Upcoming SlideShare
Tokyo r53
- 1. また春に会いましょう ベイズ推定で不合格者を決めたい 2016/04/30 Tokyo.R53 @simizu706
- 2. 自己紹介 • @simizu706 – 専門：社会心理学 – 所属：関西学院大学 • ※「かんせいがくいん」 と読む – 趣味：心理統計・ソフトウェア開発 • Web – ブログ：http://norimune.net HiroshimaR#3
- 3. 統計分析ソフトHAD
- 4. 大学教員の悩み • 試験で誰を合格・不合格させるか・・・ – テストの点数が60点以下というのは妥当か？ – IRTを使っても何点で区切ればいいか難しい • ひとつの解決法 – テストデータから，落第させるべきグループを推 定する – 潜在的な「ダメ」学生を推定したい
- 5. 潜在ランクモデル • 潜在的な順序グループを推定する – ？？？ • 因子分析と混合分布モデルの中間 – 因子分析のように，潜在的な次元得点を推定 – 混合分布モデルのように，潜在的なグループを 推定 – その中間 HiroshimaR#3
- 6. • 順序性を持った潜在的なグループ – 因子が一次元上に得点化される – データは，質の異なるグループから抽出されたと 考える 因子分析と混合分布の間 順序 因子 項目 項目 項目 項目 HiroshimaR#3
- 7. 潜在ランク分析あれこれ • Shojima (2007) – ニューラルテスト理論 • 自己組織化マップを用いた，潜在ランク分析 • ノンパラメトリックな項目反応理論として提案 • 入力データは二値か順序 • Shojima (2008) – 潜在ランク理論 • 潜在的な順序グループを推定する一般モデルの提案 • 推定アルゴリズムをEMアルゴリズムに拡張 • テスト理論として，教育学やテスト学の分野で採用 HiroshimaR#3
- 8. 【宣伝乙】 • 顧客のブランド・コミットメントのランクを推定 – ランクごとにどういう特徴があるのか – 上のランクに上げるには何が必要か
- 9. 潜在ランクモデルの難点 • ハイパーパラメータがある – 自己組織化マップを応用した方法なので，ハイ パーパラメータによって結果が変わる • 恣意的になる可能性もある • 現状モデルはハイパーパラメータを評価できない • そうだ，ベイズ推定しよう – 潜在ランクモデルをベイズ推定したい – ハイパーパラメータやランク数を自動推定したい
- 10. 今回のデータ • 社会心理学の試験の成績 – 248名が20項目のマークシート式試験を受験 – 合格不合格を，テストデータのみから推定したい • 前提とゴール – 20項目がそれぞれベルヌーイ分布に従う – 受験生は，学力にあわせた潜在的なランクに所 属しており，ランクごとに各項目の正答率が違う – 「一番下のランク」を不合格としよう
- 11. データの分布
- 12. Generative Topographic Mapping • 自己組織化マップの生成モデル版 – データを低次元空間に写像するのではなく， – 低次元潜在空間から高次元データが生成すると 考える • ベイズモデルをGTMで組む – GTMのほうがベイズの枠組みに乗りやすい – ハイパーパラメータも一緒に推定したい
- 13. 1次元GTMとしての潜在ランクモデル • 1次元潜在空間から高次元データが生成 – 規則正しく並べられたノードからデータが生成 – 高次元空間に非線形写像 潜在ランク 多次元データ
- 14. Item Response Function • 潜在空間から各項目の正答率への写像 正 答 率 潜在ランク 1 0 ・単調増加制約 ・ガウス過程
- 15. モデリング • 混合分布モデル＋正則化項 – パラメータがガウス過程に従うと仮定した混合ベ ルヌーイ分布モデル • ロジット変換したものがガウス過程に従う Kはランク数 pkは正答率 πkは混合率 rはランク η，λ，σがハイパーパラメータ
- 16. ランク数も自動的に知りたい • ディリクレ過程を使えばできるらしい – 理屈はよくわからん – beroberoさんのブログのコードを丸パクり – いらないランクは自動的に混合率が0に縮小する
- 17. rstanのADVIで推定 • MCMCでももちろん大丈夫だが・・・ – しかしこの推定をするには，大阪-東京間の新幹線は 短すぎる – stanコードはsampling()と同じでいい • vb()を使うときの注意点 – tol_rel_objの設定がデフォルトが甘すぎる（気がす る）ので，0.001ぐらいに厳しくする – でもデータサイズが小さいと収束しないのでiterをで かめにしておいて，そこそこで収束と判断
- 18. stanコード
- 19. stanコード
- 20. stanコード
- 21. stanコード
- 22. Rコード • ランク数は多めに10を指定 – 予想では勝手にいい感じのランク数になるはず • 収束基準を厳しめに，収束回数を大きめに – 8100回で無事収束
- 23. 混合率を見てみる • print(fit.lra,pars=c("pi")) – 2ランク・・・だと・・？
- 24. ランクごとの期待得点 • print(fit.lra,pars=c("score")) – ランク1：54.33点・・・落第点？ – ランク2：78.66点
- 25. 実際の得点とランクの関係 • Rank1：136名 – 20点～75点 • Rank2：112名 – 65点～100点
- 26. 結論 • Rank1の136人が落第 – また春に会いましょう – ※実際にこれで合否は決めてません • 推定ランク数が少ない？ – 2値データ20項目という情報の少なさ – 変数がもっと多ければ，ランク数はもっと多く推定 される
- 27. Enjoy! @simizu706
Be the first to comment