ぎょーむ日誌 2006-12-30

2006 年 12 月 30 日 (土)

• 0940 起床． 脱ダンボール寝の快適さについつい長時間寝てしまいました． 朝飯． コーヒー． 外は雪． また積雪している．
• 怠業 …… しつつ樹木の形状に関するベイズ的な統計モデルの検討． これまでのそういう研究 (屋久島葉寿命・ アカマツ軸成長・ 苫小牧 13 樹種シュート内資源分配など) から観測値の背後にある「真の値」(仮称) の 「可動範囲」 をさらに制約してやる隠れ変数 (latent variable) をうまく設定設計してやることが， こういった種類のモデリングにおいて重要らしい， とわかってきた (これは私独自の考えとかではなく， J.S. Clark 御大とかが Bayesian 総説なんかで ややわかりにくくあれこれと述べていること)．
• で， 考えるのがなかなかめんどうなのでイヤな樹木の太さ-高さ 問題の場合だと， 「見えない状態」による制約として使えそうなものは何か? いろいろあるんだろうけど …… たとえば材積とか樹齢とか， かしらん? たとえば樹齢 (連続値) の場合なんかだと， 事前分布を平均 100 とかの指数分布にして， …… といった工夫が必要だろうな． さらに何かうまい超事前分布とかを設定できるだろうか?
• 考えまとまらぬまま 1145 自宅発． 雪． 1200 研究室着． お， 今日も全館暖房．
• サロベツ計算， WinBUGS に巧妙な初期値を与えることで難所 Lobelia とその次の優占種 Eriophorum の計算はそれぞれ一時間ほどで終了していた． しかし優占 8 種の最後， Carex はコケていたんだよね． 理由はおそらく Lobelia に最適化した極端な初期値 (きわめて低密度) がまずかったんだろね．
• とりあえず計算終了した Lobelia (サワギキョウ) などのパラメーター事後分布を図にしてみてみる． これも以前の計算とだいたい同じで， 存在確率を決める logistic 部は「やち (坊主) 好き」 なんだけど， 局所密度をきめる Poisson 部は「やちと距離をおきたい」， 背反したものになっている．
• これは推定計算まちがいのたぐいなのかというと， どうもそうではないらしく …… 下は昨日も示した Lobelia のやちパワー地図なんだけど， とくに (高密度な) Line G においてやちまわりが好きなのにやちとは少し距離をおいてみたい， という状況が図示されているように思える．

• さて， 最後に計算しくじった Carex の再計算だけど ……

  > sapply(v.target.spc, function(s) { d <- dall[dall$spc == s,]; tapply(d$Freq, d$line, sum) })
  (略)
  $Lobelia
    A   B   D   E   G   H 
    6   1  15   3 134  14 
  $Eriophorum
   A  B  D  E  G  H 
  40  9  9 19 14 32 
  $Carex
   A  B  D  E  G  H 
  34 15 10  9 27 17 
  

  これまた昨日も示したこの Line ごとの分布状況からみて， Carex の Line ごとの ``random effects'' の初期値はゼロ (つまりありがちな初期値) にもどしてやれば問題なさそうだ． 再計算命じる． 一時間ぐらいかかるだろう．
• 昼飯． 昨日が修論第一稿の「露崎さん〆切」だったので， 本日の院生密度はますます低く ……
• Carex 計算ぶじに終了． これで今年のサロベツ計算は終了だろうか? とりあえずパラメーター事後分布図．
• そしてまた A802 の CANON LBP-2810 の Magenta トナーぎれ …… というか残量 50% なのにトナーがでなくなりつつある． これまた不良な再生トナーカートリッジをつかまされてしまったようで． 無料交換してくれるからいいんだけど， 再生屋はこれで商売が成立しているのか?
• なんだか今日はいつもにもましてのんびりとした作業進捗． 窓の外は雪．
• そして「とびこみ的」というか北村君の 阿寒アカエゾマツ年輪データから成長モデルを構築するのに数時間を …… 時系列データつまり一個体から何度もデータとってることになるんで random effects の考慮は必要不可欠， それをなんとか R の lmer() でケリをつけよう， という試み． さらにめんどうなのは「短期的」個体差 (樹木個体内のまいぶーむ?) も同時にモデル化したいんだけど …… 本来なら latent variable を使って Bayesian にして MCMC 計算して， という流れにもちこみたいところだけど， 時間的制約からしてそれは無理． まあ， やや不本意なモデリングになってしまい， しかもモデル選択の結果， やや複雑な構成のモデルが選ばれてしまった． うーむ．
• とりあえず修論ぐらいには使える解析結果が得られたので， 本日は撤退． 2140 研究室発． 雪． 2205 帰宅． 晩飯．
• [今日の運動]
  • 年末うんどう怠業もーど
• [今日の食卓]
  • 朝 (1010): 米麦 0.5 合． キャベツ・ネギ・豆腐・煮干の味噌汁．
  • 昼 (1330): 研究室お茶部屋． 食パン．
  • 晩 (2250): うどん． キャベツ・ネギ・豆腐・煮干の味噌汁．