ぎょーむ日誌 2006-09-19

2006 年 09 月 19 日 (火)

• 0650 起床． 0700 自宅発． 曇． 0715 研究室着． 朝飯． コーヒー．
• そういや， 本日から三日間は書類上の「夏休み」だったな， といまごろ気づく．
• 比較的規模の小さい (はず) のデータ解析こんさるを (堆積しないうちに) どんどんやってしまおう， と計画． まずは農学部 M1 中井君の卒論． 以前にぎょーむ日誌にデータ解析があやしいうんぬんと書いてしまったので， そのむくいである． やはり内容的にはかなりおもしろいが ……
• 途中でこちらの院生の 「文字どーり樹状構造データを記述するデータ構造」 に関する質問． これは (植物生態学のどの教科書にも書かれていないが) 最良の方法はきまっており， それは「娘」 (の枝というか segment) から見て「母」 を記録していくという方式だ (逆方向つまり母→娘はだめ)． たとえばデータ表の各行を

  樹木 ID, 母 ID, 娘 ID, 娘齢, (娘 segment データ) ...
  

  としておけば， あとはこれを R なり何なりに読みこませて， ごく簡単なプログラミングでもって， 階層構造・樹状構造の中の「任意の場所から『先』の集計」 みたいなことが簡単にできる．
• で， 一つめのデータ解析こんさるメイル書きを終えて， 二つめに取り組んでいると招集命令が …… そうか今日は熱帯林サンプリング作戦会議だった．
• ということで 1100-1300 ごろまで 7F の甲山さん部屋となりで， 甲山さん・矢澤さんと Pasoh サンプリング計画．
  • けっきょく矢澤さんはめでたくというか順当にというか 樹木の太さ-高さ (D-H) 関係を調べることが中心に
  • しかし， ぢつは D-H 関係って樹木まわりの生態学の超難問のひとつで (個体・集団動態の中で形成されるパターンだから)， まちがっても「あろめとりー」のハナシではないし， 「センがひければ何でもいい」 という問題でもない
  • 一ヶ月間がんばってサンプリングすれば 1000 個体?
  • それを 50 種だとすると一種 20 個体ぐらい?
  • 選抜対象樹種ってのが「最大サイズ」みたいな量で 「層別抽出」みたいな方式で選ばれる， と
  • 種内ではサイズもしくは順位で加重した sample() で測定個体を選抜する， と …… これって何の「まぢない」になるのかねと思ったんだけど …… しかし今かんがえてみると， あとでこういった「偏った」選抜方式も また統計モデリングの一部として扱うことができるな …… そうであるならば， やはりサイズで加重したほうがのちのち無難そう
  そして病的なデータばかりひろい集めてくる群集生態学につきものの 「多種」系の処理， 考えたくない面倒はことごとく Bayesian なモデリングに押しつけてみせる予定だ． Clark 先生主張するがごとく将来の生態学データ解析がことごとく Bayesian になる …… のかどうかよくわからないけど， 群集生態学は絶対にこれを避けてとおれないのはまちがいない． 毒をもって毒を制す， というか．
• また別のこんさるメイル書き． ばててきたので昼飯．
• さらに別件のデータ解析こんさる． ゑくせる表を gnumeric でながめる …… けど， よくわからないところがあったので質問メイル．
• 霜月さんとこ で紹介されてたんだけど， 鳥屋にやさしい統計のお勉強 サイトの鳥学会大会 2006 (岩手大学) の自由集会 統計モデルによるデータ解析入門：線形モデルとモデル選択 はたいへんすばらしいですね! ということで GLM 参照 に追加 …… データ解析こんさるメイル， 鳥学会のみなさんも分担してくださることを期待しつつ．
• ということで， データ解析こんさるの台風の目に入った． このすきにデータ解析わざ修行を． 伊東宏樹さん が以前から 紹介 しておられる， R package 中おそらく唯一の Metropolis-Hastings 法の関数 MCMCmetrop1R() in library(MCMCpack) (CRAN) を調べてみる
• …… ふーむ， これって単純なモノなんだけど， じつは意外と複雑なこともできるのではないかな? おそらく階層ベイズモデルも記述できる．
• 問題はモデルを記述できてもサンプリングできるかどうか， だよな …… MCMCmetrop1R() ではかくのごときやや奇妙なランダムウォークサンプラーを使っていて，

  The proposal distribution is centered at the current value of theta and has variance-covariance V = T (-1*H)^{-1} T, where T is a the diagonal positive definite matrix formed from the 'tune' and H is the approximate Hessian of 'fun' evaluated at it's mode. This last calculation is done via an initial call to 'optim'.

  これが面倒のもとになっているようだ． まあ， このあたり実験してみないことには， 挙動がよくわからん．
• お茶部屋会話．
  「今年は何か教科書の輪読会をしようか， 論文紹介にしようか皆で検討してるんですよ」
  「論文紹介にしたら， 一回ごとに完結するし」
  「論文紹介は， ですね …… 『専門外』の論文を紹介されてもわからないんですよ」
  「『専門外』ってまだ M1 の段階で何を言ってるんだか． だったら『専門』分野の論文だったらきちんと読めるのか， というとぜんぜんそんなことはないでしょう」
  まあ， 大学院生の論文読み取り理解力にはかなり個人差があり， 学年とかにはあまり関係なく読めないヒトは いつまでたっても読めないわけだが．
• ついでに言えば， 研究室内の他の院生が興味をもってる論文すら理解できないのであれば， まっとうな「専門家」とやらになれるはずもナシ． はてさて， このあとどうなったことやら． まあ， わかりやすい教科書なるものを見つけることができれば 「自分が何もわかってない」 という事実を直視しなくてすむわけだが．
• 1850 研究室発． ちょい雨． 台風接近中． 1910 帰宅． 体重 73.2kg． 晩飯．
• [今日の運動]
  • うんどう休養日
• [今日の食卓]
  • 朝 (0740): 研究室お茶部屋． セイコーマートのツナマヨパン．
  • 昼 (1410): 研究室お茶部屋． 食パン．
  • 晩 (1940): 米麦 0.8 合． ニラ卵炒飯． 海藻スープ．