ワイブル回帰 ワイブル分布を仮定して、形状パラメータ共通、尺度パラメータを説明変数で変わるモデル \begin{align*} F(t|x) = 1 - \exp\left( - \left( \frac{t}{\eta(x)} \right)^m \right) \\ \eta(x) = \exp(\beta * x) \end{align*} ワイブル回帰のサンプルデータ set.seed(0) n <- 1000 # 台数 m <- 2 # 形状パラメータ beta <- -1 # 係数 beta0 <- 10 # 切片 x <- rnorm(n) data.df <- data.frame(tt = rweibull(n, shape = m, scale=exp(beta * x + beta0)), x = x, status=rep(1,n)) > library(eha)
ロジスティック回帰分析の結果のまとめ方について私の考え方をまとめておく。通常の回帰分析やその他の線形モデルにも共通する部分も多いと思う。あらゆる分析結果のまとめ方に共通する大事な原則は、 必要な情報を記載し、不要な情報は削除すること。必要な情報とは読者が分析結果を吟味するうえで必要な情報ということであり、読者に自説の正しさをわかってもらい、反論を封じるために必要な情報ということでもある。 業界の標準的な慣習には従うこと（そのほうが同業者にとって読みやすい）、 ということである。下の表１が標準的なサンプルである。ただし後で述べるようにモデル１はやや問題がある。 表１ ギムナジウムかそれ以外の中等教育期間に進学するかの二項ロジスティック回帰分析の結果 ==================================================== モデル1 モデル2 モデル3 ----
データサイエンスの分野では、観測データからノイズを取り除き、一定の法則を見つけ出して抽象化することをモデリングと呼ぶ。量的データの最も簡単なモデルは回帰分析である。本欄の第13回～16回(2004年8月号～11月号)で線形・非線形回帰モデルについて説明した。本稿では、カテゴリカルデータのモデリングについて説明する。 モデリングには、応答変数が何らかの確率分布に従うという仮定の下で、モデルに必要となる係数・パラメータを推測する方法が最も多く用いられている。一般の線形回帰分析はデータが正規分布に従うという仮定の下で、モデルの推定を行う。 カテゴリカルデータの場合は、観測データが２項分布、ポアソン分布、多項分布、などの確率分布に従うと見なし、モデルを推測する。 しかし、何らかの仮定の下で構築したモデルが真のモデルであるかどうかは判断できない。同一のデータについて異なる仮定の下で推定した複数のモデ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
