ぎょーむ日誌 2006-12-11

2006 年 12 月 11 日 (月)

• 0850 起床． 生活周期がずれてる …… これは東京との時差だな， 例によって． 朝飯． コーヒー． 0950 自宅発． 曇． ちょっと雪． 1005 研究室着．
• いろいろとメイル書きとか．
• 農学部の高橋さんが Ogle さん 樹木生理生態な Bayesian modeling の ESA ポスター発表ハンドアウトをくださった． ありがとうございます． 内容は …… いやー， やっぱりというか 「植物生理生態の分野で Bayesian やるならこうだよな」 と想像していた方向性そのまま， で． こちらでやろうとしてたことと， かなり重なっている． しかも戦略家の Pacala 先生がボスだったので， これも「やはり」というべきか「殲滅戦略」的である …… しかし， 私としては何だかわくわくしてきましたよ． あえて言えば， 当方は， 「まずは防御， そののちに反撃」 というスタイルなんで， こういった状況には適合している， とか? まあ能力の限界から専守防衛的， というだけのことなんだけど．
• 地環研会計からよくわからぬメイル． この A 棟の地下で原子炉が暴走してるのかしらん?

現在、Ａ棟地下機械室にて蒸気漏れが発生しています。

湿度が非常に高くなっておりますので、機械室に置いてある物品等に
湿気による不都合がありましたら、搬出等の対処をお願いいたします。

• 富良野の 後藤さん から教えていただいたのだが (さらにそのねた元は Sheffield 大の田中健太さん)， CRAN に MasterBayes という package が登録されている (Jarrod Hadfield さん 作)． これは花粉親候補との距離などなどを考慮した花粉親推定を Bayes モデルで定式化 & MCMC 計算するものである． これをインストールして R を起動， library(MasterBayes) して vignette("MasterBayes.Tutorial") と命じると全 61 ペイジにおよぶ親切なる解説 PDF ファイルがひらく．
• MasterBayes にもちょっと衝撃をウケたので， 集団遺伝学はもともと Bayes 統計学と相性がよいわけで， といったことなどを亀山さんたちと雑談． さて， これからの生態遺伝学はどうなっていくのかね ……
• ということで， 生態学データ解析に 生態学と遺伝学 ペイジを追加． 夜になってからお許しのメイルいただいたので， 田中さんの「宣伝メイル」を (体裁とか少し変えて) はりつけてみる．
• 土曜日に統数研で間瀬さんが boot しておられたのは Knoppix だったと 書いたんだけど， あれって Kanotix じゃないの， というご指摘うける． うーむ， 使うほうも見破るほうもまにあっくな ……
• 昼飯．
• またメイル書きとかつづく．
• 研究室内雑用． CRT 根絶作戦 & 研究費消化のため北大生協に 液晶ディスプレイをさがしてもらう …… 一個よさそうなものが見つかった． しかし液晶ディスプレイも安くなったものですなぁ．
• R の glm() の offset() わざミニ解説． いま研究集団対象が 20 個あり， そこにいる「親個体の個数」 x が

  > x
   [1] 13 11 12  7  7 12 14 10  7  9  8  3 14 13  6  5  7 12 11 11
  

  で， ある年にこれらの 20 個の集団で新しく生まれた子供の数 y は (x と順番おなじで)

  > y
   [1] 35 23 28 26 19 43 35 42 17 24 23 17 43 39 16 11 17 35 33 35
  

  とする (どの親が何個体の子供を産んだ， というのはわからないものとする)．

[こういう架空データ]

いちばん簡単に， 子供 (新生児) の個体数がその集団の親の個体数に 「比例」 している状況．

• このときに集団ごとに 「子供の数 / 親の数」 などとやるのはマズい． この割算値がどういう分布に従うかわからないからだ． そうではなく

  (集団内の新生児の数) = (親の数 x) * (一親の平均産仔数)
  

  とモデル化し，

  (y の平均値) = x * exp(線形予測子)
  

  として (線形予測子とはいつもの b0 + b1 * x1 + b2 * x2 + ... のこと)， さらに集団ごとの親の個数 x を offset 項 として

  (y の平均値) = exp(線形予測子 + log(x))
  

  とおけばよい (offset 項である log(x) には係数がない)．
• 集団ごとの新生児の個数 y は 0, 1, 2, 3, ... の値をとるので， (一番簡単には) ポアソン分布 にしたがうと考えられる ((y の平均) = exp(...) となっているので link 関数は log)． これを offset 項いれて R の glm() で計算させるには，

  glm(y ~ 1, offset = log(x), family = poisson)
  

  としてもよいし，

  glm(y ~ offset(log(x)), family = poisson)
  

  でもよい．
• もちろん実際にやりたいのはもっと複雑な解析で， たとえば すみ場所ごとの面積だのエサの量だのを考慮した

  glm(y ~ area + food, offset = log(x), family = poisson)
  

  といった定式化になるのだろう． ともあれ， 特にカウントデータの解析には 割算いりません， ということで．
• 1855 研究室発． 1910 帰宅． 体重 71.6kg． 晩飯の準備． 晩飯．
• [今日の運動]
  • 腹筋運動 30 × 3 回． 腕立ふせ 5 × 3 回．
• [今日の食卓]
  • 朝 (0920): 米麦 0.5 合． ダイコン・ネギ・ナメコ・昆布の味噌汁．
  • 昼 (1410): 研究室お茶部屋． バゲット．
  • 晩 (2030): 米麦 0.7 合． 卵焼き． ダイコン・ネギ・ナメコ・昆布の味噌汁．