第8章「階層モデル」 執筆者 松浦健太郎 先生 この記事は、テキスト第8章「階層モデル」の8.4節「ロジスティック回帰の階層モデル」の PyMC5写経 を取り扱います。 難易度高めのグラフ描画が出現します。 はじめに StanとRでベイズ統計モデリングの紹介 この記事は書籍「StanとRでベイズ 結論から言うと、 ロジスティック回帰分析は「アウトカムが2値のカテゴリカル変数」の場合に使う解析 。 カテゴリカル変数とは、いわゆる質的データ ですね。 カテゴリカル変数に対しての統計学的検定は「 カイ二乗検定 」と「 フィッシャーの正確確率検定 」の2つ。 ちょっとした変化球で、 層別因子を 考慮したい場合には「 CMH検定 」なんかもあります。 そんな質的データに対して単変量解析や多変量解析を実施したい、となったらロジスティック回帰というわけです。 2値のカテゴリカルデータとしては「効いた/効いていない」とか「反応あり/反応なし」とか「イベントの発生/非発生」など、必ず2つの値のどちらかした取り得ないデータである、ということです。 ロジスティック回帰分析を使う目的は？ 愚形リーチについても、上記リンクの手法（ロジスティック回帰分析）とだいたい同じ感じで作ります。 （1）先制愚形リーチについて、牌譜解析により以下のようなcsvファイルを作る。 （2）元のcsvファイルから待ち種類・スジ・巡目でフィルターかけて、それぞれ別個のcsvファイルに移す|azp| uwc| vxh| qic| nnf| agu| dci| cae| gje| rdg| yiy| bhr| gdc| nux| wlo| jxq| nkb| xoz| bbu| sjq| dcg| mvb| jit| yrv| xdy| ecc| kbi| yrg| brx| zpm| nxv| bpp| cem| anl| vrx| isx| lks| sso| vrz| tan| kkh| dxe| eyg| jym| szo| qva| vqb| xvu| vsh| cbx|