変化をさぐる統計学 データで「これから」をどう読むか ブルーバックス

土金達男(著者)

• 販売会社／発売会社: 講談社/
• 発売年月日: 2001/02/20
• JAN: 9784062573191

商品レビュー

2009/09/18

p.25　移動平均法　ある日のデータを、その前後の何日かと合わせて平均化する。各週ごとの単純平均では、データ数が7分の1に減ってしまう。ところが、移動平均法ではデータ数はあまり減らないから、サイクルやトレンドをより正確に読めるんだよ。

p.41　係数というのは、説明変数(原因)が一つ変化すると、目的変数(結果)がどれだけ変化するか、という数字

p.47　回帰注意点　?それぞれの原因(説明変数)は、お互いに影響を与えないこと。
　　　　　　　　　?結果(目的変数)が、逆に原因(説明変数)に影響を与えないこと。

p.53　最小二乗法　AとBの関係を最もよく表す直線を求める方法。すべての誤差を二乗して足す。二乗することで、負の値を正の値と同等に扱えるようにし、差を強調できる。

p.55　＋e　エラー(誤差)　予測式と実際の数値の間の誤差。誤差が5%以内なら、その構造式は統計学的に適切。

p.60　原因の標準化された係数のプラス・マイナスを合計して、それが100%に近いほど、推定した原因で説明されやすい。95%なら合格。ほかにも要因は考えられるかもしれないが、それらすべてを合計しても5%くらいの微小な原因となる。

p.61　multicollinarity多重共線性　原因同士が影響を与えあっている。

p.65　誤差の条件　?誤差同士の間に相関関係があってはいけない。
　　　　　　　　　?一定値(5%)以内になければならない。
　　　ｔ値　説明変数のばらつきを表す。誤差をその標準偏差で割った値。それがプラス・マイナス2以上ということは95%以上の確率で正しい。

p.74　パス図　回帰では扱えない、原因同士が影響を及ぼしあっている状況を説明する。
　　　パス係数　影響力の強さ。０〜１で表す。

p.78　標準化係数＝パス係数

p.81　パス係数と相関係数は同じではない。AMOSというソフトが計算。

p.82　パス係数とは直接効果と間接効果を総合したもの。

p.89　潜在変数によるモデル　具体的な数字にしにくい原因(説明変数)で表したモデル。

p.128　たくさんの原因が複雑に影響しているものには、曲線あてはめは適当ではない。

p.132　逐次残差　毎年の残差のバラツキを見る。前年度までのデータをもとにした構造式で今年の地価を見たとき、どれだけの残差が出るかを見る。

p.135　コブ・ダグラス生産関数　資本と労働を投入するほど生産は増える

p.137　代替弾力性　労働量を10%減らしても、資本を10%増やせば生産は変わらない

p.145　ニューロネットワーク　常に最新のデータから全体構造を考え直していく。原因と結果の関係がよく見えない場合

p.164　因子分析　

p.168　回帰分析では、説明変数がおのおの独立に作用する。因子分析では潜在変数を重視する。ニューロネットワークは、できるだけ目的変数の誤差が少ないようにする。

2009/02/22

時系列分析、重回帰分析、ニューラルネットワークあたりの考え方が解説されている。わかりやすい。でも本当に重要なのは複数のシナリオの重要性。（2130）

2006/09/26

数式だと分かりづらい分析を対話と図で分かりやすくしようとした本。
回帰分析・因子分析・パス解析ニューロネットワークの導入には重宝するかもしれない。