ぎょーむ日誌 2006-01-18

2006 年 01 月 18 日 (水)

• 0920 起床． また生活周期がずれた． 朝飯． コーヒー． 1035 自宅発． 雪． 1055 研究室着．
• 出張準備のほうはひとまず片づいたので， 来週の月曜日・水曜日の統計学授業の準備． お題としては， 一般化線形混合モデル (generalized linear mixed model; GLMM) のハナシをしたい． というのも， たいへん利己的な理由ながら， 3 月の自由集会 に使いまわせるからだ．
• 蛇足ながら私がいつもにもまして露骨に利己的である理由は， 「今年度の統計学授業 はもうやってしまった」 つもりになっていたのに， さらに二回ぶんも追加されてしまったためである．
• しかしながら (受講者の大多数をしめる) M1 あいての 90 分 × 2 回を GLMM ハナシばかりでうめつくすのはちょっとしんどい …… ハナシをさせられるほうも， それを聞かされるほうにも． したがって， 水曜日 90 分間を GLMM 予想脱落者数多数まにあっくハナシをやることにして， 月曜日はその「準備」みたいなものにあてるか． となると， ふつーの logistic 回帰とかポアソン回帰つまり GLM (generalized linear model) の説明， とか?
• とりあえずまた LaTeX ファイルの準備．
• 昼飯． 窓の外は大雪． 甲山さんは 「明日の東京出張の飛行機， とぶんだろうか?」 と心配してる …… えー， 私の東京出張は甲山さん主催のぷろっとねっと会議でハナシをさせられるため， なんだよね． で， 新千歳空港の滑走路に明朝 3m 積雪したがゆえに 東京出張キャンセルになっても当方にはまったくもって何も不都合ない， と考えている自分を発見する．
• 残念ながら， 札幌から JR で 40 分ほど離れた千歳市に 北海道玄関的な飛行場が建設されたのは， 「札幌に比べて雪がつもらないから」 という理由があるからなんだけど． 最深積雪量は 千歳市 0.5m ぐらい， 札幌市 1m ぐらい． この量は一日で最も多く雪が降った日の降雪量なんで 極値 (extreme values) ではあるけれど． 年間の累積だと千歳市は 1.5m ぐらいで， 札幌市は 5-6m (!) ぐらい …… とのこと．
• で， うだうだと授業準備 …… ススまん．
• イヤになるとまた A 棟 8F 内うろうろして， 院生たちにイヤがられてみる， と．
• 授業につかう架空例， とりあえず乱数を組み合わせていろいろとこしらえてみる …… ふーむ， 「個体差」ありデータに対する 混合モデル使った推定は結果を単純化させるのか複雑化させるのか? 授業で使うような単純化された架空例の場合だと， 要因の効果をきわだたせるような推定値を出すな． それに対して， 実データでパラメーターたくさん推定させるような場合だと， 「個体差」は「そんなにたくさんパラメーターいらんでしょ」 という方向でモデルを単純化させる …… というこうとかしらん?
• 混合モデルによる推定結果が「要因の効果をきわだたせる」 例みたいなものを示すために， 「個体差なし」の glm() と「あり」の glmmML() を対戦させて遊んでみる …… ふーむ．

[glm() vs glmmML() 百番勝負]

glm(y ~ 1 + size, family = binomial, ...) といった計算で得られる推定値． ホントの値は十字線交点 {-10, 1}． 標本 y は二項乱数 rbinom() で生成．一個体から 10 反復，100 個体． キツい「個体差」あり …… ということで， 当然ながら glmmML() のほうが良い推定値を出しているように見える． glm() のそれは明らかに偏る …… となるようにこの例題は作ったわけだが． 授業に使えるか? しかし， この glmmML() のばらつきのすごさよ．

• ついでながら …… 線形モデルのたぐいでは， 上の図で示されているように， 推定値間に強い相関が生じる． これを誤解して 「パラメーター a と b のあいだで ゆーいな『とれいどおふ』が発見されました」 とか発表しているまぬけなヒトがいたりするけど， こんな「関係」に「生物学的意味」とやらは何もない．
• 2010 研究室発． 雪はやんだ． 2030 帰宅．
• [今日の運動]
  • うんどうふそく
• [今日の食卓]
  • 朝 (0950): 米麦 0.7 合． 麻婆豆腐．
  • 昼 (1420): 研究室お茶部屋． 米麦 0.5 合． 麻婆豆腐．
  • 晩 (2130): 米麦 0.7 合． 麻婆豆腐． ホッケ電磁波酒蒸し．