約 14,767 件
https://w.atwiki.jp/hayatoiijima/pages/37.html
Bayesian computation with R輪読会 このページでは、2007~2008年にかけて森林総合研究所北海道支所で実施された、Jim Albertの「Bayesian computation with R」の輪読会の発表ファイルを掲載します。ただし、あまり読むことをお勧めできる本ではありません(少なくとも初心者にとっては)。 累積訪問者数(from 12/09/2007): - 今日来てくれた人: - Bayesian computation with R輪読会 発表ファイル 発表ファイル An introduction to R:ch1.pdf Introduction to bayesian thinking:この内容というか、ありがたいBayesの定理の説明ch2.pdf Single-parameter models:ch3.pdf, Ch3code.txt Multiparameter models:ch4.pdf Hierarchical modeling:ch7.pdf Model comparison:ch8.pdf Using R to interface with WinBUGS:ch11.pdf
https://w.atwiki.jp/hayatoiijima/pages/26.html
Meadow Meadowはテキストエディタの一種です。たぶん「めどう」という発音でよいかと思われます。以下では、WindowXPに導入する際の手順について、特にRとLaTeXとの関係から示します。他のOperating Systemについては扱いません。 MeadowMeadowの利点 Meadowの入手方法 Meadowのインストール方法 .emacsの設定 Meadowの基本的な操作方法コマンドの強制終了 ファイル操作 カーソルの移動方法 コピペ、選択 ウィンドウに関する操作 Meadow本体の操作 YaTeXの導入.emacsへ加えるもの ESS(Rを使うため)の導入ESSの入手方法 設定方法 .emacsへ加えるもの Meadowの利点 様々なソフトをMeadow上で統一的に扱える。 各種コマンドやかっこの補完機能がる。 Meadow用に種々のLispが用意されており、それぞれのソフト単体よりも拡張された機能が使える。 Meadowの入手方法 Meadow公式サイトで入手できます。 Meadowのインストール方法 Meadow公式サイトにあるNetinstallerを使い、C \の下にmeadowというフォルダを作り、そこにインストールしてください。インストール途中でどれをインストールするか聞かれますが、とりあえず全部入れておきましょう。 C \の下に、homeというフォルダを作ってください。 Cygwinというものを導入します。Cygwinはこちらから手に入ります。これを、C \の下にcygwinというフォルダを作り、そこにインストールしてください。 Windowsの環境変数を変更します。環境変数は、「マイコンピュータ」のアイコンの上で右クリック→プロパティ→詳細設定→環境変数、というようにしてたどり着きます。 環境変数には、「ユーザー」と「システム」の2種類があります。まず、「ユーザー」側で、新規をクリックします。そして変数名に「HOME」、変数値に「C \home」を書き込み、OKをクリックします。 同じ要領で、ユーザー側に、変数名「LANG」、変数値「ja_JP.SJIS」と、変数名「TZ」、変数値「JST-9」を追加します。 同じ要領で、システム側に、変数名「Path」、変数値「C \cygwin\bin」を追加します。Pathは、人によってはすでに存在するかもしれません。 .emacsというものを追加します。これは、Meadowをカスタマイズするためのファイルです。ファイル名は、.emacsとしてください。メモ帳などに内容を書いて、保存するときにファイル名を.emacsにし、ファイルの種類を、「全てのファイル」にすれば保存できるはずです。.emacsはC \home\の下において下さい。 .emacsの設定 Meadowのインストールにおいて、.emacsの設定が一番重要であり、かつ最も難しい箇所です。新しくMeadow上でソフトを動かすためには、Lispというものを使うのですが、そのLispのMeadowへの読み込ませ方を.emacsで設定します。また、Meadow本体のフォントの設定なども.emacsに書き込みます。Meadowがらみのトラブルのほとんどは、.emacsを修正することで対応できます。具体的な書き方は、こちらを見てください。 Meadowの基本的な操作方法 Meadowでは、キーボードのみを使ってカーソルを動かしたり、文字を選択したりします。マウスも使えますが、慣れてしまえばマウスを使うよりずっと楽です。頑張って慣れましょう。 以下では、CtrlキーをC、AltキーをMと示します。 またC-xだったら、Ctrlキーを押しながらxキーを押す、という意味です。 コマンドの強制終了 最初のうちは入力がうまくいかないときもあるでしょう。あるいは命令を取り消したいときがあると思います。そのときは C-g を入力してください。 ファイル操作 Meadowでファイルを開いたり、閉じたり、保存したりするのに使うコマンドです。 C-x C-f:このコマンドを入力すると、画面の下のほうに灰色の細長い棒が現れます。これを、コマンドラインといいます。コマンドラインにはパソコンのフォルダ構造が示されており、ここに、開きたいファイルがあるフォルダまでのパスを入力し、Enterすることでファイルが開けます。 C-x C-s:現在開いているファイルを上書き保存します。 C-x C-w:現在開いているファイルを、新しい名前で保存します。 カーソルの移動方法 まずは基本。カーソルをキーボード上から動かしましょう。 C-f:カーソルを一文字分だけ右に動かす(forward) C-b:カーソルを一文字分だけ右に動かす(back) C-n:カーソルを一行下に持っていく(next) C-p:カーソルを一行上に持っていく(previous) 最初は慣れです。とりあえず何回も繰り返しましょう。慣れれば絶対使いやすいです。大きくカーソルを動かしたいときは、 C-a:カーソルを、行頭に持ってくる。 C-e:カーソルを、行末に持ってくる。 C-v:カーソルが、ちょうど今表示されている部分の一番下に行く。 M-v:C-vの逆。カーソルが、今表示されている部分の一番上に行く。 ちなみに、実際に使うときは、例えばC-fの場合、一回一回Cを押しながらfを押して、両方離して、またCを押しながらfを押して...というわけではなく、Cを押しっぱなしにしながらfを何回も押すだけで、どんどんカーソルが進みます。 コピペ、選択 (スペースキー):スペースキーを1回押し、カーソルを動かすと、カーソルを動かした部分の色が変わり、選択されている状態になります。 C-w:選択された場所を切り取ります。 M-w:選択された場所をコピーします。 C-y:コピーまたはペーストしたものがある場合、貼り付けます。 ウィンドウに関する操作 Meadowでは複数のウィンドウを同時に開くことができます。ウィンドウの開き方、閉じ方、ウィンドウ間の移動の方法などを紹介します。 C-3:画面を縦に2つに分けます。 C-2:画面を横方向に2つに分けます。 C-o:ウィンドウ間を移動します。 C-0:今カーソルがあるウインドウを閉じます。 C-k:今カーソルがあるウィンドウの「内容」を閉じます。ウィンドウはそこに残りますが、編集していた中身を閉じる、ということです。 Meadow本体の操作 C-z:Meadowを最小化する。 C-x C-c:Meadowを終了する。 YaTeXの導入 Meadow上でLaTeXを使うために必要なものです。Winshellなどで作業をしていると、コマンドの打ち込みがわずらわしく、かつちゃんと打ち込めているかわかりません。YaTeXを使えば、このような苦労は全てなくなります。 YaTeXはMeadowのインストール時にすでに含まれているはずなので、忘れずに選択しておいて下さい。 .emacsへ加えるもの ESS(Rを使うため)の導入 ESSを使えば、RをMeadow上で使うことが可能になります。RとLaTeXが同時にMeadow上で使えるようになると、研究はかなり楽になります。 ESSの入手方法 こちらから入手できます。一番数字が新しいバージョンを手に入れておけばよいでしょう。Windowsなら、zip形式のファイルを手に入れておけば、簡単に開くことができます。 設定方法 先ほどダウンロードしたESSを解凍し、フォルダの中の「lisp」というフォルダをコピーします。これ以降使うのは、このコピーしたフォルダだけです。 コピーしたlispというフォルダの名前を、わかりやすくするためessとでも変えておきましょう。 essと名前を変えたフォルダを、C \meadow\etc\と、C \meadow\site-lisp\の両方にコピーします。 .emacsに、下の設定を書き込みます。 これらがうまくいくと、Meadowを起動した後、 M-x R と打ち込んでEnterすることで、Meadow上でRが起動します。ちゃんと起動した場合は、英語で、Rを起動したときに出る、 R version 2.4.1 (2006-12-18) Copyright (C) 2006 The R Foundation for Statistical Computing といった文字が出るはずです。 .emacsへ加えるもの (require ess-site) (setq auto-mode-alist (cons (cons "\\.r$" R-mode) auto-mode-alist)) (setq-default inferior-R-program-name "C /r/R-2.4.1/bin/Rterm.exe") #個人によって違う です。一番下の、Rが入っているフォルダまでのパスは、Rのバージョンや、個人のフォルダの作り方によって違うので、適時書き換えてください。
https://w.atwiki.jp/hayatoiijima/pages/33.html
輪読Extending the linear model with R このページでは、Julian J. Farawayの「Extending the linear model with R」の輪読会の様子を紹介します。発表ファイルやExerciseの回答、当日の議論の内容など。 Update! 7/4:9章と10章の発表ファイルを追加 累積訪問者数(from 08/05/2007): - 今日来てくれた人: - 輪読Extending the linear model with R ゼミの日時・場所 Introduction, Appendix A当日議論したこと線形モデルの結果を出力するsummary()における、各変数の有意確率って? 線形モデルにおけるカテゴリカル変数の扱いについて 重みつき最小二乗法で、具体的には、どのように重み付けをしているのか? この章を読む上で役立つもの Binomial Data当日議論したことDevianceとは何か? ProspectiveとRetrospectiveな研究の違い モデルの当てはまり Overdispersionって? Matched case-control studiesって? この章を読む上で役立つもの Count Regression当日議論したことリンク関数と「変数変換」の違い offsetがらみ negative binomialの使い方 GLMの結果としてR2値があまり使われないのはなぜか? Contingency Tables当日議論したことdrop1によるモデル比較 2×2表でのGLM 4×4表でのGLM 三元表 順序の情報の生かし方 Generalized Linear Models当日議論したことGLMのアルゴリズム 誤差構造が違うDeviance(結局は対数尤度)を比較し、どちらが当てはまりがよいかを論じてよいのか? この章を読む上で役立つもの Other GLMs Random Effects当日議論したこと尤度比検定は保守的な結果を導きがち 特殊?な条件指定 Random effectの種類、構造 Random effect1 Blocks Random effect2 Split Random effect3 NestedとCrossed Random effect4 Multilevel RにおけるRandom effectの指定方法Blocks Split Nested Crossed Multilevel Repeated Measures and Longitudinal Data Mixed Effect Models for Nonnormal Responses ゼミの日時・場所 場所:N356 4/18(水)10時~:Introduction, Likelihood Theory(飯島) 4/25(水)10時~:Binomial Data(上野) 5/2(水)13時~:Count Data(高橋) 5/9(水)13時~:Contingency Tables上(渡辺) 5/16(水)13時~:Contingency Tables下(渡辺) 5/24(木)13時~:Generalized Linear Models(江口) 5/31(木)13時~:Other GLMs(森) 6/6(水)13時~:Random Effects上(志田) 6/20(水)13時~:Random Effects下(志田) 7/4(水)13時~:Repeated Measures and Longitudinal Data, Mixed Effect Models for Nonnormal Responses(飯島) Introduction, Appendix A 担当:飯島(造林) 発表ファイル:1andAppendix 当日議論したこと 線形モデルの結果を出力するsummary()における、各変数の有意確率って? 各変数が相互に完全に独立であると仮定した場合(そんなことはほとんどの場合ありえないが)、各変数の推定された係数が、0と有意に異なっているかどうかを検定した結果。 線形モデルにおけるカテゴリカル変数の扱いについて Rでは、アルファベットで最も最初にあるカテゴリーの係数が0として扱われ、残りのカテゴリーの係数は、最初のカテゴリーに対する値として見る。 どのカテゴリーとどのカテゴリーが有意に異なる、ということは算出できるのかわからない。 重みつき最小二乗法で、具体的には、どのように重み付けをしているのか? 残差を、重み(要は共変量的にばらつきを大きくさせる変数)で割ることで重み付けをしている。 この章を読む上で役立つもの 「生物学を学ぶ人のための統計のはなし」粕谷英一著 文一総合出版:通称ぴんく本。Appendixを読むときに、6章の最尤法の説明がすばらしく役に立つ。 Binomial Data 担当:上野(野生生物保護) 発表ファイル:Binomial 当日議論したこと Devianceとは何か? より大きいモデルの対数尤度(Ll)とより小さいモデルの対数尤度(Ls)の差の2倍。具体的には、Llは完全にデータに当てはまっているモデル(従属変数そのもの)であり、Lsは自分の組んだモデルである。 RでGLMを行ったときに算出されるNull Devianceは、Lsが切片しか与えないモデルにおけるDevianceであり、Residual Devianceは、Lsが自分が組んだモデル(要は独立変数を与えたモデル)におけるDevianceである。 ProspectiveとRetrospectiveな研究の違い 医学調査でよく問題となる。あるリスクに曝露されたときに、曝露された群とされなかった群で病気になる危険性がどれだけ高まるかということを問題にしたときに考える必要がある。 Prospective(前向き):あらかじめリスクに曝露している群と曝露していない群を同じ数だけ用意し、その後実際に病気が発祥したか調べる方法。 Retrospective(後ろ向き):実際にはProspectiveな方法をとれるシチュエーションがほとんどないので、病院などにいる患者に、リスクを曝露されたことがあるかどうか、そして現在病気を持っているかどうか訪ねる方法。容易に調査を行えるが、調査対象群にフィルターがかかっている(死んだ人に対して調査ができない、病気を持っている人の割合が多くなる)ため、リスクの曝露による病気の発症率の増加を簡単には評価できなくなる。 ただし、これらの方法の違いは、切片の推定値の違いにしか現れないとされている(p.35下段)。 モデルの当てはまり Deviance:データに対する予測値の当てはまりを判断する基準である。定義は上述。 PearsonのX2:これはDevianceと(ほぼ)同じ。 R2値:この本で紹介されているR2値(p.41)は、いわゆる自由度調整済みR2値を、GLMの枠組みの中で使えるように一般化したものである。決めたモデルが、全体のばらつきの「何割」を説明しているかに興味があるときに使う。 Overdispersionって? 誤差の分布として仮定した分布から予想されるばらつきよりもばらつきが大きいこと。二項分布やポアソン分布の分散は期待値の関数であり、個体差がまったく生じないものとして定義されている。そのため、実際のデータはしばしば予想されるばらつきよりも大きいばらつきとなり、仮定した分布に対するあてはまりが悪くなる。 Matched case-control studiesって? なにかしらの線形モデルを組むときに、独立変数のある要因1(カテゴリーデータ)内において、検討したい要因の影響を検討すること。要因1は、例えば、検討したい要因が病気の発生に与える影響を検討するときに、対象患者の人種、性別など。様々な人種、あるいは性別を対象に取られたデータでも、これらの要因の影響を考慮した形で、病気の発生しやすさへの検討したい要因の影響を検討できる。「対応」あるいは「ブロック」と呼ばれるものが要因1にあたる(と思う)。 Rの中では、library(survival)に入っているstrata()に要因1を入れて、独立変数としてモデルに投入することで行える。 この章を読む上で役立つもの Rによる保健医療データ解析:群馬大学の中澤先生の講義資料。12章のあたりが特に関連。 「医学統計学シリーズ2 統計モデル入門」丹後俊郎著 朝倉書店:6章の一般化線形モデルが参考になる。 Count Regression 担当:高橋(生態管理) 発表ファイル:Count 当日議論したこと リンク関数と「変数変換」の違い リンク関数:構築した線形予測子にリンク関数をかませることで、期待値を算出する。つまり、「線形予測子」をリンク関数で変換しているだけである。リンク関数をかますのは、想定している誤差分布に線形予測子を合わせるためだけであり、結果は変数(つまり取ったデータそのもの)の影響として考えることができる。 変数変換:取ったデータそのものを本当に変換してしまう。つまり、それによって得られる結果は「変数変換した変数」(←当然自然にはこんなものは存在しない)の影響を評価していることになる。 offsetがらみ offset()の中に入れる変数にlogがついている(p.63の式)のは、poissonのデフォルトのリンク関数がlogだから。p.62の最後の式がわかりやすいが、式の右辺は線形予測子であるから、従属変数は当然logで囲まれたものとなる。従属変数のうち、offset()に含めるべき部分を独立変数に回すので、logがついている。p.62の式と、p.63の式で、Residual devianceの自由度が異なっている点に注意。 negative binomialの使い方 library(MASS) result - glm.nb(..., df) #familyの指定がいらない で実行できる。 GLMの結果としてR2値があまり使われないのはなぜか? (推測の域を出ないが)誤差構造に正規分布を仮定する回帰(重回帰)の場合、誤差の等分散性が仮定されているため、データのレンジによらず、与えられたデータのばらつきに対する説明できた分でR2を構築しても(それほど)問題ないが、誤差構造に正規分布以外を仮定するGLMの場合、誤差の等分散性はまったく仮定されていないため、R2値の意味が、データのレンジによって異なってしまうから。 また、サンプル数に対するばらつきの増え方が、線形的なのかもよくわからない。そのため、やはりR2の持つ意味は、データ数や範囲によって(かなり)異なると考えられるので、R2を出すことにそれほど意味がないから使われていない(のかもしれない)。Binomialの賞で説明した方法でむりくり算出はできるが。 Contingency Tables 担当:渡辺(野生生物保護) 発表ファイル:Contingency 当日議論したこと drop1によるモデル比較 ポアソンモデルでdrop1関数を用いてモデルを比較する際にカイ二乗検定を使用している(p.70)。前の章(p.60)で過分散があるときはカイ二乗検定よりもF検定を使用すべきと述べているが、過分散がない(あるいは考えなくてもいい)場合にはカイ二乗検定でいいということか? 2×2表でのGLM 応答変数にmatrix()を使うと、ベクトルを使用した場合と比べてモデル式の作り方が若干変わる。(p.73-74)。 4×4表でのGLM ポアソンモデルで分析している(p.76)。この際変数間の交互作用を予測変数に含めると自由度が不足するので、予測変数には交互作用項を含めないで分析を行い、算出されたデビアンスと自由度の数値から独立性を判断する。ただし判断に際しての数値的な基準は不明。 三元表 マンテル-ヘンツェル検定で帰無仮説(すべての部分表の条件付オッズ比が1)が棄却された場合には、部分表を見比べて変数間の関係をみることも重要。 順序の情報の生かし方 例では、順序情報をもつ変数を1,2,3...という整数で置き換えて解析している。これらは順序変数ではなく間隔変数だが、これらを用いて解析することによってモデルの当てはまりがよくなれば、順序情報を使用しないモデルよりもよいと判断できるのであろう。 Generalized Linear Models 担当:江口(造林) 発表ファイル:GLM 当日議論したこと GLMのアルゴリズム この辺に少しまとめてあります。 誤差構造が違うDeviance(結局は対数尤度)を比較し、どちらが当てはまりがよいかを論じてよいのか? 結論から言うと可能。ただし、連続変数と離散変数の尤度は本質的に異なるものなので、比較できない。 久保さんのページのこの辺(11月8日)に解説が。 例えば、binomialとpoissonの結果は比較できるが、gaussianとpoissonは比較できない。 また、binomialでも、random effectsを含むglmmの結果とは比較できない(現在のRのRandom effectsとして用意されているのは正規分布であり、そのためglmmの尤度は離散変数と連続変数を含むから。 この章を読む上で役立つもの 「S‐PLUSによる統計解析」 W.N. ヴェナブルズ, B.D. リプリー著 シュプリンガー・フェアラーク東京:一般化線形モデルの説明のところが関連。 Other GLMs 担当:森(野生生物保護) 発表ファイル:OtherGLM Random Effects 担当:志田(生態管理) 発表ファイル:Random effects 当日議論したこと 尤度比検定は保守的な結果を導きがち 尤度比検定は尤度が構築できれば行える便利な検定だが、p値が大きくなりやすい(有意になりにくい、保守的だ)傾向があるので、ブートストラップ法によって新たに検定統計量を構築することが多いようだ。 特殊?な条件指定 あるベクトルで一定の条件を満たすものを探す場合、 d - rnorm(100, 50, 20) d[d 70] というように、[ ]を使うが、 (d 70) とすると、dの全データに関して、70より大きいかどうかが、TRUEとFALSEで返される。これを応用すると、 mean(d 70) とすることで、70以上の値が全体の何パーセントに当たるのか計算することができる(TRUEが1、FALSEが0)。 Random effectの種類、構造 本文中では、 Blocks Split Nested Crossed Multilevel を挙げている。 Random effect1 Blocks まずは基本。 その変数が応答変数に与える影響には興味がないが、影響を与える要因としては考慮したい ex. 個体、プロットなど Random effect2 Split Random effectは1つ 各Random effect内において、2つの固定効果が存在。 各Random effect内において、片方の固定効果は何処理かが含まれるが、もう片方の固定効果は1種類しか含まれない。 各Random effectが固定効果の種類によって分割されている、と見るべきか。 ex. 苗畑で、CO2付加と窒素処理による樹木の成長を見てるときに、例えば8個同じような処理区を設けていて(いわゆる反復)、一つの処理区で窒素処理はありなし両方作れるが、CO2処理は付加する、あるいはしないのどちらかしか設定できないような場合。 実験計画法的に考えると、完全無作為化処理ができない場合、として考えることができる。 Random effect3 NestedとCrossed Random effectが2つ以上の場合 Nested 下位のRandom effectが、上位の各Random effect内で完全に完結し、上位のRandom effect間ではかぶらない場合(ex. 調査地が2つあり、各調査地では区画1から50まであり、各区画で植物の個体数を測定している。例えば区画1は両調査地にあるが、それは同じものではない) Crossed 下位のRandom effectが、上位のRandom effect間にまたがっている場合(ex. 2つの地域があり、両地域を移動する(しない個体もいる)動物の体サイズを測定している。両地域で同じ個体が出現する場合がある) Random effect4 Multilevel NestedとCrossedのように、階層性のあるRandom effect(NestedとCrossedの総称?) NestedやCrossedよりも、より上位、下位という関係がはっきりしている場合なのかもしれない。 上位のRandom effectの影響を組み込んだ、新しい固定効果変数を作ることもできる。 RにおけるRandom effectの指定方法 まずは必要な架空データの生成 Seedlings - c(rnbinom(50, 1, 0.3), + rnbinom(50, 5, 0.3)) Light - Seedlings + rnorm(100, 20, 10) Subp - rep(c(rep(1, 25), rep(2, 25)), 2) Plot - rep(rep(1 25, 2), 2) Site - c(rep("S1", 50), rep("S2", 50)) #これらをデータフレーム化 d - data.frame(Seedlings, Light, + Subp, Plot, Site) d$Subp - as.factor(d$Subp) d$Plot - as.factor(d$Plot) このデータフレームの意味 調査地Site内に方形区Plotがあり、方形区は小方形区Subpに分けられている。Subpごとに明るさLightが測定されており、またある植物の個体数Seedlingsが測定されている。 いわゆる説明変数がLightであり、応答変数がSeedlingsである。その他はRandom effectである。 Random effectは、固定効果(Fixed effect)の「傾き」あるいは「切片」に対して設定できる。 上記のRandom effectの種類は、「傾き」あるいは「切片」どちらに対しても生じうる。 われわれが扱うケースでは、切片にRandom effectを仮定するケースが多いか(ex. 調査地でそもそも個体数が違っており、調査地がRandom effectの場合)。 以下では、Random切片を中心に紹介。 Blocks 単純に、調査地Site間でそもそもSeedlingsの数が違っていそうで、SiteをRandom effect(切片)とする場合。 library(lme4) result - lmer(Seedlings ~ Light + + (1 | Site), + family=poisson, d) ランダム切片の基本的な指定の仕方は、Random effectのラベルをREとすると、以下のようである。 (1 | RE) SiteごとにLightに対するSeedlingsの反応が異なると予想される場合は、SiteはLightに対するRandom傾きを与えるRandom effectである。 library(lme4) result - lmer(Seedlings ~ Light + + (0 + Light | Site), + family=poisson, d) ランダム傾きの基本的な指定の仕方は、Random effectのラベルをRE、Fixed effectのラベルをFEとすると、以下のようである。 (0 + FE | RE) ちなみに、Random effectが1個で、かつ誤差構造としてbinomialあるいはpoissonが仮定され、かつRandom切片指定の場合であれば、glmmML()がお手軽(モデル選択もstepAIC()で実行できる)。 library(glmmML) result - glmmML(Seedlings ~ Light, + cluster=Site, family=poisson, d) Split Nested Random effectとして、SiteかつPlotを想定するケース。 result - lmer(Seedlings ~ Light + + (1 | Site/Plot), + family=poisson, method="Laplace", d) この場合、Siteが上位のRandom effect、Plotが下位のRandom effectである。 複数のRandom effectを指定する場合、数値積分による尤度の最適解を見つけることが数学的に不可能になるため、Laplace近似による方法を指定する必要がある(詳しくはこの辺を参照) ありがちで犯しやすいミス:Site間で、Plotに同じ番号をつけてしまう(Site AのPlot 1とSite BのPlot 1は違う!) これを防ぐ方法1 lmer()で指定するときに、以下の方法で「階層化した変数」を作る。 result - lmer(Seedlings ~ Light + + (1 | Site/Plot), + family=poisson, method="Laplace", d) #これでも同じこと result - lmer(Seedlings ~ Light + + (1 | Site) + (1 | Site Plot), + family=poisson, method="Laplace", d) これを防ぐ方法2 あらかじめ「階層化した変数」を作っておく SitePlot - c(100 + Plot[1 50], 200 + Plot[51 100]) d - data.frame(Seedlings, Light, Subp, + Plot, Site, SitePlot) #factor化処理は省略 result - lmer(Seedlings ~ Light + + (1 | Site) + (1 | SitePlot), + family=poisson, method="Laplace", d) #こんな方法も有効(Plotの番号を調査地間でかぶらないようにする) Plot2 - c(rep(1 25, 2), rep(26 50, 2)) d - data.frame(Seedlings, Light, Subp, + Plot, Site, Plot2) #factor化処理は省略 result - lmer(Seedlings ~ Light + + (1 | Site) + (1 | Plot2), + family=poisson, method="Laplace", d) Crossed Multilevel Repeated Measures and Longitudinal Data 担当:飯島(造林) 発表ファイル:Repeated Mixed Effect Models for Nonnormal Responses 担当:飯島(造林) 発表ファイル:GLMM
https://w.atwiki.jp/hayatoiijima/pages/66.html
倒木上のエゾマツ・トドマツ実生群の更新動態と環境条件の影響 目的 資源量が減少しつつあるエゾマツの個体群を維持、回復させるためには、植物の一生の中でも死亡率が高い発芽及びその後の生残に影響する要因を明らかにする必要があります。天然林でエゾマツが更新するのは主に倒木上ですが、倒木にはトドマツも更新します。エゾマツの個体群を維持、回復させる上では、比較的狭い立地である倒木で同所的に生育するトドマツとの違いを明らかにする必要があります。 以下では、この課題に関連して実施したいくつかの研究をご紹介します。 目次 倒木上のエゾマツ・トドマツ実生群の更新動態と環境条件の影響目的 エゾマツとトドマツの共存機構に関する研究関連業績 調査地 結果と考察 エゾマツとトドマツの発芽及び生残に影響する要因関連業績 調査地 結果と考察 エゾマツとトドマツの共存機構に関する研究 関連業績 Iijima, H., Shibuya, M., and Saito, H. 2009. Examination of the coexistence mechanism of two major conifers in Hokkaido, northern Japan, based on differences in suitable germination conditions and shade tolerance. Ecoscience 16 352-360. 調査地 日高北部森林管理署 結果と考察 エゾマツとトドマツの発芽及び生残に影響する要因 関連業績 Iijima, H., Shibuya, M., and Saito, H. 2007. Effects of surface and light conditions of fallen logs on the emergence and survival of coniferous seedlings and saplings. Journal of Forest Research 12 262-269. 調査地 日高北部森林管理署 結果と考察
https://w.atwiki.jp/hayatoiijima/pages/43.html
このページは、こちらに移転しました。
https://w.atwiki.jp/mariya_ft/pages/26.html
スレの進め方 初頭イベント 物資捜索フェイズ 錬金試作フェイズ NAISEI(自由行動)フェイズ 精算 休日コミュフェイズ 練金について
https://w.atwiki.jp/hikkosi-hyouban/pages/9.html
サカイ引越センター口コミ・評判 【総合評価】★★★ 関西地方に強いネットワークを持つ引越業者です。引越ひとすじの業者なので、質も高く トラックも自社保有100%と安心感もあります。 営業マン、作業員共に口コミでの評判も高いです。ただ、バイトや新人くんを怒鳴りつけ るなどちょっと怖いというところも。目の前で怒っているのを見るとお客さん側としては ひいてしまいますよね~。さらに、深夜に引越しもしばしばあるそうです。 基本、総合的な面での評価は普通の印象です。 【口コミ・評判一部紹介】 ◎完璧な仕事ぶりでした。金額はもっと安いところもあったが、作業員の質や技術力など、 満足のいく引越しになった ◎素早く丁寧に、搬出、搬入作業をしてくれた。安心して任せることができた ××営業マンが強引すぎる。大手ということもあり高かったが安心を買う意味で決めたが、 思ったより良くなかった ××私は元○○イの従業員ですが、本当に最悪の会社です。お客のことなんか一切考えません。 大事なのは自分の成績だけです!なので、深夜の電話・深夜の作業も平気で行います。 よくお叱りの電話が掛かってきました。あの会社は日本の会社の中でワースト10に 入ります。 プロの引越し評判・口コミ比較 サカイ引越センター編
https://w.atwiki.jp/mariya_ft/pages/23.html
https://w.atwiki.jp/hikkosi-hyouban/pages/15.html
アート引越センター口コミ・評判 【総合評価】★★★★★ 口コミでダントツの人気を誇るアート引越センターです。私的には「ワンストップサービス」(NHKや新聞、電力会社、ガス会社などの住所変更をしてくれる)がとても魅力的ですね。 この手続きは本当にめんどくさい人はめんどくさいと思うので・・代行してくれるっていう のは他にはないサービスです。 新居で新しい靴下に履き替えて作業するそうですが、そういう心遣いも嬉しいです。 プランも学生は学割パックがあるし、レディースパックがある、というのも他社には無い プランです。女性の人しか来ないので、女性の一人暮らしの人はとっても安心ですよね。 クリーンなイメージが強いですが、法人契約など会社取引の場合は、酷評が多いです。 また、料金もブランド力なのか、いささか相場よりは高いように感じます。 【口コミ・評判一部紹介】 ◎色々な引越し業者へ頼んだことがあるが、アートは質が違う。一番対応が親切だし、 優しかった。 ◎養生が丁寧で新築でも安心 ××家具とか壁が傷つきました。この損害金って作業した人たちで割り勘するみたいですね。 それなのによく働いていけますね。奥さんとか子供がかわいそう。一般的には考えら れないシステムです。 ××最悪な会社です。やっていない事を上乗せ請求されてクレーム入れるとヤクザまがいの 脅しを言う。しかも法人利用の会社対会社の取引なのに信じられません。 プロの引越し評判・口コミ比較 アート引越センター編
https://w.atwiki.jp/mariya_ft/pages/15.html
登場人物 祇堂家 鞠也(主人公) うまる(妹) 咲夜?(メイド) 魔女 ベアトリーチェ ケイレン クーデリア 蒼星石 千代 登場人物一覧 <ケイレン政庁> 太守 : クーデリア 秘書官 : 蒼星石 補佐官 : ネウロ 騎士団長 : ボス <ケイレン市貴族> 藤堂家当主 : 藤堂ユリカ (レベルの高い魔法使いで水属性が得意。吸血鬼オタク) <ケイレン市貴族> 千反田家令嬢: 千反田える 騎士:デコース・ワイズメル <ケイレン市> 事務官 : 千反田エル(デスノートのL)(える の兄) <ケイレン商業組合> 服飾宝飾店 : アザトース 調味料店 : ほたる 魔法道具店 : ヒデヨシ UMR商店 : うまる <鞠也ランド> 騎士 : 横島 <指定暴力団佐倉組> 組長 : 千代 受付嬢: ロイ 冒険者: スパイク 冒険者: フェイ 冒険者: 蘇芳 冒険者: いつき 冒険者: みと <鍛冶職人> 鍛冶屋: 式 鍛冶屋: 灼岩 鍛冶屋: フォートレス <魔王> 魔王 : アルクエイド <魔女> : ベアト : パチュ : ベルンカステル(危険?) <ギュンギュスカー商会> 中隊長: スターサファイア 獣 : ピカチュウ : サトシ (不思議な粘液系のガンマニアのダンジョンの地下3Fホテル責任者?) <ダンジョン> エルダーリッチ: 鈴木さん(モモンガ様) (不思議な粘液系のガンマニアのダンジョンの地下4F引き篭り) 交渉人 : ロジャー・スミス (鈴木さんのところ?) <近くの村や住人> 職人 : 関 主婦? : 横井 炭焼住人: フォルゴレ 農民 : ダイ <料亭 白林寺> 料理人 : 烈海王(東方島国出身) <帝都> 近衛府第二軍将軍 : 加藤 近衛 第二軍第一大隊 : 石馬隊長 法務大臣 : 鳩山大臣 礼部大臣 : ラクス・クライン 外務大臣 : 碇ゲンドウ 魔術部 : 鬼柳大臣 財務部 : 涼宮財務官 魔術部研究開発課長 : 岡部倫太郎 ギルド幹部 : 趙子龍 巡察官 : 前田籐四郎 巡察官 : 平野籐四郎 ギルド組合長 : 劉玄徳 魔法使い : 佐倉杏子 アイドル : 天海春香 <神殿> ケイレン神殿長 :蔵女 神官みならい :御坂美琴 蘇生詐欺防止協会:アティ <反乱地域の太守> 将軍 : ガトー 秘書官 : ケロロ <ガトー軍 義勇兵> 隊長 : 後藤喜一 兵士 : アーカード 兵士 : 本田 <反乱軍> 指揮官? : 浜風 (千代に引き取られた後不明) (職業がナイトで、騎士は貴族の位) ヒロイン ヒロイン : 咲夜、わたし ヒロイン候補 : 千代(借金返済)、蒼星石(クーデリアを何とかする)、式(改めて友達から出発) ベアトはヒロイン候補から脱落 (6178 : ◆yXghcjB/iQwq :2016/02/27(土) 22 50 42.78 ID CMS1y976) (○えっと、咲夜と千代以外は全員脱落の危険あります。よろしく。 ) ヒロイン候補は鞠也が特別扱いする女性であり、それ以外はセクハラしても口説こうとは思ってない ヒロイン(候補)枠の上限は無いのでコミュを取って良い関係になれば候補外の人でも彼女に出来る 横島は蘇芳を見つけるまでは声かけても戻ってこない、鞠也より自分に腹を立てている 蘇芳は鞠也に怒っている →帰ってくるのを待ってその時にどうするか考えておくといいかも(蘇芳無視はおそらくアウト)