統計解析の再現可能性を高める取り組み
統計解析の再現可能性を高める取り組み 1. 統計解析の再現可能性を 高める取り組み 専修大学人間科学部心理学科 国里愛彦 2017/7/8 臨床疫学研究における報告の質向上のための統計学の研究会 第30回「Rを用いたデータハンドリング入門：効率的かつ再現性の高い統計解析のための第一歩」 2. 再現性の危機 • 心理学研究 本のうち再現されたのは 本 • 引用数が多く効果があるとされた臨床医学研究 本のうち再現されたのは 本 • 名の調査から， が他の研究者の研究を再 現できず， が自分の研究の再現もできなかった 3. と • 再現可能性 ：ある現象が他の研究者 が行った研究でも再現されること（新規なデータ収 集あり） • 再生可能性 ：データから解析結果 が再生できること（新規なデータ収集なし。コードや データの共有などで確認する） →今回は，再生可能性について扱う Peng, R. D.
提言「社会調査をめぐる環境変化と問題解決に向けて」（平成29年9月19日） | 日本学術会議 社会学委員会 社会統計調査アーカイヴ分科会
提言 社会調査をめぐる環境変化と問題解決に向けて 平成２９年（２０１７年）９月１９日 日 本 学 術 会 議 社会学委員会 社会統計調査アーカイヴ分科会 i この提言は、日本学術会議社会学委員会社会統計調査アーカイヴ分科会の審議結果を取 りまとめ公表するものである。 日本学術会議社会学委員会社会統計調査アーカイヴ分科会 委員長 佐藤 嘉倫 （連携会員） 東北大学大学院文学研究科副研究科長 副委員長 石井 クンツ 昌子 （連携会員） お茶の水女子大学基幹研究院人間科学系教授 幹 事 青柳 みどり （連携会員） 国立研究開発法人国立環境研究所社会環境システム研 究センター主席研究員 幹 事 稲葉 昭英 （連携会員） 慶應義塾大学文学部教授 町村 敬志 （第一部会員） 一橋大学大学院社会学研究科教授 阿部 彩 （連携会員） 首都大学東京都市教養学部人文・社会系教授 今田 高俊 （連携会員） 東京
企業のデータ活用の成否を決める1つの重要な概念
RIETI - 出身大学、職務評価、昇進：雇用者学習モデルの人事データを用いた推定
RIETI - University Prestige, Performance Evaluation, and Promotion: Estimating the employer learning model using personnel datasets
雇用主学習モデルは雇用主が、従業員の能力についての先験的分布を学歴から形成し、職務のパフォーマンスを観察しながらその分布を更新していくと仮定する。本論文は各従業員の出身大学、職務評価、職能等級に関する豊かな情報を含んだ2つの大規模製造業企業の人事データを用いて、大卒ホワイトカラー労働者についての雇用主学習モデルのパラメータを推定した。推定の結果は雇用主は従業員の能力を素早く学習することを示しており、当初の予測誤差は3年から4年のうちに半減する。企業は名門大学の卒業生を早く出世させるがそれは名門大学の卒業生が一般的に職務上のパフォーマンスがよいためである。 The employer learning model postulates that employers form employees' prior ability distribution from educational crede
データ分析で大切な４つのこと：1. 「当たり前の結果」をたくさん出す事の大切さ - トレジャーデータ（Treasure Data）ブログ
データ分析で大切な４つのこと トレジャーデータはクラウドでデータマネージメントサービスを提供しています。 ここ数年，データの大量な蓄積とそれに対する分散並列処理が可能な環境が成熟してきました。元々はデータの蓄積やバッチの効率化といった分析バックエンド（プラットフォーム）の方にフォーカスがあてられてきましたが，やっとその先のデータ」「分析」というところ，そしてその役割を果たすデータ分析者の重要性が理解されるようになってきているように感じています。 このブームは分析者にとって非常に喜ばしいことでもあると同時に，大きなプレッシャーにもなっているような気がします。 そのプレッシャーの１つに，企画者や経営者・あるいは顧客といった結果を活用する人々（＝意志決定者）の，「これだけ材料（データ）が揃っているのだから多くの課題が解決できるはずだ」という期待に応えないといけないというプレッシャーがあると思いま
京都大学の各学部の留年者数等に関するデータ - zekipedia
大学の後輩がブログでネット上に転がっている京大に関する資料を紹介していて、色々と見ていたんだけれども、京都大学の各学部・研究科の留年者数や退学者数のデータが中々面白かったので分析してみました。 ちなみにデータ元はこれです。 ❏ 4-4-1.pdf 一応kyoto-u.ac.jp上で公開されています。（2013/04/14確認済み） 追記 何も考えずに留年率を出す時に留年者数を全学生数で割ってたんですが、卒業者数で割るべきではという指摘がありました。 @zekitter 留年率なのですが在籍者数ではなく卒業者数で割る(ある人が卒業までに留年を経験する確率、より正確には卒業が遅延する平均の年数)と感覚的にわかりやすいと思います— ほにゃちょさん (@honyacho) 2013年4月13日 確かにそっちの方が留年率の感覚としては近そうです。今の計算だと、1〜4回生の留年確定者が反映されてないで
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
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
http://iir.ibaraki.ac.jp/jcache/documents/2018/iries2018/files/1-03_suzuki.pdf
資料2 ノーベル賞受賞者についての論文分析
1000人受講、大阪ガス「ビッグデータ研修」を追体験 - 日本経済新聞
データ分析、即エクセル入力が「ご法度」のわけ 受講者数は1000人超え 大阪ガス「ビッグデータ研修」の要諦 - 日本経済新聞
機械学習によるデータ分析まわりのお話
データ分析というお仕事のこれまでとこれから(HCMPL2014)