シラバス参照/View Syllabus |
科目一覧へ戻る/Return to the Course List | 2024/08/29 現在/As of 2024/08/29 |
開講科目名 /Course |
多変量解析b/MULTIVARIATE ANALYSIS(B) |
---|---|
開講所属 /Course Offered by |
経済学部/ECONOMICS |
ターム?学期 /Term?Semester |
2024年度/2024 Academic Year 秋学期/FALL SEMESTER |
曜限 /Day, Period |
火1/Tue 1 |
開講区分 /semester offered |
秋学期/Fall |
単位数 /Credits |
2.0 |
学年 /Year |
2,3,4 |
主担当教員 /Main Instructor |
樋田 勉 |
遠隔授業科目 /Online Course |
- |
教員名 /Instructor |
教員所属名 /Affiliation |
---|---|
樋田 勉 | 国際環境経済学科/ECONOMICS ON SUSTAINABILITY |
授業の目的?内容 /Course Objectives |
背景: 情報通信技術の発展により,企業や官公庁は大量の統計データを収集することが可能になった。収集したデータは,企業では品質管理やマーケティング,官公庁ではEvidence-based Policy Making(根拠に基づく政策運営)のために分析され,様々な意思決定に活かされている。 収集したデータの分析で最も頻繁に利用されているのが,この授業で扱う回帰分析や主成分分析などの多変量解析法である。多変量解析法は,ビジネスの世界で近年注目を集めている,データサイエンスや機械学習を構成する重要な手法である。多変量解析を学修することにより,ビジネスの現場においてデータを分析し,意思決定に役立てるための科学的手法を学ぶことができる。 目的: 学位授与方針(DP)と関わる能力としては,経済学科専門科目として,経済理論を統計的に検証する能力,経営学科専門科目としては,情報学の専門的な知識を活用する能力,国際環境経済学科専門科目としては,データを収集し,情報を正しく読み取る調査?分析能力を養成することを目的とする。 カリキュラム?ポリシーおよび履修系統の関連から見ると,1年次配当科目である統計学入門の知識を前提とし,経済学科専門科目として理論?計量,経営学科専門科目として情報?統計,国際環境経済学科専門科目として調査?統計分析の専門知識を習得し,データを分析する能力を身につけることである。 より具体的には,統計的データ解析の理論的な仕組み理解し,データサイエンス分野で利用されるソフトウェアの一つであるPythonを利用して,統計的データ解析ができるようになることを目指す。 内容: 多変量解析bでは多変量解析aの履修を前提として,主成分分析,クラスタ分析,ツリーモデルなどを扱う。データの分析には多変量解析aと同様にPythonを用いる。 これらの統計的データ解析を学修することにより,実際の経済?経営?社会など,様々なデータを分析するための能力を身につけることを目指す。これらの内容を学修することにより,実際の経済?経営?社会など,様々なデータを分析するための能力を身につけることを目指す。 |
||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
授業の形式?方法と履修上の注意 /Teaching method and Attention the course |
形式: 授業は講義形式で実施する。オンライン配信,録画配信は行わない。資料をmanaba配付するので事前に印刷して持参すること。 進行: 教員による分析手法の仕組みとPC(Python)を用いる例題データの分析方法の説明,受講生によるPCでの例題データと演習データの分析が基本的な授業の進行となる。 受講生は,分析手法について理解したのち,Pythonを利用して,実際に演習問題を計算して,結果の解釈を行うことにより,内容の理解度を確認する。 履修者は分析方法の仕組みと例題データの分析方法の解説を理解し,例題データと,講義時間中あるいは事後の学修用に配布する演習問題に取り組むことにより理解度を確認する。 履修者は,当日あるいは次週の講義時間中に行われる演習問題の解説を参考にして,授業内容の復習を行う。 演習問題の提供方法として,manabaの小テスト機能を利用することがある。この場合は,締め切り後に,採点結果を履修生が確認できるようにするので,不正解だった問題については復習する。また,履修生からの質問や採点結果については,次週の授業で教員から解説がある。 授業ではGoogle ChromeとGoogle Colaboratoryを利用するので,Google(Gmail) アカウントを準備しておくこと。 質問対応: 講義内容についての質問は,講義後あるいはメールにて質問すること。授業やmanabaでフィードバックする。 注意: a,bを連続して履修すると効果的に学修を行うことができる。 受講条件: 統計学入門と多変量解析aの単位を取得済みであること。 その他: 授業の進め方は,初回の授業で説明するので,必ず確認すること。 テキストは利用しない。配付資料を各自印刷して利用すること。 必要に応じて参考書を参照すること。 |
||||||||||
事前?事後学修の内容 /Before After Study |
事前の学習: 事前に配付された資料を用いて予習すること(2時間程度)。 事後の学修: 演習問題と復習に取り組むこと(2時間)。 |
||||||||||
テキスト1 /Textbooks1 |
|
||||||||||
テキスト2 /Textbooks2 |
|
||||||||||
テキスト3 /Textbooks3 |
|
||||||||||
参考文献等1 /References1 |
|
||||||||||
参考文献等2 /References2 |
|
||||||||||
参考文献等3 /References3 |
|
||||||||||
評価方法 /Evaluation |
期末レポート(50%),平常点(50%) 期末レポート: 講義全体を理解し基礎能力?応用能力を身に着けたかどうかを評価する。 平常点: 講義への参加度,課題?ミニレポート(1?2回程度予定)?小テストの得点。 |
||||||||||
関連科目 /Related Subjects |
前提とする科目: 統計学入門,多変量解析a この科目と同時に履修することを推奨する科目: 統計学a,b |
||||||||||
備考 /Notes |
テキストは利用しない。manabaで資料を配付するので,事前に印刷して持参すること。 | ||||||||||
到達目標 /Learning Goal |
多変量解析に関する専門知識を習得し、多変量データを分析のうえ、解説できるようにする。 |
回 /Time |
授業計画(主題の設定) /Class schedule |
授業の内容 /Contents of class |
事前?事後学修の内容 /Before After Study |
---|---|---|---|
1 | オリエンテーション,Pythonによる回帰分析の復習 | ツリーモデルや主成分分析などの多変量解析法の全体象を理解できるようにする。 |
|
2 | ツリーモデル(分析方法の概要) |
ツリーモデルの概要が説明できるようにする。 |
|
3 | ツリーモデル(Pythonによる分析) |
Pythonを用いて,ツリーモデルによる分析ができるようにする。 | |
4 | ツリーモデル(Pythonによる実データの分析) |
Pythonを用いて,ツリーモデルで実データの分析ができるようにする。 | |
5 | 主成分分析(分析方法の概要) |
主成分分析の概要が説明できるようにする。 |
|
6 | 主成分分析(Pythonによる分析) |
Pythonを用いて,主成分分析ができるようにする。 |
|
7 | 主成分分析(Pythonによる実データの分析) |
Pythonを用いて,主成分分析で実データの分析がができるようにする。 | |
8 | クラスタ分析(分析方法の概要) |
クラスタ分析の概要が説明できるようにする。 |
|
9 | クラスタ分析(Pythonによる分析) |
Pythonを用いて,クラスタ分析ができるようにする。 |
|
10 | クラスタ分析(Pythonによる実データの分析) |
Pythonを用いて,クラスタ分析で実データの分析ができるようにする。 | |
11 | ロジスティック回帰(分析方法の概要) | ロジスティック回帰の概要が説明できるようにする。 | |
12 | ロジスティック回帰(Pythonによる分析) | Pythonを用いて,ロジスティック回帰ができるようにする。 | |
13 | ロジスティック回帰(Pythonによる実データの分析) | Pythonを用いて,ロジスティック回帰で実データの分析ができるようにする。 | |
14 | 多変量解析のまとめ | まとめの課題に取り組むことにより,いろいろな多変量解析法の仕組みを理解し,データに適した分析方法でデータ分析ができるようにする。 |