ぎょーむ日誌 2007-04-08

2007 年 04 月 08 日 (日)

• 0900 起床． コーヒー． 朝飯． ねむい． 怠業．
• 1300 自宅発． 昼飯． 北九条小学校で地方選挙の投票． 札幌駅周辺をふらふらしてから 1500 研究室着．
• 昨晩やらせておいた計算だが …… なぜか 2400 秒で終わったのはよいとして， 計算結果はヘボいな． というのもモデル改造部分が だめだめ だからだ …… といったことなんかは， 結果を見るとよく理解できる．

• 今回はトドマツ子供全体を齢 -2-|-3- で実生・稚樹とわけていて， その観測された個体数にモデル (「末端」はポアソン分布) をあてはめている． で， 「実生にくらべての稚樹の少なさ」 をなんとなく倒木に与える logit.sv* 系のパラメーターで説明しようとしたわけだが …… やっぱ， こういうわけかたでは数にそもそも差がでないので， そういう結果になっているな． つまり倒木間共通の logit.sv が 5 とかそんな値だよね． これって事実上の確率 1， その意味するところは 「こういう分けかたを単純に『サイズクラス』とみなすのはまちがい」 ということだ．

• で， こういうとんでもない値をとるパラメーターは 確率 1 にちかいどうでもよい部分を乱暴にうろつきまわりやがるし， 「倒木差」パラメーターもでたらめに上下に移動するから， 他のパラメーターの収束も悪くなる， と． いやはや．
• さーて， このあたりどう料理してやろうかな …… 一番いいのは全部の齢構造をそのままあつかうことなんだけど， これは数日前にすでに実験ずみで計算時間が絶望的に増大する， と． WinBUGS のモデルを定義する BUGS 言語は 「ど貧の中のぎりぎりの工夫」 というかんじ & 「尤度をかくす」という興味ぶかものなんだけど， たくさんの弱点があって …… たとえば， 一変量確率分布からたくさんの事後分布を生成させるのは 死ぬほど時間かかる， というのがここで直面していた問題だったのである．
• データ構造全体をながめると， このトドマツデータから推定しうる ``demographic parameter'' なるものはかなり制限されてるんだよねえ ……
• めんどうなので， 毎年の生残確率 p はとりあえず一定とする． すると一歳以上の条件つき齢分布は pa - 1 (1 - p) となる． このときにある子供を選んだときに 実生クラス (a = 1, 2) である確率は 1 - p2 と計算されるし， 稚樹クラス (a > 2) である確率は p2 になっちまう …… という性質を使ってみるのはどうかしらん? 昨日のいいかげんな計算よりは多少はマシか?
• まあ実際のところ生残確率 p は一定ではあるまいよ …… うんぬんといった一見もっともらしいギロンとやらは別にして， だな (このギロンは一見するほどにはもっともらしくない)． それ以前の問題として， この 1 - p2 と p2 に分割されるってハナシは本質的には昨日のだめだめ計算と 同じような気がしてきた． けっきょく実生・稚樹が半々にになってオワるのでは?
• …… いーや， そうではないな． この問題に関しては， たとえば 1 - p2 < 0.5 とかになってもぜんぜん問題ないわけだ (p > およそ0.7 でそうなる)． まあ， 観測されてる齢分布はこんなかんぢなんだけどね．

> summary(as.factor(maternity$age))
 1   2   3   4   5   6   7   8   9  10  12  13  14  15  16  18  22  23  27 
73 138  87  27  23  24   8  10   1   2   3   3   2   2   4   3   1   1   1 

• こういうの見ると， 生残確率の齢・サイズ依存性や個体差を考えたくなるわけだが …… まあ， 今回はそのへん無視して (とゆーか， かかる面倒どもはことごとく「倒木差」に罪をかぶせてしまう， といういつもの random effects 悪用わざにもちこんで) モデリングしてみようか．
• コードかきなおして， 1939 再計算を命じる．
• 1955 研究室発． 2015 帰宅． 晩飯．
• [今日の運動]
  • 腹筋運動 30 × 3 回． 腕立ふせ 10 × 3 回． スクワット 100 回．
• [今日の食卓]
  • 朝 (0930): ラスク．
  • 昼 (1340): 北 16 西 3 のスープカレー屋 Maruhuku で野菜カレー．
  • 晩 (2140): スパゲッティー． タマネギ・ニンニクのトマトソース．