約 20,825 件
https://w.atwiki.jp/nandayo/pages/254.html
狐面会 基本情報 略称 狐面 変態 ケダモノたち 代表者 不明 規模 50人前後(推定) 本部 不明 概要 正体も目的も未だ判然としない呪詛師集団。 組織の規模も、所属している人間の実力も未だ謎に包まれているが、一部突出した実力者がいる事は判明している。 また構成員同士は互いの名前も狐面会の目的すら知らない事が大半だが、彼等全員が共通して上位実力者である「彼方」や「八尾」といった名前を出すことからこの二人が首魁であると考えられている。 狐面会が初めて表舞台に出た際は、何を目論んでいたのか攻勢御社を扱う銀髪の少女の身柄を要求している。 過去に捕縛された狐面会に属すると思われる呪詛師は「コレは推しへの愛!!いわゆる推し活なんだ!!」と証言している [捜査を撹乱する為の狂言の可能性があるため削除] 主な所属者 彼方(推定脅威度:三号級相当) 八尾(推定脅威度:不明) 関連ページ 祓魔隊四九班 (関東四区第九班) https //w.atwiki.jp/nandayo/pages/225.html 呪詛師集団「狐面会」 https //w.atwiki.jp/nandayo/pages/253.html 権利情報 権利情報は全ての項目を必ず記入するようにしてください。 代表権利者 星空カナタ コンタクト先 https //twitter.com/dn_kanata 他作品での使用範囲 オールフリー 登場作品 https //www.pixiv.net/novel/show.php?id=21804350
https://w.atwiki.jp/talesofdic/pages/1202.html
術・技:カノンノ・イアハート TOWレディアントマイソロジー2 TOWレディアントマイソロジー3 レイズ通常時 破滅へと導く者 クレストリア TOWレディアントマイソロジー2 術・技名 分類 備考 旋桜花 特技 勢いをつけて武器を振り回し敵を攻撃する特技。大きい敵じゃないとコンボが繋がり難い。終わり際に隙あり。3ヒット目は当たり判定が狭く、一部の敵は壁際に追い詰めないと3ヒットしない。そのため、×にした方がNPC時に安定してコンボを決めてくれる。 爆砕斬 特技 大地に衝撃を与え多数の岩片を吹き飛ばす特技。近距離だと基本3ヒットだが敵のサイズ次第で1~5ヒットに変動する。コンボはできないが遠距離だと4~5ヒットし易く最大6ヒット。目の前の空中に当たり判定がないので通常攻撃で、地面に叩き落せない常時浮遊の敵には近距離だと当たらない。通常攻撃から繋げると出が早くなる。多段ヒットが早く、両手剣の仰け反り耐性破壊で鋼体を削り易い。 獅子戦吼 秘技 闘気を敵に叩きつけ吹き飛ばす秘技。発生が早く、モーションが飛び膝蹴り。ダウン効果。また、バルバトスに対してのみ連打するだけでコンボが繋がる。 桜牙爆砕斬 奥義 旋桜花と爆砕斬を組合わせた奥義。旋桜花部分がヒットしないと爆砕斬に繋がらない。爆砕斬部分は敵のサイズ次第で最大6ヒットする。旋桜花、爆砕斬部分が特技版より当たり易くなっている。 獅子天吼弾 奥義 旋桜花と獅子戦吼を組合わせた奥義。獅子戦吼と違い、ダウンしない。終わり際に隙あり。4ヒット目は当たり判定が狭く、一部の敵は壁際に追い詰めないと4ヒットしない。そのため、封印推奨。 ファーストエイド 治癒術 味方単体:最大HPの25%回復推定詠唱時間:110F(約1.83秒) リカバー 治癒術 味方単体:状態異常を解除する推定詠唱時間:110F(約1.83秒) ストーンブラスト 初級術 対象となる敵の周囲から石つぶてを湧き出させる術推定詠唱時間:110F(約1.83秒) ファイアボール 初級術 対象となる敵に向かって火炎弾を発する術推定詠唱時間:110F(約1.83秒) アクアスパイク 初級術 高速回転させ圧縮した水を発射する術推定詠唱時間:110F(約1.83秒) エアスラスト 中級術 敵の周囲に風の刃を発生させ触れる者を切り刻む術ヒット数が多く、両手剣の仰け反り耐性破壊が、攻撃術にも有効なので鋼体を削り易い。推定詠唱時間:220F(約3.67秒) ヒール 治癒術 味方単体:最大HPの50%回復推定詠唱時間:220F(約3.67秒) キュア 治癒術 味方単体:最大HPの75%回復推定詠唱時間:220F(約3.67秒) エンシェントノヴァ 上級術 古代より伝えられし浄化の炎を呼び起こす術単体のみ4ヒット、最後の1ヒットは小範囲攻撃+ダウン効果。威力は高いが範囲が狭く、詠唱も長いので使い難い。推定詠唱時間:500F(約8.33秒) アンチェインド・ノート 秘奥義 ラヴ・ビート、自身の周囲の敵に大ダメージを与える。詠唱に使う術の消費TP(最小5)を確保してないと発動できないが、詠唱から即発動し巻き込んだ敵に必ずフルヒットする。術攻撃力依存、小範囲攻撃。 上へ 術・技:カノンノ・イアハート(TOWRM2)を編集 TOWレディアントマイソロジー3 術・技名 分類 備考 旋桜花 特技 勢いをつけて武器を振り回し敵を攻撃する特技3ヒット目が当たりやすくなった 爆砕斬 特技 大地に衝撃を与え多数の岩片を吹き飛ばす特技 獅子戦吼 秘技 闘気を敵に叩きつけ吹き飛ばす秘技ぶっ飛ぶ距離が多くなり硬直が長くなったためお手玉コンボは消滅 桜牙爆砕斬 奥義 旋桜花と爆砕斬を組合わせた奥義硬直が短くなった 獅子天吼弾 奥義 旋桜花と獅子戦吼を組合わせた奥義4ヒット目が当たりやすくなった ファーストエイド 治癒術 対象となる味方一人のHPを少し回復する術 リカバー 治癒術 味方単体:対象となる味方一人の状態異常を回復させる術 ストーンブラスト 初級術 対象となる敵の周囲から石つぶてを湧き出させる術 ファイアボール 初級術 対象となる敵に向かって火炎弾を発する術 アクアスパイク 初級術 高速回転させ圧縮した水を発射する術 ヒール 治癒術 対象となる味方一人のHPを中程度回復させる術 エアスラスト 中級術 敵の周囲に風の刃を発生させ触れる者を切り刻む術 キュア 治癒術 対象となる味方一人のHPを大幅に回復する術ヒールと詠唱時間が同じ エンシェントノヴァ 上級術 古代より伝えられし浄化の炎を呼び起こす術 アンチェインド・ノート 秘奥義 ラヴ・ビート、自身の周囲の敵に大ダメージを与える術攻撃力依存、小範囲攻撃。 上へ 術・技:カノンノ・イアハート(TOWRM3)を編集 レイズ 通常時 術・技名 分類 武器・魔鏡 備考 旋桜花 術技 グリムソード 爆砕斬 術技 ヒートソード ストーンブラスト 術技 ラージソード ヒール 術技 ディフェンダー 獅子戦吼 術技 ノームブレード 裂壊桜 術技 プロテクトソード 本作で新たに習得 桜牙爆砕斬 術技 ボルテックソード パッションバブル 術技 プラネットソード 本作で新たに習得 桜華天蓮舞 鏡装 輝き響かせて イアハート 本作で新たに習得秘技→満開・桜華天蓮舞 アイストルネード 鏡装 中秋弦奏 イアハート 本作で新たに習得秘技→かき氷トルネード ダブルショット 鏡装 心優しきレアリエン カノンノ・E(イアハート) ゼノサーガコラボ限定秘技→フリーズショック 獅子天吼弾 裏鏡装 声を聴く少女 イアハート 秘技→獅子天吼斬 迅桜衝 BST鏡装 青空の誓い イアハート 本作で新たに習得秘技→迅桜旋風 スプラッシュ・サマー 報酬魔鏡 グラニデの少女 ヒート・ゼフィランサス 通常魔鏡 ディセンダーの絵本 ブラッサム・アセンブル 季節魔鏡 幸せなひととき ディアハートビート 季節魔鏡 月明かりの下で ギルティーレイン コラボ魔鏡 不可避の雷矢 ゼノサーガコラボ限定 レディアント・エスティバル 決戦魔鏡 共に歩む未来を 双牙襲砕撃 CO魔鏡 風に乗る春夏 +P・カノンノ ミストルティン 霊装魔鏡 水の音を聴く者 上へ 術・技:カノンノ・イアハート(TOtR)を編集 破滅へと導く者 鏡装もしくは魔鏡を入手でカノンノ・イアハートからフォームチェンジ可能。 術・技名 分類 武器・魔鏡 備考 嘆きの詩 術技 グリムソード・嘆 破滅の願い 術技 ラージソード・破滅 ブラックキュア 術技 ディフェンダー・黒癒 スプリットシェイド 術技 プラネットソード・暗黒 ダークネスフォトン 術技 ボルテックソード・闇雷 深淵の呼び声 術技 エンシェントブレード・深淵 ハウリングダーク 鏡装 宵闇の衣を纏って 破滅へと導く者 秘技→ハウリングカノン スプラッシュ・ランカー 報酬魔鏡 破壊の使命を遂行する者 エターナルエンド 通常魔鏡 反転する使命 カノンノ・イアハートも装備可能 上へ 術・技:破滅へと導く者(TOtR)を編集 クレストリア 単位:【大剣翻す剣士】 属性:水 武器:大剣 :SSR 術・技名 リキャスト 範囲 備考 通常攻撃 旋桜花 単体 術技1 桜牙爆砕斬 単体 術技2 アンチェインド・ノート 全体 秘奥義 単位:【バカンスサマー】 属性:風 武器:大剣 :SSR 術・技名 リキャスト 範囲 備考 通常攻撃 獅子天吼弾 単体 術技1 ファーストエイド 単体 術技2 ヴォルテクス・ノート 全体 秘奥義 上へ 術・技:カノンノ・イアハート(TOCr)を編集
https://w.atwiki.jp/notosfrance/pages/38.html
1.東南アジアの香辛料 欧州売値が各種 13,000~14,000 モンペリエ、ボルドー、ナントとフランスには耐性港がそろっています。 もう少し詳細な情報を集めて、有効利用していきましょう。 2.中南米の貴金属の買値が下がっています。 リオ 金2950(推定100%) サントドミンゴ 銀 1150(推定100%) 現地での細工物への加工も含めて、 今まで以上に重要になりそうです。 3.ただいま持ち越し中の話 司会者募集 大海戦前のバザー 気になったこと、加えたほうがいいと思ったこと、訂正などあれば↓に 名前 コメント
https://w.atwiki.jp/nijigenhakoniwa/pages/87.html
ただ、証明したい。 俺が—— 1番—— 強い事を……! 統一予想 選択肢 投票 大平和の弟子 (0) せやろがい (3) ウミアラシ迫撃島 (2) お茶漬け (2) 大平和の弟子島(推定登場回数1回 統一回数0回) 奇才・大平和帝国のDNAを受け継ぐ猛将 その戦術の切れ味は鋭い また、戦術への挑戦は箱庭だけにとどまらない 箱庭界の風雲児、大平和の弟子 せやろがい島(推定登場回数3回 統一回数0回) 名前 コメント 総観覧者数: - 人 今日 - 昨日 -
https://w.atwiki.jp/bito/pages/177.html
分類 オーメダル(コア) 属性 番外 担当部位 腕部 性別 女性 人間換算時推定年齢 16歳 推定バストサイズ D モモタロスから生まれたイマジン代表のメダルビト。愛称は「イマ」。モモタロスは「親父」と認識している。 第一声が「オレ、参上」から分かるように一人称は『オレ』である。「プリンなどの甘いものが好き」「細かい理屈よりノリのよさ」な性格からも、かなりモモタロスに似ていることが分かる。 しかし、当然女性であるためにかわいいくありたい等の差もある。 コンボ服衣装は電王ソードフォーム。
https://w.atwiki.jp/ikusher/pages/29.html
アトラクタ再構成 時系列データ に対して、時間遅れの大きさをとして、次元の再構成状態空間において、 リアプノフスペクトラム推定 x(t)における微小変位をとすると、 ただし,{\bf J}はヤコビ行列で、 ヤコビ行列推定法 予測されるべき点v(T)に対し、再構成アトラクタの中で最も近い点をv(t )とする. 局所線形近似モデルにより、 はヤコビ行列J(t )により決められていると考えてよい。つまり という関係式ができる.したがって により、新しいデータを予測することが出来る。
https://w.atwiki.jp/kitunekaisetu/pages/46.html
前に作ったネームド機体と同じかんじです。 1、2、3などの数字はは24機体あるうちの1番目の機体を指します 例 1(これだと1/24番目の機体)Mig-21(そのネームド機体の機体種類)特殊兵装を使わずに攻撃(出現条件) というかんじです。 前の記事見てない人は先に前の記事見ることをおすすめします。 1 Mig-21 敵の増援(第2、3波)を特殊兵装によりほぼ同時に撃墜 2 Mig-29 ミッションアップデート後にHUDに「TGT」として表示される管制塔(コントロールセンター)を破壊 3 F-16C 素早く敵機を全滅させる(他動画では1分30秒と記載) 4 F-15J 低行動で敵レーダー網突破(おそらく高度300m以下) 5 F-15C 敵爆撃機を撃墜せよと命令がはいるまでダメージを受ける(推定50%) 6 F-14D 西側基地にある滑走路兼トンネルを通過する 7 Typhoon 目標(TGT)以外の敵を全て殲滅する 8 F-15E 石油タンクを全て破壊 9 F/A-18F 目標(TGT)以外の敵を半減させる 10 Gripen E SAM、対空兵器をすばやく発見し破壊する 11 Su-33 北側プラットホームの隙間をくぐり抜ける 12 Rafare M 北側プラットホームの敵機を離陸前に全て撃墜 13 Su-34 ストーンヘンジに損害を与えない(ヘリ部隊の増援で出てきます) 14 Mirage 2000-5 破壊されたストーンヘンジをくぐり抜ける 15 A-10C A-10Cを全て撃墜 16 Mig-31 (推定3~5分以内)に全ミサイルサイロ破壊 17 Su-47 (推定2~3分以内)に渓谷突破 18 Su-37 (5分以内に)15000pt以上のポイントを稼ぐ 19 F-2A 作戦時間残り3分で出現するイージス・アショアを破壊 20 Su-35S 10000pt以上のポイントを稼ぐ(IFFではUnknownとして出現) 21 F-35C マスドライバーぎりぎりを通過 22 YF-23 道中の敵を迅速に破壊する(推定2~4分以内) 23 Su-57 17000pt以上のスコアを稼ぐ 24 F-22A 20000pt以上のスコアを稼ぐ どうにかネームド機解説おわりました、 後で一昨日と昨日の白狐にビンタしたい PJも何してんだよ!って怒りそう 続いてはCOD MWの解説にれっつらごーします。キャンペーンモードだけですが ページ更新が遅いって?ドーントレスはまってた責務だ それが「理由」だ
https://w.atwiki.jp/yohshimo/pages/13.html
ゼミの記録です。ご指導いただいた内容、発表する内容などを書き込みます。 2月4日(地図に矢印を書き込む関数) 1月28日(GWRモデルを計算する関数「gwr」の詳細) 1月22日(BGWRのMCMCステップを早く計算できるようになった点 & 論文紹介) 1月8日(打ち切りをする重みによる、GWRモデルの結果) 12月11日(紀要のチェックと、BGWRモデル(GWRのベイズ・アプローチ)の解析結果) 12月6日(紀要のチェック) 12月3日(GWRパラメータの空間分布の考察:偏回帰係数を比べて) 11月27日(偏回帰係数をRを用いて求める) 11月22日(埼玉県川口市空き巣データの空間分析) 11月17日(同じゼミ生の発表練習) 11月9日(GWRにおける影響力の大きさをCookのDを用いて分析&川口市のデータ発見) 10月29日(GWRモデル推定における、影響力の分析) 10月22日(岡山市、倉敷市、コロンバス市の解析結果、BGWRの結果) 10月15日(古谷知之先生(慶応大学)の論文紹介) 10月9日(SARモデルの尤度関数について) 10月4日(町丁字別データを解析したい理由) 9月26日(岡山市犯罪データ解析の模索、二次の連結性指標を用いたGWR) 9月18日(岡山市犯罪データ解析の模索、一次の連結性指標を用いたGWR) 9月11日(Rのコマンド、GWRの修正、参考HPの紹介、SDAMの紹介) 9月4日(裾切りGWRの結果) 8月27日(GWR解析) 8月6日(過去3ヵ年岡山市犯罪データの解析結果) 7月31日(Rの自作関数「GWR」の修正発表) 7月16日(Rの自作関数「GWR」の発表) 2月4日(地図に矢印を書き込む関数) こちらの.bmpファイをご覧ください。 画像は荒いですが、このようにshapefileの各地区のデータの図を矢印でつないでおります。関数はセミナー資料の,2月4日セミナー資料「地図に矢印書き込み関数.txt 」の中にあります関数「fun」です。 今回の例では、地図は「shape.poly(埼玉県川口市北部)」、折れ線グラフのデータは「bgwr.v[1 40,num](BGWRモデルの分散不均一パラメータ)」です。 どんなデータのどんなグラフでも矢印でつなぐ関数はこちら。 「par()のこと」 の内容も踏まえて、 参考文献:「Sによるデータ解析」(p.54-p.55) 渋谷 政昭 (著), 柴田 里程 (著);共立出版 の関数を参考に、「uin」の部分を修正しただけですが・・・。 1月28日(GWRモデルを計算する関数「gwr」の詳細) 自分の作った関数との答えあわせのため、Rのパッケージ「spgwr」の中の関数「gwr」の中身を紹介。 自分の作った描画機能の紹介。修正の指示を頂きました。 1月22日(BGWRのMCMCステップを早く計算できるようになった点 & 論文紹介) プログラムの修正により、MCMCステップの計算時間が「30sec/step」だったのが、「1sec/step」になりました◎ プログラムの修正ポイントはfor(i in 1 239)の中では「計算」を無くすこと。239通りの計算要素はすべてforの外で計算して行列に置いておく。 計算要素のコマンドでの作り方は去年の7月ごろT2先生に一度ヒントをもらっていたので、それを参考に作りました。 あとは論文紹介。Jeremy Mennis先生による「Mapping the Results of Geographically Weighted Regression」。 GWRモデルの推定パラメータの色分けについて。私の色分けの仕方は悪い例でした。 1月8日(打ち切りをする重みによる、GWRモデルの結果) 修士論文の構成、打ち切りガウス関数を重みに用いたGWRモデルの解析結果の発表。 修士論文には、結果の良かった打ち切りGWRモデルを載せることに。 紀要のチェックをして頂いた。引き続き論文作成。 12月11日(紀要のチェックと、BGWRモデル(GWRのベイズ・アプローチ)の解析結果) BGWRモデルの推定をしましたが、GWRモデルとほぼ変わらない結果となりました。 決定係数、残差二乗和、パラメータのp値、残差のMoran I統計量、すべてGWRモデルとほぼ変わらない値。 今回、外れ値とみなした空き巣発生率は約35件(平均約4件)であるが、この外れ値の地区に対して大きなdown-weightをかけているわけではないことが分かっている。 てこ比とBGWRモデルの関係を解析して、来週発表しようかなと思っています。 あと、BGWRの計算コストが非常に高い!(のかな?) 1100(MCMCの回数)*239(地区の数)=269000回ループを回すのに4時間かかっている。 よりよいプログラムを考えないといけないかな(先生にかなり助けて頂いているが)。 12月6日(紀要のチェック) 紀要のチェックをしていただいた。たくさん修正があり、先生に申し訳なかった。修士論文ではこんなに修正されないよう頑張らなくては。 とりあえず、紀要が終わればTEXで困ったことのページが増えそうです。 12月3日(GWRパラメータの空間分布の考察:偏回帰係数を比べて) 偏相関係数を、GWRのパラメータが正になった地区負になった地区で層別して調べてみると明らかな差があった。 戸建の影響を取り除くと相関係数の値が変化しているのはパラメータが正の地区(資料1枚目 -0.03⇒-0.14)、あまり変化がないのが負の地区(資料2枚目 -0.41⇒-0.39)。 (セミナー資料) 先生にご指摘いただいたのは各地区のパラメータの有意水準を見ること。ただ、それでもパラメータが正であると示唆される地区はあるので、その地区は何か戸建以外の他の要因があるかもしれない。3日後のゼミまでにできる限り調査、まとめをすること! 紀要の赤入れ。要修正。 11月27日(偏回帰係数をRを用いて求める) GWRモデルで老人化率の係数が正になった地区、どうやら一戸建ての影響が強かったみたいだ。先生にご指導いただいた。 実際、一戸建ての影響を取り除いた空き巣と老人化率の偏相関係数は負、または0になっていた。 なお、偏相関係数はRのパッケージ「Rcmdr」が必要であった。tryoさんより、Rコマンダーの相関行列計算のところに偏相関係数の計算を選択できる機能が付いていることも初めて知った。 来週は総まとめを論文にして提出予定。 11月22日(埼玉県川口市空き巣データの空間分析) 埼玉県川口市のデータ解析のまとめ。今回発表したのは大雑把にまとめたもの。 結論。 x(説明変数)とy(被説明変数)の関係は地域によって違うかもしれない。このxとyの関係の空間的な変動をGWRモデルは捕らえてより正確な推定値を与えてくれる。 残差二乗和は大きく減っております。 さて、今回は平成18年度川口市のデータでしたが、千葉県市川市のデータは過去三ヵ年そろっておりGWRのパラメータの三ヵ年の変移などを見ていくと面白いと思い研究中であります。次回ゼミで発表することを目標に。 11月17日(同じゼミ生の発表練習) 同級生の発表練習。地価公示の推定には非常に興味があるので、犯罪データと平行して地理的加重回帰法で推定してみようかな・・・(論文には書かないけど)。 11月9日(GWRにおける影響力の大きさをCookのDを用いて分析&川口市のデータ発見) 先週発表の「CookのD」などでGWRモデル推定における影響力の大きさ等を見てきたが、修士論文で用いる予定である岡山市空き巣データは、交番管轄ごとのデータでありそれぞれの属性の面積が大きい。つまり空間的な従属性は小さくなる。 理想としては少なくとも町丁字別のデータを用いて解析したい(今年の金曜セミナーでもご指摘頂いた)。 そこで、今回偶然ネットで見つけた埼玉県川口市犯罪データ。さっそくcsvファイルに保存し、shapefileをダウンロードし、私の作った関数を用いて解析。 単回帰では残差にかなりの空間的な集積性があったが、GWRモデルの推定により残差が有意水準1パーセントで(空間的に)独立なモデルを構築できた。 なお、BGWRも推定したがGWRから目立った良化は見受けられなかった。 パラメータの空間分布をみると、川口市中心部と北東部でパラメータの符号が逆になっており興味深い結果を得た。 今回、何より収穫だったのは市役所の「防犯対策課」、あるいはそれに準ずる組織が犯罪データをHP上で公開している事実を知ったことである。 もしも、岡山市の町丁字別データが手に入ればすぐにでも解析してみよう。 そして、今までの交番管轄ごとのデータとの比較を行ってみたい。 10月29日(GWRモデル推定における、影響力の分析) 前回発表した「ベイズ・アプローチ」は外れ値の影響を和らげるもの(down-weightによって)。では、 各地区の値を推定する際に、強い影響を与えている地区はどこなのか?それを「てこ比」「CookのD」 を用いて分析した。 二つとも金曜セミナーで発表した内容であるが、「感度分析」(田中豊先生が世界的な権威)については 私の勉強不足。今回発表した内容では「てこ比」「CookのD」のどちらの結果をみて結論を言えば良いのか わからないまま発表した。 ただ、BGWRで結果の出た「columbus市」と、結果の出なかった「岡山市」の原因は「てこ比」「CookのD」 を分析することで見えてきた。 この内容が修士論文に載せれる内容かどうかは別として、興味深い内容である。 てこ比などを通して、「ベイズ・アプローチ」の作用をローカルに見る。これが次回ゼミまでの目標。 ゼミ発表のppt このpptはかなり内容が拙いものです。内容がまとまり次第pdfにまとめてアップいたします。 10月22日(岡山市、倉敷市、コロンバス市の解析結果、BGWRの結果) 岡山市、倉敷市の「空き巣発生率 vs. 低層共同住宅割合」の偏相関係数(老人化率の影響を除いた)の結果 と自分の考察の発表。 BGWRのコマンドが完成した。MCMCをしてくれるコマンドです。計算コストはまだ高いと思う。 このコマンドについても発表します。 結果、やはり岡山市空き巣データ(平成16年度)にベイズ・アプローチ(BGWR)を試みてもGWRとほとんど差異は なかった。 一方、コロンバス市犯罪データにBGWRを試みることによって残差のMoran Iは0に近く なり、つまり誤差がより独立な空間回帰モデルを構築することが出来た。 私の作ったBGWRのコマンドでは、要修正の箇所があった。修正箇所、修正方法の詳細はメモ(R)に 記す。 10月15日(古谷知之先生(慶応大学)の論文紹介) 「研究まとめ:岡山市、倉敷市空き巣データの空間回帰モデリング」の発表。BGWRがあまり良くない理由も分かってきた。 論文「ベイズ地理的加重回帰モデルの地価推定モデルへの適用」(著:古谷知之.2004)の紹介。この論文だとGWRおよびBGWRを691地点の地価公示データに適用させている。自分の使っているデータの10倍。地区ごとの、回帰係数の空間分布 の解釈の仕方は非常に参考になった。 でも、自分の使っている62個のデータでも解析できるようにやってみなければ。 10月9日(SARモデルの尤度関数について) 今まで研究してきた犯罪を用いたデータをまとめているので、その報告。あと、空間自己回帰モデル(SARモデル)の尤度関数でわからないところがあったので先生に質問。確率変数が何なのかという意識が欠けていた。これからは気をつけなくては。 今後は岡山市、倉敷市の空き巣データで3つのモデル(OLS、SAR、GWR)を構築して、まとめる。できれば、GWRのベイズアプローチも。 ゼミのあと気づきましたが、SARの最尤推定のRのコマンドを間違っていたので修正。GWR>SAR>OLSな感じになりそう。 10月4日(町丁字別データを解析したい理由) 今はいい成果が出ていないけど、研究経過を発表予定。 あと、時間があれば[人口数=beta0+beta1*世帯数]のモデルをGWRを行うとどうなるかの発表。なぜ人口数、世帯数なのか。 1.町丁字データとして存在 2.(当然だが)強い正の相関がある 3.推定パラメータbeta1の解釈と、空間分布の予測がしやすい。 今回は人口数と世帯数の相関が比較的強い地区(赤い地区)が郊外に、相関が比較的弱い地区(黄色い地区)が市中心部に来るのではないか。 この結果になりました。ちなみに決定係数はどの地区も95%以上、中には99%の地区も。 GWRモデルのおもしろいとこって、やっぱり説明変数と被説明変数の関係自体が空間的に変動しているところを図示して考察するところにあるのではないか。 もちろんGWRモデルの推定結果が悪いと、考察のとき「この分布を考察してもいいん?」って疑いたくなるけど。 9月26日(岡山市犯罪データ解析の模索、二次の連結性指標を用いたGWR) 二次の連結性を示す重みが完成した。この重みを使うことによって前回結果の悪かった岡山市中心部が良化することを期待したが・・・、そう簡単に良くはなってくれまへん。 決定係数の比較(第20回セミナーのjpegファイルを参照) BGWRモデルの事前確率分布の解釈は間違っていなかった。 あとは、ハイパーパラメータを変えつつ論文の結果に近づけるように研究を続ける。 それができたら、BGWRを岡山のデータに当てはめて解析。 平行して過去三ヵ年&倉敷市(or 静岡市)。地域分析が出来ることを示せる論文を目指す。 (「決定係数を良くする」、「外れ値に頑健なBGWRをする」) 9月18日(岡山市犯罪データ解析の模索、一次の連結性指標を用いたGWR) 前回セミナーの2について考えたところ、当該地区に接している地区(一次の連結性)のみを推定に用いる方法を提案した。 しかし、岡山市中心部では推定結果が悪く、その対策として推定する地区によって高次の連結性の地区を推定に用いる手法を研究してみる。 そこで、先生からご指導いただいた方法として、一次の連結性の地区までの距離と二次の連結性の地区までの距離の差を考慮したモデルにしてみることにした。 なんとか9月20日には計算できるようにRのコマンドを書き上げたい!!! 9月11日(Rのコマンド、GWRの修正、参考HPの紹介、SDAMの紹介) 1.shapefile切り出しの方法の発表 改善の余地がある。 より良いシステムに。 2.GWRで裾切りガウスカーネル関数を用いたときに、決定係数が悪化する地区があったのでそれに対する自分の解釈、解釈に至ったデータの紹介と説明。 やはり、推定に用いる地区の選び方が悪い。今週の研究のひとつはこの対策。 3.参考文献、ホームページの発表。慶応大学の古谷研究室のホームページには参考文献、ホームページが掲載されておりそれも参考に。 4.SDAMの紹介 空間データ分析マシン(SDAM)の紹介。フリーソフトウェア。かなり気に入っているソフト。 GWRなど実装しており、計算をRSTATサーバーを通してRで行い、その結果をGIS機能により図示してくれる。 使用者は、解析したいデータが属性値として入っているshapefileを各自で用意する必要がある。 来週のセミナーではこのマシンの実行例も発表したい。 参考サイト 9月4日(裾切りGWRの結果) カーネル密度関数による重みの「裾切り」をした結果と、決定係数の変化の発表。 どこまで近くの地区の値を推定に用いるかは、「裾切り」範囲ごとのCVスコアを比較して求めた。 また、GWRの解析結果も自分なりに解釈はできた。 やはり、地域の性格が犯罪の誘発度に大きく関わってくるようだ。 今後の研究課題として、地域の性格をいろんな角度から分析していく。 また、「裾切り」により決定係数が悪化した地区もあるので、その原因究明、対策をする。 次回、ゼミで発表予定。 8月27日(GWR解析) 関数「GWR」で解析を行ったところ・・・、地区ごとの決定係数がひどい値に↓ 先生から、属性値が0になってる地区(あるいは周辺の地区)の推定をするときの影響を調べるようにご指導いただいた。 その結果、現在のカーネル関数のバンド幅だと、一番遠い地区でも結構強い重み付けをしているので、もっとバンド幅を狭めた方がいいと感じた。 来週は、自分なりに考えたバンド幅の狭め方と、解析結果の発表をしたい! あと、今回はプレゼンがひどかった。こんなプレゼンしてたらだめだ。 来週はしっかりした発表をしないと。 8月6日(過去3ヵ年岡山市犯罪データの解析結果) 岡山市過去3ヵ年の、GWR解析結果の比較。また、自分で作った関数「GWR」のデモ。 過去3ヵ年の解析のために必要であった「岡山市町丁字年齢別データ」の編集用プログラムの発表。 関数「GWR」で欲しい機能はある程度備わった。しかし、解析結果の表示の流れが不自然。既存の関数「gwr」(パッケージspgwr)の流れを参考に修正。 以前よりの課題であった、岡山市郊外を含んで解析か含まず解析か・・・という問題。「郊外」の定義は曖昧なので岡山市が現在の姿になるまでの合併の経緯を参考に、地域を絞ってGWRの解析を行う。⇒ 解釈が行いやすいのではないか。 「岡山市町丁字年齢別データ」の編集プログラムは後輩に受け渡すことができるように、使いやすくわかりやすく。 平成17年度のデータは手に入れており、過去4ヵ年のデータで、より小地域でGWR解析を行う! データさえ用意できれば、解析をすぐに行える環境は整った(つもり)♪ 今夏の目標:岡山市の空き巣抑止力、誘発度のパラメータ空間分布の結果を元に、街の発達、性格の経緯を見出す。 7月31日(Rの自作関数「GWR」の修正発表) ある程度自分の欲しい機能(パラメータの空間分布可視化、t統計量など)を備えたRの関数「GWR」、最適バンド幅を見つける関数「GWRCV」、倉敷市の解析結果の発表。 「GWRCV 」は、まだまだ無駄が多いところをご指摘、修正していただいた。 倉敷市の結果から、空き巣には「住宅の種類」が関わっていることが、感覚的に示唆された。 発表資料のTEXファイル、図が見にくい。修正を。 倉敷市交番管轄ごとのshapefileを作ったが、高梁川が交番管轄に入っているなど、要修正。 7月16日(Rの自作関数「GWR」の発表) 自分で作った「R」の関数の発表。関数の内容は、空間回帰モデルの一つである地理的加重回帰法の回帰パラメータを計算する関数。 次回は、描画機能も備えた関数の発表と空き巣「発生率」を用いた解析結果のまとめを報告の予定。 さらに、倉敷市のデータについても岡山市と同様の解析を行い、岡山市との地域比較が出来れば(まだ研究中)。 倉敷市は大好きな街なのでやる気まんまん☆ 空き巣の誘発度、抑制力の空間分布パターンに面白い結果が出てくるかな? 名前 コメント
https://w.atwiki.jp/r-intro/pages/30.html
目次 目次 最小二乗法による回帰直線の傾き、切片、決定係数、自由度調整済み決定係数を求める(pp.96-108) 推定した回帰モデルのパラメーターの分散と標準誤差(p.171) 単回帰モデルにおけるt分布による傾きの仮説検定(両側検定、片側検定)を行う(pp.178-180) 単回帰モデルにおけるt分布による切片の仮説検定(両側検定)を行う(p.181) 単回帰モデルにおける回帰係数のp値を求める(p.181) 重回帰モデルにおけるt検定(pp.185-188) 重回帰モデルにおける仮説検定(pp.205-206) 異常値を含むダミー変数を用いた回帰直線の推定(pp.226-227) グループに対するダミー変数(性別)(pp.231-232) 最小二乗法による回帰直線の傾き、切片、決定係数、自由度調整済み決定係数を求める(pp.96-108) データは以下のとおり(p.97)。xxiは説明変数、yyiは目的変数(被説明変数)。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - length(xxi) ssxy - sum((xxi - mean(xxi)) * (yyi - mean(yyi))) ssxx - sum((xxi - mean(xxi)) ^ 2) b - ssxy / ssxx xxm - mean(xxi) yym - mean(yyi) a - yym - b * xxm yyei - a + b * xxi ui - yyi - yyei ssu2 - sum(ui ^ 2) ssyy - sum((yyi - yym) ^ 2) ssyeye - sum((yyei - yym) ^ 2) rr2 - ssyeye / ssyy sig2 - ssu2 / (n - 2) sy2 - ssyy / (n - 1) arr2 - 1 - sig2 / sy2 cat(sprintf("傾き β=%.2f\n", b)) 傾き β=1.10 cat(sprintf("切片 α=%.2f\n", a)) 切片 α=0.50 cat(sprintf("決定係数 R^2=%.3f\n", rr2)) 決定係数 R^2=0.931 cat(sprintf("自由度調整済み決定係数 adj.R^2=%.3f\n", arr2)) 自由度調整済み決定係数 adj.R^2=0.896 推定した回帰モデルのパラメーターの分散と標準誤差(p.171) データはp.97に掲載されている(表示省略)。xxiは説明変数、yyiは目的変数(被説明変数)。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 dtf - read.csv("table3_2.csv", header = TRUE) n - nrow(dtf) k - 2 xxm - mean(dtf$xxi) yym - mean(dtf$yyi) ssxy - sum((dtf$xxi - xxm) * (dtf$yyi - yym)) ssxx - sum((dtf$xxi - xxm) ^ 2) bh - ssxy / ssxx ah - yym - bh * xxm yyhi - ah + bh * dtf$xxi ui - dtf$yyi - yyhi sh2 - sum(ui ^ 2) / (n - k) sbh2 - sh2 / ssxx sbh - sqrt(sbh2) sah2 - sh2 * sum(dtf$xxi ^ 2) / (n * ssxx) sah - sqrt(sah2) # β^の分散 print(sbh2) [1] 0.045 # β^の標準誤差 print(sbh) [1] 0.212132 # α^の分散 print(sah2) [1] 1.35 # α^の標準誤差 print(sah) [1] 1.161895 単回帰モデルにおけるt分布による傾きの仮説検定(両側検定、片側検定)を行う(pp.178-180) データは以下のとおり(p.97)。xxiは説明変数、yyiは目的変数(被説明変数)。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb ssu2 - sum((yyi - yyhi) ^ 2) sh2 - ssu2 / (n - k) ssxx - sum((xxi - mean(xxi)) ^ 2) sb2 - sh2 / ssxx sb - sqrt(sb2) tb - b[2] / sb cat(sprintf("残差分散 σ^2 = %.1f\n", sh2)) 残差分散 σ^2 = 0.9 cat(sprintf("βの推定値の分散 sb^2 = %.3f\n", sb2)) βの推定値の分散 sb^2 = 0.045 cat(sprintf("βの推定値の標準誤差 sβ = %.5f\n", sb)) βの推定値の標準誤差 sβ = 0.21213 cat(sprintf("βの推定値のt値 tβ = %.3f\n", tb)) βの推定値のt値 tβ = 5.185 cat(sprintf("両側検定 t0.05(2) = %.3f\n", abs(qt(0.05 / 2, n - k)))) 両側検定 t0.05(2) = 4.303 cat(sprintf("片側検定 t0.05(2) = %.3f\n", qt(0.05, n - k, lower.tail = FALSE))) 片側検定 t0.05(2) = 2.920 単回帰モデルにおけるt分布による切片の仮説検定(両側検定)を行う(p.181) データは以下のとおり(p.97)。xxiは説明変数、yyiは目的変数(被説明変数)。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb ssu2 - sum((yyi - yyhi) ^ 2) sh2 - ssu2 / (n - k) ssxx - sum((xxi - mean(xxi)) ^ 2) sa2 - sh2 * sum(xxi ^ 2) / (n * ssxx) sa - sqrt(sa2) ta - b[1] / sa cat(sprintf("残差分散 σ^2 = %.1f\n", sh2)) 残差分散 σ^2 = 0.9 cat(sprintf("αの推定値の分散 sa^2 = %.2f\n", sa2)) αの推定値の分散 sa^2 = 1.35 cat(sprintf("αの推定値の標準誤差 sα = %.5f\n", sa)) αの推定値の標準誤差 sα = 1.16190 cat(sprintf("αの推定値のt値 tα = %.3f\n", ta)) αの推定値のt値 tα = 0.430 cat(sprintf("両側検定 t0.05(2) = %.3f\n", abs(qt(0.05 / 2, n - k)))) 両側検定 t0.05(2) = 4.303 単回帰モデルにおける回帰係数のp値を求める(p.181) データは以下のとおり(p.97)。xxiは説明変数、yyiは目的変数(被説明変数)。これをメモ帳に貼り付けて「table3_2.csv」というテキストファイルで保存をして、カレントディレクトリに置いておく。 i, xxi, yyi 1, 2, 3 2, 4, 5 3, 6, 6 4, 8, 10 以下、計算。 dtf - read.csv("table3_2.csv", header = TRUE) xxi - dtf$xxi yyi - dtf$yyi n - nrow(dtf) k - 2 degf - n - k mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi), ncol = 2) mxb - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy b - as.vector(mxb) yyhi - mxxx %*% mxb sssse - sum((yyi - yyhi) ^ 2) sh2 - sssse / degf mxcc - sh2 * solve(t(mxxx) %*% mxxx) seb - sqrt(diag(mxcc)) tb - b / seb pb - 2 * pt(abs(tb), degf, lower.tail = FALSE) rr2 - sum((yyhi - mean(yyi)) ^ 2) / sum((yyi - mean(yyi)) ^ 2) arr2 - 1 - (sssse / (n - k)) / (sum((yyi - mean(yyi)) ^ 2) / (n - 1)) cat(sprintf("回帰式 Y^i = %.1f + %.1f Xi\n", b[1], b[2])) 回帰式 Y^i = 0.5 + 1.1 Xi cat(sprintf(" (%.3f) (%.3f)\n", tb[1], tb[2])) (0.430) (5.185) cat(sprintf("αの推定値の t値 tα = %.3f\n", tb[1])) αの推定値の t値 tα = 0.430 cat(sprintf("αの推定値の p値 pα = %.3f\n", pb[1])) αの推定値の p値 pα = 0.709 cat(sprintf("βの推定値の t値 tβ = %.3f\n", tb[2])) βの推定値の t値 tβ = 5.185 cat(sprintf("βの推定値の p値 pβ = %.3f\n", pb[2])) βの推定値の p値 pβ = 0.035 重回帰モデルにおけるt検定(pp.185-188) 以下の表4.5(p.186)の値をCSV形式で入力したtable4_5.csvを、カレントディレクトリに置いておく。 i, xx2i, xx3i, yyi 1, 2, 26, 3 2, 4, 5, 5 3, 6, 21, 6 4, 8, 8, 10 5, 10, 20, 11 計算する。 dtf - read.csv("table4_5.csv", header = TRUE) xx2i - dtf$xx2i xx3i - dtf$xx3i yyi - dtf$yyi kk - 3 n - nrow(dtf) degf - n - kk qv - 0.05 tv - qt(1 - 0.05 / 2, 2) r - lm(yyi ~ 1 + xx2i + xx3i) bhk - as.vector(r$coefficient) sh2 - sum(r$residuals ^ 2) / degf sk2 - sk - tk - double(kk) xx2m - mean(xx2i) xx3m - mean(xx3i) ss22 - sum((xx2i - xx2m) * (xx2i - xx2m)) ss23 - sum((xx2i - xx2m) * (xx3i - xx3m)) ss33 - sum((xx3i - xx3m) * (xx3i - xx3m)) d1 - xx2m ^ 2 * ss33 - 2 * xx2m * xx3m * ss23 + xx3m ^ 2 * ss22 d2 - ss22 * ss33 - ss23 ^ 2 sk2[1] - sh2 * (1 / n + d1 / d2) sk2[2] - sh2 * ss33 / d2 sk2[3] - sh2 * ss22 / d2 sk - sqrt(sk2) tk - bhk / sk # 残差分散 σ^^2 print(sh2) [1] 0.7197232 # 推定値 β^^k の分散 print(sk2) [1] 1.583391003 0.018451538 0.002263992 # 推定値 β^^k の標準誤差 print(sk) [1] 1.25832865 0.13583644 0.04758143 # 推定値 β^^k のt値 print(tk) [1] 1.1219364 7.6037916 -0.7999399 重回帰モデルにおける仮説検定(pp.205-206) yyi - c(3, 6, 8, 12, 11) xx2i - c(2, 4, 6, 8, 10) xx3i - c(1, 1, 2, 2, 4) n - length(yyi) kk - 3 mxy - matrix(yyi, ncol = 1) mxxx - as.matrix(data.frame(rep(1, n), xx2i, xx3i)) mxxxtxxi - solve(t(mxxx) %*% mxxx) mxbh - mxxxtxxi %*% t(mxxx) %*% mxy bhk - as.vector(mxbh) mxyh - mxxx %*% mxbh ui - as.vector(mxy - mxyh) sh2 - sum(ui ^ 2) / (n - kk) sk2 - as.vector(diag(sh2 * mxxxtxxi)) sk - sqrt(sk2) tk - bhk / sk print(n - kk) # 自由度 [1] 2 print(sh2) # 残差分散 [1] 0.1818182 print(sk) # 推定した回帰モデルのパラメーターの標準誤差 [1] 0.4490578 0.1574592 0.4065578 print(tk) # t値 [1] 2.631773 11.835681 -5.366563 異常値を含むダミー変数を用いた回帰直線の推定(pp.226-227) dtf - read.csv("table5_1.csv", header = TRUE) n - nrow(dtf) xxi - dtf$xxi ddi - dtf$ddi yyi - dtf$yyi k - 3 mxy - matrix(yyi, ncol = 1) mxxx - matrix(c(rep(1.0, n), xxi, ddi), ncol = 3) mxbh - solve(t(mxxx) %*% mxxx) %*% t(mxxx) %*% mxy mxyh - mxxx %*% mxbh mxu - mxy - mxyh ssy2 - sum(t(mxy) %*% mxy) - sum(yyi) ^ 2 / n ssyh2 - sum(t(mxyh) %*% mxyh) - sum(yyi) ^ 2 / n sse2 - as.vector(t(mxu) %*% mxu) s2 - sse2 / (n - k) s - sqrt(s2) mxvv - s2 * solve(t(mxxx) %*% mxxx) mxs - sqrt(diag(mxvv)) rr2 - ssyh2 / ssy2 tval - as.vector(mxbh) / as.vector(mxs) # 推定された回帰モデルのパラメーター α^,β^,γ^ print(as.vector(mxbh)) [1] 0.5 1.1 15.8 # 決定係数 R^2 print(rr2) [1] 0.9936886 # 各パラメーターの t値 print(tval) [1] 0.4303315 5.1854497 13.8309443 # 図の出力 png("fig5_1.png", width = 512, height = 512) plot(xxi, yyi, asp = 1., type = "n", xlim = c(0, 12), ylim = c(0, 30), xlab = "X", ylab = "Y") x - seq(0, 12, length = 100) lines(x, mxbh[1] + mxbh[2] * x, lty = "solid") lines(x, mxbh[1] + mxbh[2] * x + mxbh[3], lty = "dashed") points(xxi, yyi, pch = 20) dev.off() null device 1 グループに対するダミー変数(性別)(pp.231-232) 以下の表5.4(p.232)の値をCSV形式で入力したtable5_4.csvを、カレントディレクトリに置いておく。 i, sex, xxi, yyi 1, 女性, 255.5, 15.8 2, 女性, 259.7, 16.8 3, 女性, 385.3, 16.4 4, 女性, 286.5, 15.7 5, 女性, 302.1, 16.3 6, 女性, 317.8, 17.4 7, 女性, 321.5, 18.3 8, 女性, 393.0, 17.6 9, 女性, 393.7, 17.4 10, 女性, 289.2, 15.3 11, 男性, 352.2, 9.7 12, 男性, 367.1, 5.2 13, 男性, 276.9, 7.1 14, 男性, 348.4, 9.6 15, 男性, 277.8, 6.9 16, 男性, 386.5, 8.2 17, 男性, 337.7, 7.3 18, 男性, 219.2, 6.6 19, 男性, 330.2, 8.7 20, 男性, 395.8, 10.1 計算する。 dtf - read.csv("table5_4.csv") r - lm(yyi ~ 1 + xxi, dtf, trimws(sex) == "女性") print(r$coefficients) # 女性だけ (Intercept) xxi 13.722088020 0.009293487 r - lm(yyi ~ 1 + xxi, dtf, trimws(sex) == "男性") print(r$coefficients) # 男性だけ (Intercept) xxi 3.5590101 0.0133088 ddi - ifelse(trimws(dtf$sex) == "女性", 1, 0) r - lm(dtf$yyi ~ 1 + dtf$xxi + ddi) print(summary(r)) # 女性と男性 Call lm(formula = dtf$yyi ~ 1 + dtf$xxi + ddi) Residuals Min 1Q Median 3Q Max -3.1720 -0.4944 -0.1475 0.7592 1.5878 Coefficients Estimate Std. Error t value Pr( |t|) (Intercept) 4.19004 1.74965 2.395 0.0284 * dtf$xxi 0.01139 0.00519 2.195 0.0423 * ddi 8.85968 0.53539 16.548 6.45e-12 *** --- Signif. codes 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error 1.193 on 17 degrees of freedom Multiple R-squared 0.9417, Adjusted R-squared 0.9348 F-statistic 137.2 on 2 and 17 DF, p-value 3.234e-11 名前 コメント
https://w.atwiki.jp/chibifantasy2/pages/152.html
アイテム名 装備レベル レベル 攻 防 魔 魅 運 早 火 水 風 土 入手 備考 封印チビデビロッド 200 0推定値 1.50 - 26.75 3.00 - - 6.00 6.00 6.00 6.00 セトザード 30 6.00 - 107.00 12.00 - - 24.00 24.00 24.00 24.00 計量特大スプーン 200 0推定値 0.75 - 26 3.5 5.25 - 5.25 5.25 5.25 5.25 キャッシュ 2009バレンタイン 30 3 - 104 14 21 - 21 21 21 21