お世話になります7772です。重回帰分析での標準化係数、非標準化係数の意味合いは、標準化係数が、ある変数が他の変数に比べてどのように影響しているかを比べるもので、非標準化係数が、他の変数の影響を一定にして、一つの変数にのみ絞ったその変数の全体への影響を示したものと認識しています。私が疑問に思うのは、これらの係数が負の値をとるときです。そのときは正の値のものよりも影響しないということでしょうか？具体的には、標準化係数が0.2のものと－3.3のものでは、0.2のほうがより影響していると言うことなのでしょうか？それとも、判断は絶対値で行い、上のような場合、－3.3のほうが影響しているけれど、それは変数が増えれば全体が増えるのではなく、変数が増えると全体が減る。の用に影響していると言う意味合いなのでしょうか？

こんにちは。SPSSの用語は独特な表現のものが多いので注意しましょう。最初に「標準化係数」と「非標準化係数」の認識が間違っている点を指摘します。一般的な用語を使えば，回帰係数と偏回帰係数，そして標準偏回帰係数というものがあります。・ある変数が他の変数に比べてどのように影響しているかを比べるもの → これは「回帰係数」のことであり，重回帰分析では表示されません。・他の変数の影響を一定にして、一つの変数にのみ絞ったその変数の全体への影響を示したもの → 「偏回帰係数」のことです（SPSSの用語で言えば「非標準化係数」）。重回帰分析で表示されるのはこの「偏回帰係数」系の指標です。それでは，残った「標準化係数」とは何かというと，一般用語では「標準偏回帰係数(β)」であり，標準化，すなわち「偏回帰係数」を平均0，分散1に標準化したものです。通常は-1≦β≦+1の範囲を取るので，絶対値「1」に近いほど影響力がある（「0」に近いほど影響力がない）と解釈されるとよいでしょう。係数の符号の解釈についてです。一般に係数は「正負の方向性」と「絶対値」の二つの観点から解釈を行います。絶対値が大きいほど，影響力が強いことを意味します。「正負の方向性」とは，その影響が「＋」に影響を与えているか，「－」に影響を与えているかを意味します。＞具体的には、標準化係数が0.2のものと－3.3のものでは、＞ 0.2のほうがより影響していると言うことなのでしょうか？【標準化】係数で「-3.3」になったのですかっ！？一般には「±1」を超えることは珍しいのですが，これはかなり超えています。何か特別の事情があるかもしれませんね……

標準化係数と非標準化係数 -お世話になります7772です。重回帰分析での- 心理学

Q相関分析の相関係数と重回帰分析の偏回帰係数の違いの説明

実は会社での説明に苦慮しています。
例えば、携帯電話の(1)メーカー/(2)デザイン/(3)機能の(4)購入意向、に対する影響度を見たい、という時に、重回帰分析における偏回帰係数で(1)(2)(3)の(4)に対する影響度を測ろうとしているのですが、「(4)と(1)(2)(3)それぞれの相関の高さで見るのと何が違うのか？」と聞かれてしまい、回答に窮しています。あまり統計に詳しくない人（私もそうですが）に対し、うまく説明する方法はないでしょうか。
どなたかお知恵をいただきたく、よろしくお願いします。

Aベストアンサー

相関分析と重回帰分析の違いは、説明変数を一つとするか複数にするかの違いです。
　目的とするもの(従属変数、数式ではy)に影響するものが、説明変数(数式ではx)です。

　プロ野球を例に取ると、野球はピッチャーだ、といわれます。そこで、過去数年間について、ピッチャーのチーム防御率だけをXとし(説明変数が単数)、その年の順位をyとして、分析するのが単回帰分析です。
　しかし、いくらピッチャーが良くても、打てなければ勝てません。そこで、バッターの打率も考える必要があります。すなわち、チームの防御率をX1、チームの打率をx2、すなわち、説明変数を複数(２つ以上)採り、順位yの推定を行うのが、重回帰分析です。
　このように、単回帰分析よりも、重回帰分析の方が、必ず相関係数が高くなります。すなわち、結果の推定の確実性が増すわけです。相関係数が、1.0になれば、説明変数の事柄だけで、従属変数の事柄が決定できます。すなわち、100%的中します。

　単回帰では、防御率、打率とも、相互の影響は考慮されていません。従って、防御率と打率のどちらが影響力が強いのかは、相関係数から予測はできるものの、決定できません。選手をとる場合、同じ年俸を払うのに、ピッチャーとバッターのどちらを補強したら効果的かは、判断が困難です。
　このとき、どちらの影響が強いかを推定できるのが、重回帰分析です。そのために利用するのが、偏回帰係数ですが、変数の単位に左右されるので、注意を要するところです。

　「単回帰では、(1)(2)(3)のどれが最も効果的かは、判断できません」が答えでしょうか。
　釈迦に説法の点は、ご容赦を。
　　

相関分析と重回帰分析の違いは、説明変数を一つとするか複数にするかの違いです。
　目的とするもの(従属変数、数式ではy)に影響するものが、説明変数(数式ではx)です。

　プロ野球を例に取ると、野球はピッチャーだ、といわれます。そこで、過去数年間について、ピッチャーのチーム防御率だけをXとし(説明変数が単数)、その年の順位をyとして、分析するのが単回帰分析です。
　しかし、いくらピッチャーが良くても、打てなければ勝てません。そこで、バッターの打率も考える必要があります。すなわち、チー...続きを読む

他の回答も見る

Q相関係数についてくるP値とは何ですか？

相関係数についてくるP値の意味がわかりません。

r=0.90 (P<0.001)
や
P=0.05で相関がない

という表現は何を意味しているのでしょうか？
またMS Excelを使ってのP値の計算方法を教えてください。

よろしくお願い致します。

Aベストアンサー

pは確率(probability)のpです。全く相関のない数字を組み合わせたときにそのr値が出る確率をあらわしています。

統計・確率には100％言い切れることはまずありません。というか100%言い切れるのなら統計・確率を使う必要は有りません。
例えばサイコロを5回振って全て同じ目が出る確率は0.08%です。そんな時、そのサイコロを不良品(イカサマ?)と結論つけるとわずかに間違っている可能性が残っています。ただ、それが5%以下ならp=0.05でそのサイコロは正常ではないと結論付けます。
それが危険率です。(この場...続きを読む

他の回答も見る

Qエクセル　STDEVとSTDEVPの違い

エクセルの統計関数で標準偏差を求める時、STDEVとSTDEVPがあります。両者の違いが良くわかりません。
宜しかったら、恐縮ですが、以下の具体例で、『噛み砕いて』教えて下さい。
（例）
セルA1～A13に1～13の数字を入力、平均値＝７、STDEVでは3.89444、STDEVPでは3.741657となります。
また、平均値7と各数字の差を取り、それを２乗し、総和を取る(182)、これをデータの個数13で割る(14)、この平方根を取ると3.741657となります。
では、STDEVとSTDEVPの違いは何なのでしょうか？統計のことは疎く、お手数ですが、サルにもわかるようご教授頂きたく、お願い致します。

Aベストアンサー

データが母集団そのものからとったか、標本データかで違います。また母集団そのものだったとしても（例えばクラス全員というような）、その背景にさらならる母集団（例えば学年全体）を想定して比較するような時もありますので、その場合は標本となります。
で標本データの時はSTDEVを使って、母集団の時はSTDEVPをつかうことになります。
公式の違いは分母がn-1（STDEV）かn（STDEVP）かの違いしかありません。まぁ感覚的に理解するなら、分母がn-1になるということはそれだけ結果が大きくなるわけで、つまりそれだけのりしろを多くもって推測に当たるというようなことになります。
AとBの違いがあるかないかという推測をする時、通常は標本同士の検証になるわけですので、偏差を余裕をもってわざとちょっと大きめに見るということで、それだけ確証の度合いを上げるというわけです。

他の回答も見る

Qパス解析

パス解析って、どういった分析なのですか？SPSSでも出来るものなのですか？私は論文でパス解析の結果の図しか見たことないので、どういったものなのか知りたいです。今のところの私のパス解析による分析に対する結果の解釈方法は、重回帰分析の繰り返しを行っているといった感じです。ただ、実際にSPSSなどを使って重回帰分析を繰り返しやっていると、場合によっては恐ろしく手間がかかると思いますので、専用のソフト(フリーを含む)などで出来るものはないのかと思っています。宜しくお願いします。

Aベストアンサー

こんにちは．
パス解析については詳しくないのですが，論文などを読んだ感じでは少しばかり，この解析法については混乱があるような気がします．

パス解析とは，質問者さんが見たことがある「パス図」として表示することを最終目標とした図と考えるのが混乱が少ないような気がします．
パスというのは，ある変数とある変数との間の関連性の経路（pass）のことですね．その意味では変数と変数との関連性を示している解析法はパス解析となりますが，複数のパスを描く必要がある……その場合を特別にパス解析と呼ぶのが通例のような気がします．複数のパスを描くとは，すなわち複数の変数の関係性を調べる訳なので，多くの多変量解析は図的表現をすれば，パス解析と呼ぶことができると思われます．
その意味では，パス解析とは特定の統計手法を指すのではなく，ある意味では多変量解析の別名と考えると混乱が少なくなるのではないか，と思います．

しかし，もう少し限定的な意味で「パス解析」とは次の二種類があるようです．

・単純な重回帰分析の繰り返しによるパス解析
・共分散構造分析によるパス解析

昔はパス解析といえば「単純な重回帰分析の繰り返し」を意味したようです．少なくともパス解析の開発初期においてはその意味で使われていたように思われます．しかし重回帰分析は潜在変数（因子）を扱うことができないなどの欠点がありました．
そして最近流行になっている共分散構造分析では，因子を扱いながら重回帰分析のような影響性の関係を調べることができるようになり，より優れたパス図の作成をすることができます．

このような流れがあるようなので，パス解析という言葉の意味である「変数と変数の間の経路を解析する」を厳密に考えるならば，昔のような「単純な重回帰分析の繰り返し」だけでなくなり，現在のような「共分散構造分析」によるパス解析も含めるのが当然となります．

さて，具体的にパス解析をどのように実行すればよいかですが，ようするにパスをかけるのならばよいわけですから，No1さんが仰られているようにSPSSの「重回帰分析」を繰り返して使うというものでもかけますし，また，SPSSのアドインソフト（単独でも使えますが）である「Amos」というソフトを使って「共分散構造分析」を使ってパス解析をすることもできます．
なお，SPSSで「重回帰分析の単純な繰り返し」法では，確かに大変ですが，共分散構造分析が普及していなかった時代は，大変であろうがとにかくやるしかなかったわけです．そして手計算に比べれば手間がかかるといってもたかがしれているわけです．研究者は自分の持つデータに対する分析はいろいろと，それこそうんざりするぐらい分析を行いますのであまり手間をかけるという発想はないのではないか，と思います．
しかし，どうしてもいっぺんにやりたいというのであれば，Amosなどの共分散構造分析ソフトを使うようになります．現在では「単純な重回帰分析の繰り返し」の専門ソフトに対する需要は少ないと思うので開発されていないのでは，と思います（この辺はおもいっきり自信なし）．

こんにちは．
パス解析については詳しくないのですが，論文などを読んだ感じでは少しばかり，この解析法については混乱があるような気がします．

パス解析とは，質問者さんが見たことがある「パス図」として表示することを最終目標とした図と考えるのが混乱が少ないような気がします．
パスというのは，ある変数とある変数との間の関連性の経路（pass）のことですね．その意味では変数と変数との関連性を示している解析法はパス解析となりますが，複数のパスを描く必要がある……その場合を特別にパス解析と呼...続きを読む

他の回答も見る

Qカイ2乗検定って何？？；；

タイトルのとおりですが…大学で統計の基礎な授業を一般教養で受けています。だけど知らない＆説明のない言葉がいっぱぃで、全くついていけません（＞＿＜））
「人が一番選ばなさそうな数字」を何度か投票した結果があって、その数字は無作為に選ばれてるかどうか、有意水準1%としてカイ2乗検定をして判断する、という問題があるのですが、カイ2乗検定自体、授業でちらっと言葉は使ったものの、計算の仕方、使い方の説明等はなく、まったく手がつかずにいます；；ネットでも調べてみましたが、どう使っていいのかまでは分かりませんでした。
知識の無い私でもわかるようなものがあれば教えて下さいっっ！お願いします。

Aベストアンサー

こんにちは．χ2(カイ二乗)検定を厳密に理解するには，数学的素養を持っている状態できっちりと統計学を学習する必要があるのですが，統計データを解析するための手段として統計学を「使う」のであれば，多少の原理を知っておけばよいでしょう．
以下初学者向けにかなり乱暴な説明をしています．正確な理解をしたければ，後で統計学の教科書などで独学して下さい．

χ2検定とは，χ2分布という確率分布を使ったデータ解析法と考えてもらう……のが一番なのですが，多分χ2分布って何？　と思われるでしょう．χ2分布とは，二乗値に関する確率分布と考えることができるのですが，この辺もさらりと流して下さい．

例を使って説明します．今，道行く人にA，B，C，Dの四枚のカードの中から好きなもの一枚を選んでもらうとしましょう（ただし，選んでもらうだけで，あげるわけではありません．単にどのカードを選択仕方の情報を得るだけです）．一人一枚だけの条件で，160人にカードを選んでもらいました．
さて，ここで考えてみて下さい．4枚のカードには大きな違いはなく，どれを選んでもかまわない．でたらめに選ぶとなれば，どのカードも1/4で，同じ確率で，選ばれるはずですよね？　ならば，160人データならば，Aは何枚ほど選ばれる「はず」でしょうか？　同様に，B，C，Dは何枚選ばれる「はず」でしょうか？
……当然，A＝B＝C＝D＝40枚の「はず」ですよね？　この40枚という数値はでたらめに（無作為に）選ばれたとしたらどんな数値になるかの【理論値】を意味します．

さて，上記はあくまでも理論値であり，実際のデータは異なる可能性があります．というよりはむしろ違っているのがふつうでしょう．そのような実際に観測された数値を【観測値】と呼びます．
仮に理論値と観測値が以下のようになったとします．

　　　　　　　　A　　　 B　　　 C　　　 D
(1)観測値　　　72　　　23　　　16　　　49
(2)理論値　　　40　　　40　　　40　　　40

当然のように観測値と理論値にズレが生じています．しかし現実と理論が異なるのはある意味当然なのですからぴったり一致することなどありえません．そこで，「ある程度一致しているか（ズレは許容範囲か）」を問題にすることになります．しかし，「ある程度」といわれても一体どのぐらいであれば「ある程度」と言えるのでしょうか？　なかなか判断が難しいではないですか？
確かに判断が難しいです．そこで，この判断のために統計学の力を借りて判断するわけで，更に言えばこのような目的（理論値と観測値のズレが許容範囲かどうか）を検討するときに使われるデータ解析法がχ2検定なのです．

　　　　　　　　A　　　 B　　　 C　　　 D
(1)観測値　　　72　　　23　　　16　　　49
(2)理論値　　　40　　　40　　　40　　　40
(3)ズレ　　　 +32　　 -17　　 -14　　 + 9
(4)ズレ二乗　1024　　 289　　 196　　　81
(5)(4)÷(2)　25.6　　7.225　　4.9　　2.025

　χ2＝25.6＋7.225＋4.9＋2.025＝49.25

計算過程をさらりと書いていますが，早い話が観測値と理論値のズレの大きさはいくらになるのか，を求めることになります．最終的には「49.25」というズレ値が算出されました．

さて，この「49.25」というズレ値が許容範囲かどうかの判定をするのですが，ここで，χ2分布という確率分布を使うことになります．詳細は統計学教科書を参考してもらうとして，χ2分布を使うと，○○というズレ値が（ある条件では）どのぐらい珍しいことなのか，という「珍しさの確率」を教えてくれます．
かりに「有意水準1％＝1％よりも小さい確率で発生することはすごく珍しいと考える（許容範囲と考えられない）」とすれば，「珍しさ確率」が1％以内であれば「許容範囲ではない」と判断します．

以上，長々と書きました．今までの説明を読めばわかるように，χ2検定とはある理論値を想定した時，実際の観測値がその理論値とほぼ一致しているかどうかを調べるための統計解析法のことです．

χ2検定では，理論値をどのように設定するかは分析者の自由です．その設定の仕方で，χ2検定は「適合度の検定」や「独立性の検定」など異なる名称が付与されますが，本質は同じなのです．

質問者さんの場合は

＞　「人が一番選ばなさそうな数字」を何度か投票した結果があって、その数字は無作為に選ばれてるかどうか、

これを理論値としてうまく設定することが鍵となるでしょう．

こんにちは．χ2(カイ二乗)検定を厳密に理解するには，数学的素養を持っている状態できっちりと統計学を学習する必要があるのですが，統計データを解析するための手段として統計学を「使う」のであれば，多少の原理を知っておけばよいでしょう．
以下初学者向けにかなり乱暴な説明をしています．正確な理解をしたければ，後で統計学の教科書などで独学して下さい．

χ2検定とは，χ2分布という確率分布を使ったデータ解析法と考えてもらう……のが一番なのですが，多分χ2分布って何？　と思われるでしょう．χ2分布...続きを読む

他の回答も見る

Q因子分析の因子負荷量について

因子負荷量がよくわからないのですが、負荷量が大きいということは、その項目の重要度も大きいということでしょうか？
その因子をより説明している、と聞いた気もするのですが、説明している、というのがよくわからないんです…

5件法で聞いて５が多かったり１が多かったりすると
大きくなったりするのでしょうか？

寄与率についても曖昧な知識しかありませんので、わかりやすく教えていただけるとありがたいです。

Aベストアンサー

bon-chanさん，こんにちは．意欲的に統計法の質問をされていますね．
正統的説明はtem546さんがされていますので，その中継ぎとして，不正確ですがもう少し初心者向けの説明をしたいと思います．

因子分析を単純に言ってしまえば，「複数の変数を，更に少数の【類似した】変数群にまとめるための【視点】を提供する」となります．
例えば次の相関行列を参考にして，「科目A～D」の五つの変数を，類似したもの同士をまとめる際の視点は何かを探ります．

　　──　科目ＡＢＣＤＥの相関行列(架空)：１　────────
　　　　　　　科目Ａ　　科目Ｂ　　科目Ｃ　　科目Ｄ　科目Ｅ
　　　科目Ａ　 1.00　　-0.34　　 0.98　　 -0.44　　 -0.24
　　　科目Ｂ　-0.34　　　1.00　　-0.34　　　0.53　　　0.63
　　　科目Ｃ　 0.98　　-0.34　　 1.00　　 -0.35　　 -0.32
　　　科目Ｄ　-0.44　　　0.53　　-0.35　　　1.00　　　0.54
　　　科目Ｅ　-0.24　　　0.63　　-0.32　　　0.54　　　1.00
　　─────────────────────────────

かなり露骨な相関行列なので因子分析を使わなくとも何とかなります．この相関行列を，数値が低いものを消して，あれこれ並べ替えてみると，

　　──　科目ＡＢＣＤＥの相関行列(架空)：４　────
　　　　　　　科目Ａ　科目Ｃ　科目Ｂ　科目Ｄ　科目Ｅ
　　　科目Ａ　1.00　　0.98
　　　科目Ｃ　0.98　　1.00
　　　科目Ｂ　　　　　　　　　1.00　　0.53　　0.63
　　　科目Ｄ　　　　　　　　　0.53　　1.00　　0.54
　　　科目Ｅ　　　　　　　　　0.63　　0.54　　1.00
　　─────────────────────────

となり，「科目A＆C」と「科目B＆D＆E」という二つの「視点」がみつかりました．この「視点」こそが，因子分析における「因子」です．

因子分析の本来の目的は「因子は何個あるのか？」を探ることでした．無論，一番上の相関行列を見て，「いや，例え相関係数が0.6であっても，両者は違うんだっ！」とこだわりさえすれば「科目B&D&E」は同じ因子にはならないでしょう．この辺は分析者の主観によります．
やがて因子分析を使う人達は，「因子は何個？」という目的だけに満足できずに「それぞれの因子の【内容】についても知りたい」という少し贅沢な要求を出してきました．

この要求は統計を実践で使う人から提出されたものですが，理論家からすれば「それは本来の使い方じゃないから厳密には内容を特定は出来ないんだがなあ」と思わせるものです．とはいえ，理論家は実践家に対してアドバイスを与えます．「因子負荷量に注目すれば因子の内容を（ある程度）特定できるよ（，絶対的じゃないけどね）」と．

一番最初の相関行列を因子分析にかけます．

　　─────────────────────────
　　　　　主因子法・バリマックス回転後の因子負荷量
　　　　　　　　　　　因子１　因子２　共通性
　　　　　　　科目Ａ　-0.20　　 0.98　　1.00
　　　　　　　科目Ｃ　-0.20　　 0.97　　0.98
　　　　　　　科目Ｂ　 0.84　　-0.17　　0.74
　　　　　　　科目Ｄ　 0.75　　-0.29　　0.65
　　　　　　　科目Ｅ　 0.87　　-0.09　　0.77
　　　　　　　固有値　 2.12　　2.01
　　　　　　　寄与率　42.36％　40.26％
　　　　　累積寄与率　42.36％　82.62％
　　─────────────────────────

このような結果になります．この因子分析結果では二因子解を採用しています．
因子負荷量とは何か？　少し間違った言い方をすれば「因子と項目との間の【相関係数】」……そう考えてもらって構いません．少なくとも直交回転における因子分析ではこの考えはそれほど間違っていないと思います（正確な解釈はtem546さんの説明を参考にして下さい）．

では上記の結果から「因子１」と「因子２」の内容を特定しましょう．このままでは特定化できないので以下の情報を提供します（なお上記データは全て架空です）．

・科目A：数学　科目C：理科
・科目B：英語　科目D：国語　科目E：社会

いま，「因子２」というのは「数学と理科」科目の項目と，非常に関係が強い（高い相関係数）．因子負荷量からそれが読みとれますね？　因子負荷量というのは「重要度」というよりは「関係の強さ」と考えてもらった方が分かりやすいと思います．
因子というのは，関連する複数の項目（数学と理科）に「共通する要素」なわけですから……数学と理科の共通の要素とは何でしょうか？　まあどのような名称を与えるかは分析者の命名センスにかかっていますので，ここでは「理系的学力」とします．結果，「因子２＝理系的学力」となります．同様に「因子１＝文系的学力」となるでしょう．

とりあえず，因子負荷量に関して，使い方に関連した部分だけ簡単に説明させてもらいました．以上の説明を読んでもらって，改めてtem546さんの説明を読んで下さい．私が誤魔化している部分をより正確に説明していらっしゃいます．

最後に，一番最初の相関行列からの説明でわかるように，因子分析というのは「相関係数」を元にしています．
相関係数というのは御存知の通り，一つの変数がどうこうではなく，【二つの変数間の関係】を示しています．

＞5件法で聞いて５が多かったり１が多かったりすると
＞大きくなったりするのでしょうか？

【直接的には】なりません．
あくまでも二変数関係に注目するものですから，一つの変数が５に集中したからといって因子負荷量が大きくなったりするわけではありません．
ただし……ある変数Aがたいてい５であり，別の変数Bがたいてい５である場合，「AとBとには同じ５になろうとする関係だ」となります．この意味で間接的に「５が多ければ……」因子負荷量が大きくなることがあるかもしれません（これは自分で考えてみて下さい）．

bon-chanさん，こんにちは．意欲的に統計法の質問をされていますね．
正統的説明はtem546さんがされていますので，その中継ぎとして，不正確ですがもう少し初心者向けの説明をしたいと思います．

因子分析を単純に言ってしまえば，「複数の変数を，更に少数の【類似した】変数群にまとめるための【視点】を提供する」となります．
例えば次の相関行列を参考にして，「科目A～D」の五つの変数を，類似したもの同士をまとめる際の視点は何かを探ります．

　　──　科目ＡＢＣＤＥの相関行列(架空)：１　─────...続きを読む

他の回答も見る

Qエクセルで計算すると2.43E-19などと表示される。Ｅとは何ですか？

よろしくお願いします。
エクセルの回帰分析をすると有意水準で2.43E-19などと表示されますが
Ｅとは何でしょうか？

また、回帰分析の数字の意味が良く分からないのですが、
皆さんは独学されましたか？それとも講座などをうけたのでしょうか？

回帰分析でＲ２（決定係数）しかみていないのですが
どうすれば回帰分析が分かるようになるのでしょうか？
本を読んだのですがいまいち難しくて分かりません。
教えてください。
よろしくお願いします。

Aベストアンサー

★回答
・最初に『回帰分析』をここで説明するのは少し大変なので『Ｅ』のみ説明します。
・回答者 No.1 ～ No.3 さんと同じく『指数表記』の『Ｅxponent』ですよ。
・『指数』って分かりますか？
・10→1.0E+1(1.0×10の1乗)→×10倍
・100→1.0E+2(1.0×10の2乗)→×100倍
・1000→1.0E+3(1.0×10の3乗)→×1000倍
・0.1→1.0E-1(1.0×1/10の1乗)→×1/10倍→÷10
・0.01→1.0E-2(1.0×1/10の2乗)→×1/100倍→÷100
・0.001→1.0E-3(1.0×1/10の3乗)→×1/1000倍→÷1000
・になります。ようするに 10 を n 乗すると元の数字になるた...続きを読む

他の回答も見る

Q回帰関係の有意性と回帰係数の有意性の意味

「回帰関係の有意性」と「回帰係数の有意性」についての質問です。

この２つなんですが、それぞれ何故こんなことをするのでしょうか？
また何がわかるのでしょうか？

式を見たりしてもイマイチ理解ができず、困っています。
簡潔に説明して頂けると大変有り難いです(＞＜;)

よろしくお願いします。

Aベストアンサー

>式を見たりしてもイマイチ理解ができず
統計学を数式で説明できるヒトなら可能です。私は、もっぱら国語で理解していますので。それと、回帰分析を何度もやればなんとかなります。といっても、回帰分析の解釈は、専門家でも間違っている例をいくつも知っています。

>「回帰関係の有意性」
有意性の判定を相関係数で行うのなら、x軸とy軸の両者の関係は偶然なのか否かの判定をします。有意であれば、回帰式も適切である、と考えます

>「回帰係数の有意性」
　回帰係数は、重回帰分析の時に、どの因子の...続きを読む

他の回答も見る

Q統計学的に信頼できるサンプル数って？

統計の「と」の字も理解していない者ですが、
よく「統計学的に信頼できるサンプル数」っていいますよね。

あれって「この統計を調べたいときはこれぐらいのサンプル数があれば信頼できる」という決まりがあるものなのでしょうか？
また、その標本数はどのように算定され、どのような評価基準をもって客観的に信頼できると判断できるのでしょうか？
たとえば、99人の専門家が信頼できると言い、1人がまだこの数では信頼できないと言った場合は信頼できるサンプル数と言えるのでしょうか？

わかりやすく教えていただけると幸いです。

Aベストアンサー

> この統計を調べたいときはこれぐらいのサンプル数があれば信頼できる・・・
　調べたいどの集団でも、ある一定数以上なら信頼できるというような決まりはありません。
　何かサンプルを集め、それをなんかの傾向があるかどうかという仮説を検証するために統計学的検定を行って、仮設が否定されるかされないかを調べる中で、どの検定方法を使うかで、最低限必要なサンプル数というのはあります。また、集めたサンプルを何か基準とすべき別のサンプルと比べる検定して、基準のサンプルと統計上差を出すに必要なサンプル数は、比べる検定手法により計算できるものもあります。
　最低限必要なサンプル数ということでは、例えば、ある集団から、ある条件で抽出したサンプルと、条件付けをしないで抽出したサンプル(比べるための基準となるサンプル)を比較するときに、そのサンプルの分布が正規分布(正規分布解説:身長を5cmきざみでグループ分けし、低いグループから順に並べたときに、日本人男子の身長なら170cm前後のグループの人数が最も多く、それよりも高い人のグループと低い人のグループの人数は、170cmのグループから離れるほど人数が減ってくるような集団の分布様式)でない分布形態で、しかし分布の形は双方とも同じような場合「Wilcoxon符号順位検定」という検定手法で検定することができますが、この検定手法は、サンプルデータに同じ値を含まずに最低６つのサンプル数が必要になります。それ以下では、いくらデータに差があるように見えても検定で差を検出できません。
　また、統計上差を出すのに必要なサンプル数の例では、Ａ国とＢ国のそれぞれの成人男子の身長サンプルがともに正規分布、または正規分布と仮定した場合に「ｔ検定」という検定手法で検定することができますが、このときにはその分布を差がないのにあると間違える確率と、差があるのにないと間違える確率の許容値を自分で決めた上で、そのサンプルの分布の値のばらつき具合から、計算して求めることができます。ただし、その計算は、現実に集めたそれぞれのサンプル間で生じた平均値の差や分布のばらつき具合(分散値)、どのくらいの程度で判定を間違える可能性がどこまで許されるかなどの条件から、サンプル間で差があると認められるために必要なサンプル数ですから、まったく同じデータを集めた場合でない限り、計算上算出された(差を出すために)必要なサンプル数だけサンプルデータを集めれば、差があると判定されます(すなわち、サンプルを無制限に集めることができれば、だいたい差が出るという判定となる)。よって、集めるサンプルの種類により、計算上出された(差を出すために)必要なサンプル数が現実的に妥当なものか、そうでないのかを、最終的には人間が判断することになります。

　具体的に例示してみましょう。
　ある集団からランダムに集めたデータが15,12,18,12,22,13,21,12,17,15,19、もう一方のデータが22,21,25,24,24,18,18,26,21,27,25としましょう。一見すると後者のほうが値が大きく、前者と差があるように見えます。そこで、差を検定するために、t検定を行います。結果として計算上差があり、前者と後者は計算上差がないのにあると間違えて判断する可能性の許容値(有意確率)何%の確率で差があるといえます。常識的に考えても、これだけのサンプル数で差があると計算されたのだから、差があると判断しても差し支えないだろうと判断できます。
　ちなみにこの場合の差が出るための必要サンプル数は、有意確率５％、検出力0.8とした場合に5.7299、つまりそれぞれの集団で6つ以上サンプルを集めれば、差を出せるのです。一方、サンプルが、15,12,18,12,21,20,21,25,24,19の集団と、22,21125,24,24,15,12,18,12,22の集団ではどうでしょう。有意確率5%で差があるとはいえない結果になります。この場合に、このサンプルの分布様式で拾い出して差を出すために必要なサンプル数は551.33となり、552個もサンプルを抽出しないと差が出ないことになります。この計算上の必要サンプル数がこのくらい調査しないといけないものならば、必要サンプル数以上のサンプルを集めて調べなければなりませんし、これだけの数を集める必要がない、もしくは集めることが困難な場合は差があるとはいえないという判断をすることになるかと思います。

　一方、支持率調査や視聴率調査などの場合、比べるべき基準の対象がありません。その場合は、サンプル数が少ないレベルで予備調査を行い、さらにもう少しサンプル数を増やして予備調査を行いを何回か繰り返し、それぞれの調査でサンプルの分布形やその他検討するべき指数を計算し、これ以上集計をとってもデータのばらつきや変化が許容範囲(小数点何桁レベルの誤差)に納まるようなサンプル数を算出していると考えます。テレビ視聴率調査は関東では300件のサンプル数程度と聞いていますが、調査会社ではサンプルのとり方がなるべく関東在住の家庭構成と年齢層、性別などの割合が同じになるように、また、サンプルをとる地域の人口分布が同じ割合になるようにサンプル抽出条件を整えた上で、ランダムに抽出しているため、数千万人いる関東の本当の視聴率を割合反映して出しているそうです。これはすでに必要サンプル数の割り出し方がノウハウとして知られていますが、未知の調査項目では必要サンプル数を導き出すためには試行錯誤で適切と判断できる数をひたすら調査するしかないかと思います。

> どのような評価基準をもって客観的に信頼できると判断・・・
　例えば、工場で作られるネジの直径などは、まったくばらつきなくぴったり想定した直径のネジを作ることはきわめて困難です。多少の大きさのばらつきが生じてしまいます。1mm違っても規格外品となります。工場では企画外品をなるべく出さないように、統計を取って、ネジの直径のばらつき具合を調べ、製造工程をチェックして、不良品の出る確率を下げようとします。しかし、製品をすべて調べるわけにはいきません。そこで、調べるのに最低限必要なサンプル数を調査と計算を重ねてチェックしていきます。
　一方、農場で生産されたネギの直径は、1mmくらいの差ならほぼ同じロットとして扱われます。また、農産物は年や品種の違いにより生育に差が出やすく、そもそも規格はネジに比べて相当ばらつき具合の許容範囲が広くなっています。ネジに対してネギのような検査を行っていたのでは信頼性が損なわれます。
　そもそも、統計学的検定は客観的判断基準の一指針ではあっても絶対的な評価になりません。あくまでも最終的に判断するのは人間であって、それも、サンプルの質や検証する精度によって、必要サンプルは変わるのです。

　あと、お礼の欄にあった専門家：統計学者とありましたが、統計学者が指摘できるのはあくまでもそのサンプルに対して適切な検定を使って正しい計算を行ったかだけで、たとえ適切な検定手法で導き出された結果であっても、それが妥当か否か判断することは難しいと思います。そのサンプルが、何を示し、何を解き明かし、何に利用されるかで信頼度は変化するからです。
　ただ、経験則上指標的なものはあります。正規分布を示すサンプルなら、20～30のサンプル数があれば検定上差し支えない(それ以下でも問題ない場合もある)とか、正規分布でないサンプルは最低６～８のサンプル数が必要とか、厳密さを要求される調査であれば50くらいのサンプル数が必要であろうとかです。でも、あくまでも指標です。

> この統計を調べたいときはこれぐらいのサンプル数があれば信頼できる・・・
　調べたいどの集団でも、ある一定数以上なら信頼できるというような決まりはありません。
　何かサンプルを集め、それをなんかの傾向があるかどうかという仮説を検証するために統計学的検定を行って、仮設が否定されるかされないかを調べる中で、どの検定方法を使うかで、最低限必要なサンプル数というのはあります。また、集めたサンプルを何か基準とすべき別のサンプルと比べる検定して、基準のサンプルと統計上差を出すに必要な...続きを読む

他の回答も見る

Q対数変換する意味？

私は数学が苦手な文系大学生です。最近「地域分析」という本を読んでいるのですが、たびたび数式を「対数変換すると・・・」と言う風に話が進みます。対数変換をすることの意味がわからないので内容が理解できません。

まず、対数変換とは何なのか？対数変換を行なうと何がどのように変わるのでしょうか？
また、一般的に対数変換とはどのような目的で行なわれるのでしょうか？

ということを文系の学生にわかりやすく教えていただけないでしょうか。
対数変換の内容を理解していないため、質問が的を得ていないかもしれませんが、よろしくお願いします。（また、ここで説明できるような内容でなければ、その旨をお伝えください。）

Aベストアンサー

まず、ここで論じられている「対数」が「常用対数」を意味する
ことを前提として話を進めましょう。

対数に変換するということは、ある数値を
任意の底の値の指数値で表すことを意味します。
具体的に言うと（ここでは常用対数に限定することにしたので）、
ある数値が１０（これが常用対数の底の値）の何乗であるのか
ということです。

たとえば、１００という数値の常用対数を取ると、
１００は１０の２乗ですから、「２」となります。
同様に１０００は「３」、１００００は「４」です。

この...続きを読む

他の回答も見る