPW推定量のRコードを紹介します．

次のような２つのステップを踏んで、IPW推定量を計算します．
傾向スコアを推定
傾向スコアの推定には、ロジスティクス回帰分析を用います．割り当て変数を従属変数、共変量を説明変数にして分析を行います．
IPW推定量を計算
前回の記事より、IPW推定量を計算します．

サンプルデータはRのlalondeというデータを用います．
このデータは、職業支援プログラムの賃金（78年の賃金：re78）への効果をはかるもので、訓練を受けるグループ（処置群：treat=1）と受けないグループ（対照群：treat=0）間の賃金差を調べています．

応援よろしくです．

【統計】IPW推定量を導出してみる　その２

2012-12-26T17:08:00.000+09:00

前回の記事の続きです．Horvitz-Thompson型推定量の推定値を求めます．

Horvitz-Thompson型推定量
「強く無視できる割当条件」\[ (y_{0}, y_{1}) \perp z | \mathbf{x} \]が成立するとき、
\[ E\left[\frac{y_{1}z}{e(\mathbf{x})}\right] = E\left[y_{1}\right] .\]

期待値の推定量は平均値をとることが一般的なので、

\begin{equation*}
\begin{split}

E \left[ \frac{y_{1}z}{e} \right]
&= \frac{1}{n} \sum_{i=1}^{N} \frac{z_{i}y_{i1}}{e_{i}} \\
&= \frac{\sum_{i=1}^{N} \frac{z_{i}y_{i1}}{e_{i}}}{\sum_{i=1}^{N} \frac{z_{i}}{e_{i}}}
\end{split}

\end{equation*}

1行目から2行目へは、次のような関係を用いています．

\begin{equation*}
\begin{split}

E \left[ \frac{z}{e} \right]
&= E_{\mathbf{x}} \left[ E \left[ \frac{z}{e} | \mathbf{x} \right] \right] \\
&= E_{\mathbf{x}} \left[ \frac{1}{e}E \left[ z | \mathbf{x} \right] \right] = 1．

\end{split}
\end{equation*}

ところで、
\[ E \left[ \frac{z}{e} \right] \approx \frac{1}{n} \sum_{i=1}^{N} \frac{z_{i}}{e_{i}}\]
であるので、
\[ \frac{1}{n} \sum_{i=1}^{N} \frac{z_{i}}{e_{i}} \approx 1 \leftrightarrow
\sum_{i=1}^{N} \frac{z_{i}}{e_{i}} \approx n． \]

次回は、この推定量のRコードを考えてみます．

参考文献

応援よろしくです．

【統計】IPW推定量を導出してみる　その１

2012-09-21T00:25:00.000+09:00

前回の続きで、今回はRubin(1985)の提案している「傾向スコアによる重み付け推定法」を導出しようと思います．

$z$：割付け変数
$x$：共変量
$y$：従属変数

IPW推定量は、傾向スコアの逆数の重み付け平均でHorvitz-Thompson型推定量と呼ばれています．この推定量は通常の単純平均とは異なり、共変量を調整した平均です．この推定量のいいところは、平均処遇効果と周辺平均を計算することができることです．

マッチングや重回帰分析による共変量調整は、平均処遇効果を計算することはできますが、割り付け変数ごとに周辺平均を計算することはできません．しかし、この推定量を用いれば、周辺平均を計算することができます．

Horvitz-Thompson型推定量
「強く無視できる割当条件」\[ (y_{0}, y_{1}) \perp z | \mathbf{x} \]が成立するとき、
\[ E\left[\frac{y_{1}z}{e(\mathbf{x})}\right] = E\left[y_{1}\right] .\]

証明
まず傾向スコアの定義から
\[ e_{i} \equiv Pr(z_{i} = 1|\mathbf{x_{i}}) = E(z_{i}|\mathbf{x_{i}}) \]
と書くことができます．以下では対象者番号のｉを省略しています．

\begin{equation*}
\begin{split}

E \left[ \frac{y_{1}z}{e} \right]
&= E_{ \mathbf{x}} \left[ E\left( \frac{y_{1}z}{e}| \mathbf{x} \right) \right] \\
&= E_{ \mathbf{x}} \left[ E\left(y_{1}|\mathbf{x}\right) E\left( \frac{z}{e}|\mathbf{x}\right) \right] \\
&= E_{ \mathbf{x}} \left[ \frac{1}{e} E\left( y_{1}|\mathbf{x} \right) E\left( z | \mathbf{x} \right) \right] = E\left( y_{1} \right)
\end{split}

\end{equation*}

1行目から2行目へは割付が強い意味で無視できるという条件を用いています（$\mathbf{x}$が与えられた下では、$y$と$z$は条件付き独立）Q.E.D.

上の方法と同様にして、$E[y_{0}]$を求めることができます．

\begin{equation*}
\begin{split}

E \left[ \frac{y_{0}(1-z)}{1-e} \right]
&= E_{ \mathbf{x}} \left[ E\left( \frac{y_{0}z}{1-e}| \mathbf{x} \right) \right] \\
&= E_{ \mathbf{x}} \left[ E\left(y_{0}|\mathbf{x}\right) E\left( \frac{1-z}{1-e}|\mathbf{x}\right) \right] \\
&= E_{ \mathbf{x}} \left[ \frac{1}{1-e} E\left( y_{0}|\mathbf{x} \right) E\left( 1-z | \mathbf{x} \right) \right] = E\left( y_{0} \right)
\end{split}

\end{equation*}

つまり、真の傾向スコアがわかっていて、強く無視できる割当ての条件が成立するならば、対照群・処置群それぞれの周辺期待値を求めるには、傾向スコアによって重み付けされた期待値を求めればよい、ということになります．

参考文献

【統計】傾向スコア

2012-09-19T13:22:00.002+09:00

傾向スコアが因果推論でよく使われているということで勉強中…

ということで、「傾向スコアを用いた共変量調整による因果効果の推定と臨床医学・薬学・公衆衛生分野での応用について」の前半部分をまとめました．

共変量の影響を除去しなければならない！

たとえば、ある薬を飲むこと（従属変数）で病気が早く治る（独立変数）か知りたいとき、投薬の有無を操作することができないために、薬を飲んだ人と飲まなかった人に分けて治癒日数の平均の差を調べることになります．しかし、この方法では治癒日数に影響を与えそうな病気の症状や年齢などの共変量の影響が除去されないために、ある薬の病気を早く治す因果効果を知ることができなくなってしまう！
じゃどうすればいいのか？？ということで、共変量の調整方法として以下の３つが考えられてきました．

既存の共変量調整

既存の共変量調整法は３つあります．

均衡化

恒常化・限定

統計的調整

マッチング
層別解析
共分散分析

最後の３．共分散分析は、共変量が独立変数と従属変数に影響を与えてしまうなら、それをモデルに含めて考えればいいという方法になります．

具体例
Cox回帰、パス解析、グラフィカルモデリング、構造方程式モデリング…
問題点
しかし、この方法でもやはり問題点があります。
線形や二次関数など、従属変数と共変量の関係をモデル化しないといけないということです．もし真のモデルが二次関数のときに線形を仮定してしまうと誤った結論が得られてしまいます．また、回帰係数自体が、因果効果と等しくはならないということです．

傾向スコアの利用

そこで、こうした問題点を克服するために、”セミパラメトリックな”共変量調整法として傾向スコアを用いた解析法が注目されています．
定義
今、薬を飲んだ人をz＝１、薬を飲まなかった人をz＝０のようにzを割付変数とします．また共変量ベクトルをxとすると、傾向スコアは群１（薬を飲んだ人）へ割付けられる確率として定義されます．添字のiは第i被験者を表しています．

\[ e_{i} = Pr(z_{i} = 1|\mathbf{x_{i}}) \]

使用のための条件
ただし、この傾向スコアを使うためには条件が必要です．それが、割当てが「強い意味で無視可能」であるという条件です．この条件は次の３つに分けられます．

観測された共変量によって割付が説明できるということ

観測されていない共変量が割付に影響を与えないということ

従属変数の値によって、割付が決定されないということ

傾向スコアの具体的な解析方法
以上のような条件が成立するときに、傾向スコアを用いた解析を行うことができます．
その解析方法は二段階に分かれています．

傾向スコアの推定

傾向スコアを用いた調整

マッチング
層別
共分散分析
重み付き平均

次回は、重み付け平均を考えてみます．

【R】【ファイナンス】ヒストリカルボラティリティを計算してみる

2012-05-16T01:14:00.001+09:00

ヒストリカルボラティリティ（HV）を計算できるプログラムをRで書いていました．

20日間で計測することが多いようなので、計算式は以下のようにしています．

HV = 20日間の対数収益率の標準偏差 × 250の平方根

HVは過去の株価の変動が大きくなれば大きくなり、一定の割合ならば小さくなります．

HV導出に用いたデータはyahoo! financeから取得しています．
データ：Nikkei 225

サンプル期間：2012年1月4日〜5月14日

Rスクリプト

図

赤線が対数収益率、青線がHVを表しています．4月の半ば頃からHVが高くなっている様子が伺えます．

参考書

「R言語逆引きハンドブック」はRコードを書くときにお世話になりました．

応援よろしくです．

【論文】【ファイナンス】【言語処理】ツイッターで株式市場予測？！

2012-05-12T23:50:00.001+09:00

ツイッターから感情を抽出し、ダウ工業平均の変動を予測した論文Twitter mood predicts the stock market.
ツイートから社会全体の雰囲気を表す感情指標を作成し、それを使って株式市場を予測しようという論文．

【概要】

Twitterの投稿の語彙から抽出された社会全体の感情を表す指標が、DJIAの変動を87.6%の精度で予測した．
3〜4日前のCalmという感情の変動がDJIAの変動とほぼ一致する．

【解析の流れ】

OFとGPOMSを用いて、7つの感情に分類する．Yahoo! FinanceからDJIAを取得する．
OFとGPOMSを比較できるように平均0分散1のZ値に標準化する．
グレンジャー因果性テストでOF¥&GPOMSがDJIAの予測に使えるかを検証する．
SOFNNを用いて非線形のDJIA予測モデルの予測精度が感情因子の組み合わせによって向上するかどうかを確認する．

【OFとGPOMS】

センチメント分析のフリーソフトで、文章の感情を特定できる．
2718個のpositive語と4912個のnegetive語からなるOF辞書を使って、ある日のツイートの感情をpositiveとnegativeに分類し、それぞれの感情が投稿されるとそれぞれに1だけ増やし、その比率を計算する．
p/nの2つだけであるので、人間の複雑な感情を把握できているとは言い難い．

GPOMS

ツイートのテキストデータをCalm, Alert, Sure, Vital, Kind, Happy に分類する．
2006年にGoogleがwebサイトから抽出した1兆語もの単語を利用し、25億に及ぶ4-/5-gramsの解析から作成された．

【グレンジャー因果性】

3日前のCalmの変動が現在のDJIA変動と同じような動きをしていることから、Calmの時系列データがほかの感情データと比べて予測の情報を含んでいると言える．
ただし、10月13日の連邦準備制度理事会のアナウンスの結果、Calmのデータからは予測できないDJIAの変動が生じている．

【SOFNN】

OFのp/nは予測精度を向上させることはない．
Calmがもっとも高い予測精度（株価の上下変動の予測）を記録した（86.7¥%）．
CalmとSureやCalmとVitalを組み合わせたものは、将来のDJIAの情報を含まない．CalmとHappyの組み合わせは、MAPEをもっとも下げ、株価の上限変動の予測に関していい結果を残した（80.0¥%）．Happyはグレンジャー因果性のテストでは、DJIAの予測には役立たないという結果であったが、Calmと組み合わせるとDJIAの予測に役立つ．Fテストをすると、CalmとHappyを線形結合するとCalmだけの場合に比べて結果がよくないので、異なった感情因子には非線形の関係があることが確認される．

【感想】

グレンジャー因果性を経済学の文脈で用いるとき、次数は1にすることが多いが、本論文では、7までテストしている．
収集したツイートは必ずしも市場の情報を含んでいるものとは言えない．社会全体の感情や気分が株式市場を予測できるかどうかが本論文の目的であるが、マーケットに関連する、あるいは投資家のクラスタの中で同様の分析をすると予測精度がさらに上昇しそう．
FRBがBail-outのアナウンスをしたときには、感情データは株式市場を予測できていない．このあたりは経済学的な考え方で株価上昇の説明ができる．
感情データと株式市場には相関がありそうだが、因果関係があるかは分からない．
パフォーマンスは？

応援よろしくです．

【お知らせ】【統計】勉強会をやろうと思っています

2012-03-19T23:53:00.000+09:00

回帰分析だけでなく、統計分析を幅広く勉強しようと思っていたときに、友人に勧められて購入した本．

　現象のモデル化ということで回帰モデルはよく使いますが、識別／判別／分類はあまり使わないので、勉強になります．
　経済学では、特に回帰分析が多いな、というのが私のイメージです．ビジネスの分野では、識別／判別／分類などの手法がよく使われているそうです．

目次

はじめに
線形回帰モデル
非線形回帰モデル
ロジスティック回帰モデル
モデル評価基準
判別分析
ベイズ判別
サポートベクターマシーン
主成分分析
クラスター分析

付録ブートストラップ法
付録ラグランジュの未定乗数法
付録EMアルゴリズム

【お知らせ】

この本を使って、勉強会をしようと考えています．

本ブログを通じて、詳細をお知らせできればと思います．

場所は大阪です．

【気になる記事】【統計】WEBで読める統計関係の良質な資料 | など

2012-03-15T22:54:00.001+09:00

最近の気になった記事を紹介しています．

WEBで読める統計関係の良質な資料

独学で勉強できる環境になっています．

統計関係で、この他にもお世話になっているサイトをこのブログでも紹介できればと思います．

グーグル、検索システムを改良へ　市場シェアの維持目指し過去最大の変更か

検索サイトからSMSに人が流れている中で、グーグルはその地位を守ることができるかでしょうか？

FC2ブログランキングに登録しました．

ポチッと押して応援よろしくお願いします．

【気になる動画】【動物】犬のような猫

2012-03-13T22:10:00.001+09:00

猫も犬も大好きなので、犬的要素を兼ね備えた猫はサイコーです．

リンク先

Cat Does Dog Impression

【気になる記事】【ライフハック】これはマネしたい！模様替えの参考になりそうなパソコン周りの画像を集めました(´ω｀)｜など

2012-03-12T20:17:00.000+09:00

気になった記事の紹介です．

これはマネしたい！模様替えの参考になりそうなパソコン周りの画像を集めました(*´ω｀*)

パソコン周りの模様替えにおすすめの記事です．
Macがかっこいいー！

旦那さんのやみつき油そば

自分で料理する訳ではないけど、クックパッドにはまっています．

【読書メモ】【行動経済学】【効用理論】誘惑される意志２

2012-03-11T23:34:00.000+09:00

今回は、前回「誘惑される意志」の続きを書いていきたいと思います．

第二章　意思決定の科学の根底にある二律背反

本章では、中毒者の例を挙げながら効用理論の限界が記述されています．
今回の投稿ではそのことをメインで書いていきたい思います．

効用理論

効用理論のもとで、人は、選択肢それぞれに報酬があって、それを最大化しようとしている．
効用理論において不合理な行動は、主要な確率計算の失敗が原因．（非合理性＝期待収入の失敗）
効用理論に説明できること：低金利の預金に手をつけたくなるからといって、高金利のローンに手をだすような行動がどのくらい余計なコストをもたらすか
説明できないこと：薬物中毒、悪習、ギャンブルのような変な行動をなぜやめないのか？

【感想】

本書にも書いているように「合理的な中毒者」に対する批判
今まで、何も気にせず効用最大化問題を解いてきたけど、こういう理解も必要なんだと反省
勉強の合間に悪習と思いながらついついツイッターを開いてしまう、行動をどうにかしたい笑”

【読書メモ】【行動経済学】誘惑される意志

2012-03-05T01:16:00.004+09:00

去年の夏に図書館で借りて、去年の秋に購入した「誘惑される意志」．ゆっくり読んでもあまり理解できずに本棚にお眠りになっていたけど、双曲線割引についてもっと理解せねばということで、また読んでます．今度こそ！という思いで、ブログに書いて何とか続けようと努力しているわけで…

章ごとに感想とかまとめとかを書いていきます．

筆者は精神科医のジョージ・エインズリー．

行動経済学の論文にはよく登場するみたいで．
秋に読んだBenabou and Tirole(2004)にもばっちり引用されてました．
始めて勉強したときは、こんなことを経済学で説明できるのか、と思いました．

第一章　はじめに

副題にもあるように、人はなぜ自滅的行動をするのか、っていうのが本書のテーマ．
第一章には自滅的な行動をしてしまう、ことについての観察や研究が書かれています．
また、その学問領域も紹介されています．

自滅的な行動の小史／自滅的な行動の研究方法
経済学専攻なので、主に経済学や効用理論のところを重点的に見ているのですが、認知主義や精神分析、神経生物学などさまざまな切り口から人間の意志についての研究の概要が簡単にまとめられていて、とても興味深いです．

気になった経済学の説明は…
エインズリーの経済学の合理的意志決定の説明
合理的な意思決定：選択肢の熟考の結果／外部の財に基盤／新しい情報がない限り安定
非合理的な行動の理由：不適切な情報／将来の大幅な割引

「外部の財に基づかない（頭の中の内的な報酬と結びつかない）」と書いているけど、これってどういう意味でしょうか？

人間の行動は何らかの欲求や要求を満たすために起こっていて、その欲求（要求）の対象が「外部の報酬」にあれば外発的動機づけと呼び、欲求（要求）の対象が『内部の価値観（興味関心）』にあれば内発的動機づけと呼ぶそうです．

外的な、と言われると例えば政府の政策のようなものを想像します．
こんな行動をしたら報酬がもらえますよ、とか罰せられますよとか．
子ども手当なら（実際はそうじゃないかもしれないけど）子どもの数が増えればお金がたくさんもらえるから、子どもたくさん作りましょう！っていうのが、外的な報酬の例でしょうか．

一方、内的な、と言われると、よく学校教育で叫ばれているような「自律」とか「能動的に学びましょう」っていう言葉を連想します．
その行動自体に興味関心を抱き、目標を達成していくことに喜びを感じる、というのが内的な報酬のイメージになるでしょうか．

本書では、「自滅的な行動」の理由として、経済理論の不合理性の理由では不適切であることを紹介しています．

【お知らせ】【大学院】大学院受験

2012-03-02T00:57:00.004+09:00

今日は、後輩の書いている大学院受験ブログを紹介します．

http://bei0135.blog79.fc2.com/

専攻は経済学で、京大／阪大／神大を受験してすべて合格したそうです．
（すごい！）

いろんな本を紹介しているので、
これから大学院（経済）を受験しようとしている人はぜひ、参考にしてみてください．

彼は、大学院の受験が終わったので、
この先、ブログの方向性がどうなるのか、結構楽しみにしてます．

【読書メモ】【統計】【R】R言語逆引きハンドブック

2012-02-27T02:05:00.002+09:00

前回に引き続きRのことを書いています．

Rの書き方や関数はほとんどネットに落ちているので、困ることはほとんどありませんが、
辞書的なものも欲しいということで、かなり高かったのですが、R言語逆引きハンドブックを購入。

パソコンの隣に置いてけば安心です．

この本はOsaka.Rという統計とRの勉強会で紹介されていた本でもあります．

最近、経済学から離れて統計とプログラムがメインになっています．

【読書メモ】【経済学】次世代インターネットの経済学

2011-07-09T02:27:00.000+09:00

本書はインターネットの普及とともに、急成長してきたグーグル、Amazon、マイクロソフトのような企業が活動するデジタル経済に関する入門書だ．経済学を用いると、このデジタル経済はどのように説明できるのかが明らかにされていて、現実の社会現象に経済学がいかに適用されるのかを知ることができる．

本書の最初に、経済学の枠組みを用いてネット産業の特徴が説明される．規模の経済やネットワーク効果、ロックインなど、経済学を学んだことのある学生なら聞いたことのあるキーワードが並んでいる．

情報通信産業は他の産業と比べて、特に専門用語が多い、というより技術革新が早すぎて次から次へと言葉が生まれて、整理するのが難しい．本書はそういう産業を対象にしているので、アルファベットや横文字がとにかく多い．読むのにとても苦労しました…

本書を読んで驚いたことは（というか情報インフラについてこれまで何も知らなかったので）、実は日本が他の国と比べてすばらしい情報インフラを持っているということだ．

情報通信産業の特徴を説明する経済理論や実証分析を経て、終章では、ブロードバンド立国へ向けての最近の動き（光の道構想など）や筆者の提案が掲載されている．

【読書メモ】【数学】証明の展覧会Ⅰ

2011-05-25T23:39:00.001+09:00

本書の序文にあるように、英語のseeは、「見ること」と「理解する」という意味を持つ．図を見て理解する．それが"Proofs without words"．言葉は厳密だけれでも、しばしば理解することを困難にする．一方で、図を用いて証明することは、厳密ではないけれども、証明やその意味の理解を容易にする．どちらも必要不可欠だが、理解することや人に伝えることを重視するなら、絵を描いてみることが一番いい．

以下は序文の引用です．

もちろん《言葉を用いない証明》は正確な証明とはいえません．論文”数学における視覚化の不都合について”の著者、テオドール・アイゼンバーグとトミー・ドレイファスは、この論文の中で次のような指摘をしています：視覚に訴える議論は信憑性に欠けると考え、「数学を伝える手段はただ1つしかなく《言葉を用いない証明》は受け入れ難い」とさえいう人もいます．しかし、私たちはこの意見には完全には賛同できません．多くの数学者たちの以下のような見解が私たちの意見の正当性を裏付けてくれるでしょう．
（中略）数学者ソロモン・レフェシェッツに言及して、ポール・ハルモスは「彼を数学の倫理としてではなく、像として捉えていた」と述べています．また数学者となるには、どのような才能が必要かということに触れて、ハルモスは「数学者となるには、視覚的に物を捉える才能を持っていることが必要である」といっています．確かに教師のほとんどは、学生たちからこの才能を引き出すことを心がけています．ジョージ・ポーリアの「図を描いてみよ」という戦略は教育法の古典的な定石であり、またアイゼンスタインやポアンカレの「人は視覚的な直観力をもっと使うべきだ」という主張もよく知られています．

本書は、数学でよく知られた定理の証明をすべて図を使って証明しようという、何とも野心的な内容で、証明を視覚的に捉えようとすることを目的にしています．
ただここまで、本書の序文を引用して、名前の出てきた数学者のほとんどを誰か知らない…汗

経済学との関係で興味を持った箇所は、部分積分、コーシー・シュワルツの不等式、算術平均と幾何平均、無限等比級数の和などなど．
図を使うと、あーそんなことだったのかと単純なものが多いことに気がつく．

中には、大学入試勉強のときの、図形問題で見たことあるような問題も…．図形の問題はいろんなところで応用しやすいのでしょうか．

証明者のところでアメリカ大統領の名前が出てきたのには驚きでした．

【コント】【テレビ】サラリーマンNEO

2011-05-21T23:08:00.001+09:00

http://www.nhk.or.jp/neo/

ついにseason6．

サラリーマンという身近なものを題材を笑いに変える30分コント番組だ．

サラリーマンではないから、全く実感がなし、サラリーマン生活がどんなものか分からないのだけれども、これだけseasonが続いているということは、それなりにrealityがあって、共感する視聴者が多いのだろう．

前回（5/17）で特に面白かったのは、東進ハイスクールのCMのパロディだ．

「OB・OG訪問が大切だということを何度も言っておきます」

題材は就職活動．

厳しいと言われるこの時期に、「笑える」という精神力は大切．

今まで保守的なイメージのあったNHK．
こんな番組もやるんだっていう衝撃が大きいだけに、毎season楽しみにしてしまう．

BOOK JOURNAL

【Python】Pythonを学習するための教材

【読書メモ】思わずジャケ買いの経済書

【統計】【R】データセットをwide形式からlong形式に変換する

【読書メモ】【行動遺伝学】遺伝子の不都合な真実

【統計】世界がもし100人の村だったら…

【気になる記事】【Economist】お金を出しているのに健康になれない

【統計】Goodデータサイエンティストになるには？

【気になる記事】【Economist】中国の経済成長

【統計】【R】IPW推定量を導出してみる その３

【統計】IPW推定量を導出してみる その２

【統計】IPW推定量を導出してみる その１

【統計】傾向スコア

【R】【ファイナンス】ヒストリカルボラティリティを計算してみる

【論文】【ファイナンス】【言語処理】ツイッターで株式市場予測？！

【お知らせ】【統計】勉強会をやろうと思っています

【気になる記事】【統計】WEBで読める統計関係の良質な資料 | など

グーグル、検索システムを改良へ 市場シェアの維持目指し過去最大の変更か

【気になる動画】【動物】犬のような猫

Cat Does Dog Impression

【気になる記事】【ライフハック】これはマネしたい！模様替えの参考になりそうなパソコン周りの画像を集めました(*´ω｀*)｜など

【読書メモ】【行動経済学】【効用理論】誘惑される意志２

【読書メモ】【行動経済学】誘惑される意志

【お知らせ】【大学院】大学院受験

【読書メモ】【統計】【R】R言語逆引きハンドブック

【読書メモ】【経済学】次世代インターネットの経済学

【読書メモ】【数学】証明の展覧会Ⅰ

【コント】【テレビ】サラリーマンNEO

【統計】【R】IPW推定量を導出してみる　その３

【統計】IPW推定量を導出してみる　その２

【統計】IPW推定量を導出してみる　その１

グーグル、検索システムを改良へ　市場シェアの維持目指し過去最大の変更か

【気になる記事】【ライフハック】これはマネしたい！模様替えの参考になりそうなパソコン周りの画像を集めました(´ω｀)｜など