"データ駆動型企業への変革を"

ベイズ統計学 では 一般的な統計学 とは前提の考え方が異なっています。
両者を比較してみましょう。

一般的な統計学では、得られた観測データというのは、唯一の真の確率分布から、ランダムに抽出されたものであると考えます。仮に、真の確率分布が正規分布であるとするならば、平均・分散は定数であり、非確率変数になります。

そのため、一般的な統計学では、得られた観測データから、背景にある確率分布を仮定し、ある定数である平均と分散を推定することが最終目標になります。

一方、ベイズ統計学では、背景に唯一の真の確率分布があるとは考えずに、真の確率分布は変化するものであると考えます。得られた観測データというのは、毎回異なる確率分布から、ランダムに抽出されたものであると考えます。仮に、背景の確率分布を正規分布であると仮定するならば、平均、分散が変数となり、確率変数になります。

そのため、ベイズ統計学では、得られた観測データから、背景にある確率分布を仮定し、平均・分散の確率分布を求めることが最終目標になります。

(ベイズ統計学を用いるメリット)

ベイズ統計学を用いるメリットは平均・分散といったパラメタの確率分布を求められる点にあります。

例えば、実験Aと実験Bの平均値に差があるか？という問題があったとします。

一般的な統計学では、帰無・対立仮説、有意水準を設定し、検定統計量と有意水準の大きさを比較して・・・、ということを行いますが、ベイズ統計学では、差の確率分布を直接求めることができます。

   |実験Aの平均 – 実験Bの平均|>0 である確率は〇〇％。

   (実験Aの平均 – 実験Bの平均)＞0 である確率は△△％

といったように、非常に直感的に解釈がしやすい結果を得ることが可能になります。これが、ベイズ統計学を用いるメリットの1つになります。

ベイズ統計学のもう1つのメリットは、事前にパラメタの確率分布の知識を持っていれば、少数のデータでもある程度の精度を保った推定が行えることにあります。

(ベイズ統計学のデメリット)

ベイズ統計学を扱うためには、MCMC（マルコフ連鎖モンテカルロ法）という乱数生成アルゴリズムを用いる必要があります。プログラミングを行う必要があるため、初学者が気軽に扱えないという点がデメリットになります。

アンケート分析において、よく使われる手法の1つに 因子分析 があります。
 
因子分析とは、
「データ間に 相関がある ということは、その背後に何か 共通する因子 が隠れているのではないか？」
という考えのもと、データの背後に潜む構造を理解 しようとする手法です。

違う言い方をすれば、アンケートなどで得られた結果がなぜ得られたのかその原因を推定しようということです。

 
例えば、
「日毎の傘の売上と合羽の売上を調べたところ正の相関がある」とします。
このような結果が得られたのは、傘と合羽の売上に影響する共通の因子(原因)が背後に隠れているのでは？と考えることが因子分析を使う動機になります。

 
今回の例でいうと、共通因子として、当日の降水の有無が考えられます。

 
もちろん、共通因子は1つとは限りません。明日の天気予報の降水の有無も共通因子かもしれません。

 
実は、因子分析を使ってわかることは、
・「共通の因子が1つ以上ありそうだ」
・「その共通因子が結果に対してどの程度の影響度を持っているか」
ということだけです。

・何個の共通因子が存在するのか？
・共通の因子とは何であるのか？
に関しては、自身で考える必要があります。
 
(イメージ)

そのため、アンケート分析から因子分析を行いたい場合には、ある程度の共通因子を見込める設問を 事前 に想定した上でアンケートを実施する必要があります。

例えば、アンケートの設問内容と想定される因子例は、下表のようなります。



あくまで 想定 なので、アンケート実施を行う前に、事前検証 用のアンケートを実施し、想定に大きな差異がないことを事前に確認しておくことが望ましいです。

AとBに正の相関があり、AとCに正の相関がある場合に、本来は関係のないBとCにも正の相関があるように見えてしまう場合があります。

例えば、

$~~~$A：気温　、B：アイスクリームの売上　、C：扇風機の販売台数

として、それぞれ散布図を書くと以下のような結果になったとします。
(値は適当です。)

一般論的として、

$~~~~$気温 が高いほど、アイスクリーム が売れる
$~~~~$気温 が高いほど、扇風機の販売台数 が増える

ことは考えられますが、

$~~~~$アイスクリームの売上 と 扇風機の販売台数

の間には直接的な関係性はないはずです。しかしながら、0.765という高い相関が得られています。

このように共通原因(ここでは気温)をもったために本来相関がないであろう変数間に相関がみられることを、見かけ上の相関 や 擬似相関 といいます。
 
　擬似相関が疑われるような場合には、偏相関係数 と呼ばれるものを計算します。

偏相関係数とは、今回の例では、「A:気温 の影響を除いた B:アイスクリームの売上」と「A:気温 の影響を除いた C:扇風機の販売台数」の相関係数のことを言い、

式で表すと、
\begin{align*}
偏相関係数= \dfrac{\rho^{~}_{BC}-\rho^{~}_{AB} \rho^{~}_{AC}}{\sqrt{1-\rho_{AB}^{2}} \sqrt{1-\rho_{AC}^{2}}}
\end{align*}
から計算されます。($\rho^{~}_{XY}$の表記は　$X$ と $Y$ の相関を表す)

「B：アイスクリームの売上」 と 「C：扇風機の販売台数」 に関して偏相関係数を計算すると、偏相関係数は0.403となり、やはりBとCには関係性はないと判断することができます。

AとBには “相関がある”、”相関がない” という言葉を聞いたことがある方は多いのではないでしょうか？2つの値の相関の強さを表す指標を 相関係数 といいますが、ひとえに “相関係数” といっても、

$~~~~~$「(ピアソンの)積率相関係数」、「順位相関係数」、
$~~~~~$「偏相関係数」、「自己相関係数」など

様々な相関係数が存在します。単に相関係数と呼ぶ場合には、通常は「(ピアソンの)積率相関係数」をさしています。

今回は、「(ピアソンの)積率相関係数」、「順位相関係数」について解説します。

「積率相関係数」について

　データがともに量的変数 である場合に用いられる相関係数です。

例えば、”体重と身長” の関係や、”駅からの距離と家賃”、”年齢と血圧” など両者ともに定量的な値を持つ場合に活用されます。

相関があるとは2つのデータ間に直線的な関係があることを意味します。

$~~~~~$Aが大きくなるとBも大きくなる場合には 正の相関 がある
$~~~~~$Aが大きくなるとBが小さくなる場合には 負の相関 がある

といいます。

ただし、以下のようなデータの場合にはAとBには明らかに関係性がありそうですが、直線では表せないため相関はないと判断されます。

このように、相関がないことは、因果関係がないことを示すわけではないため、あくまで相関は1つの指標であり、値を図にプロットして確認することが非常に重要になります。

「順位相関係数」について

　データがともに質的変数で、順位である場合に用いられる相関係数です。

例えば、”男女の好きな果物の順位” の関係や、”去年と今年の月別降水量の順位”、 など順位で表せる場合に両者の関係性をはかる手段として活用されます。

順位相関係数の求め方として

「スピアマンの順位相関係数」「ケンドールの順位相関係数」

が良く使われるそうです。順位相関係数には複数の求め方があり、目的に応じて順位相関係数の算出方法を決める必要があるということを覚えておけばよいかと思います。

順序尺度の場合のアンケート分析①と順序尺度の場合のアンケート分析②では、定食Aの満足度に関するアンケート結果に関して、ダミー変数を用いて重回帰分析を行うことによって、以下の回帰式が得られることを解説しました。

しかしながら、この式から各設問に及ぼす満足度への影響度は解釈できますが、切片の値 $7.0$ が何を表すのか解釈できません。そこで、さらに解釈しやすい式への変形を行います。

まず、各設問内のカテゴリ数量の平均が0となるように、以下の表のようにカテゴリ数量の変換を施します。このような処理を カテゴリ数量の基準化 と言います。また、切片は満足度(設問5)の平均点となります。

よって、カテゴリ数量の基準値を用いると全体的な満足度の式は

と表されます。この式を用いることによって、全体的な満足度の平均値を基準(切片)にして、各設問の影響度を確認することができるようになります。