投稿元:
レビューを見る
相変わらず分かりやすい説明でした。より分析にウエイトがおかれているので、この本の内容を踏まえ、
実際にデータをいじってみるのが重要と思われます。
投稿元:
レビューを見る
〜49
なんとなく嫌気を感じていることに取り組むと視界が開ける。その取り組みの障壁を出来るだけ低くすると同時に統計の本質が見えるようになっている。
投稿元:
レビューを見る
意外と知らないことが結構あった。クラスター分析や因子分析は普段使わないので、なるほどな、という感じ。前作とセットでMBA等大学院で統計を学ぶための入門書としてぴったり。
投稿元:
レビューを見る
統計を難しい数字や数学を使わずに解説したのはお見事。わたしの力量だと、標準偏差や分散の話までがやっとでした。巻末は、Σの使い方なんかが、前提でさっぱり分からず。
どうも、自分の力量不足を自覚してしまう一冊でした。でも、これが分かるようになると楽しいのだろうなと思いました。いつか成長した後に読み返したい一冊。
投稿元:
レビューを見る
現状分析→アイデア出し→検証というプロセスの中で、統計的手法をどのように用いていくのか、わかりやすく解説してくれる。
目の前の現象、データに対してどのようにアプローチしていけば良いのか、頭の中が整理された。
さらに読み進めていくべき書籍も紹介してあって、まさに入門書として良い。
投稿元:
レビューを見る
前著を受けて、具体的な統計学の6手法を解説。標準偏差と標準誤差、z検定とt検定の関係、クラスター分析と因子分析、重回帰分析とロジスティック回帰分析などをビジネスの局面に即して大変わかりやすく説明しているものだと思うが、私の場合にはやはり実際の課題が目の前にない状態で読むことは少し難しかった。実際のデータまたはそれ以上に帰無仮説に反するデータが得られる確率であるp値および平均値の差が意味あるものかどうかを検定するt検定の意味については理解できたが・・・。入門書としてはハードルが高かった。
投稿元:
レビューを見る
蛇足。
前書は統計学の有用性を理解するための本として最適だったが、
あくまで啓蒙本だったので、今回は実践まで持っていくというのが主旨だったと思うのだが。。
実践に向けての入門書としては、本書はほとんど価値がないように思える。
またそうした目的なら他にいい本が沢山ある。
前書が評価されたのは、あくまで統計学の有用性を説く書籍が皆無だったからだと思う。
投稿元:
レビューを見る
統計学的アプローチの方法論がまとめられる.我々応用者は,ここから如何に逸脱するかに頭を使うのだが,温故知新,まずは現状を把握.
投稿元:
レビューを見る
購入後1年以上積読状態となってしまっていたが、やっと読了。本書の魅力を挙げれば、①社会人が統計の教科書を読み進める前に一読すると効果的であること、また②一通りの学習が終わった後で再度読み返すことでさらに効果が増すことの2つが挙げられよう。各分析方法が持つ基本的な思想や、実際の業務で分析する際に、いわゆる統計解析の「前後」に行うべきことについて、丁寧な説明がある。数式の表記の仕方にかなり配慮しており、数学から離れて久しい人にとっても読み進めやすいはずだ。特に2章におけるp値、信頼区間、各種検定の解説はたいへんわかりやすい。また、統計を用いるディシプリンの中で、数式で予測を立てることに重きを置く物理学・計量経済学のような分野と、分析結果の原因の探索が重視される医学・経営学といった分野で、用いる手法が大きく異なる点は示唆的だった。多変量解析の結果を実務に生かす方法は、独立変数について「施策で動かす」「施策でずらす」「ずらせないことを予測し、また最適化する」ということであり、こうしたことを明瞭に説明した類書は少ないと感じた。
用語にやや抵抗がある方もいるかもしれないが、大学の中途退学者を「生存時間解析」で解析したいと思った。
投稿元:
レビューを見る
【複雑系解法】
たまたま、ジェノサイドという小説を読んだところだったので思ったのですが、この小説には進化した人間が出てきて、現在で言われるところの複雑系(天気、火山の噴火、人の行動など)を瞬間的に解くことができます。
われわれは、今現在では解くことのできない(非線形)事象を複雑系として簡単に表現してしまっています。
人間の脳で解くことができない事象を、解けないので複雑系という言葉で解かなくてもよい状態をつくりあげています。
統計学は今現在の人間が解くことのできない、複雑すぎて直接解を導くことができない事象をある程度の精度でもとめる手法のように感じます。
もし、複雑系の事象を直接解くことができれば、統計学に頼る必要性はありません。
逆に、解く手法がない状況だから統計学が活きてくるともいえます。
投稿元:
レビューを見る
頻度論とベイズ論 分析と洞察は頻度論、予測はベイズ論。
代表値は平均、中央値、最頻値など。数が多ければ平均を考えれば良い。
中心極限定理=元のデータを足し合わせれば、正規分布に収束する。
分散と不偏分散(データ数マイナス1で割る)
αエラー=慌てもの、βエラー=ぼんやり者
有意水準と最強力検定
平均値の標準誤差を考える
平均値と標準偏差を使えば、サンプルサイズ設計ができる=標準誤差が平均値±2SDに入るためのサンプルサイズ。
帰無仮説、p値
z検定よりもt検定のほうが問題が少ない(少数のデータでも使える)
カイ二乗分布
フィッシャーの正確検定
回帰分析(説明変数が量的なものの場合)
重回帰分析
SAS R エクセル SQL
項目反応理論
バラつきがどんなものでも、±2SDの間に、3/4以上入っている。正規分布では95%が入っている。
ヘンペルのカラス=カラスは黒いは証明できない。
投稿元:
レビューを見る
2018年に読んだ本BEST10
第9位 :『統計学が最強の学問である[実践編]―データ分析のための思想と方法』
・数学者の先生が書いた、ビジネスで統計学を活用するための入門書 第二弾。数年前に読んだ前著『統計学が最強の学問である』は、統計学がどのように世の中の役に立っているのかという事例などが書かれた、入門の入門だったが、今回は、問題の種類ごとにどのようなデータ分析手法を用いるのか、が中心。
・自分のSEの業務の中でも、BIツール、機械学習などを扱っているのだけれど、それらと統計学の繋がりが少し分かった気がする。統計学の使用目的には、「(1)現状の把握」「(2)因果関係の洞察」 「(3)今後の予測」があり、(1)が ExcelやBIツールによる「データ抽出・可視化」、(3)が機械学習による「回帰予測」と「クラス分類」。そして、(2)が本著で扱う「洞察のための統計学」である、という点は腑に落ちた。
・紹介されている分析手法は、重回帰分析、ロジスティック回帰、クラスター分析など。数式ほとんど無しで概要のみの説明なので、読みやすいのだけれど、正直ほとんど理解は出来ていない。でも、説明変数(入力項目)とアウトカム(出力結果)の種類(質的か量的か)ごとに、どのデータ分析手法を使うか、という表は、今後もっと深く勉強していってから立ち戻ると、重宝しそう。
・「データ分析・機械学習の手法の選択」は、近い将来 SEの仕事が定型化・効率化・自動化されて減っていった時でも、機械に出来ない仕事の一つになりそうなので、今の内に統計学を勉強しておきたい。今後も、同分野の本を継続して読んでいくつもり。学生の頃、社会に出て数学が何の役に立つのか、と疑問だったが、今は必要性を実感している。
投稿元:
レビューを見る
終章「巨人の肩に立つ」の系統的レビュー、メタアナリシスは、普段ざっくりやってることだったり。もう少し精度を上げて取り組めそう。フリーでは範囲が限られるとはいえ、論文にネットからアクセスできるって素敵。
統計そのものの実務的なことについてはやはり別の本を読もうと思うが、統計に関わる専門家の人々の統計に対する態度の違いは面白く読んだ。
投稿元:
レビューを見る
2章終わりで挫折。
理系卒でも興味関心が無ければ敷居は高い。
それでも、一般の統計学の本より読みやすいか。
投稿元:
レビューを見る
To err is human, to forgive divine.
過ちは人の常、許すは神の業(聖書より)
最善が何か、自分1人の頭で考えていても「がむしゃらに頑張る」といった程度のアイディアしか生まれないかもしれない。だが世の中にはいろいろな分野で「最善が何か」を明らかにすることだけに命をかけてる人たちがいる。
おそらく我々がすべきとこの多くは、すでに文献やデータの上では明らかなのである。だがそれを現実のものとして実行するまでのギャップが我々を「最善」から遠ざけているのではないかと思う。
統計学の素晴らしいところはこうした「最善」への道を最も速く確実に示してくれるところではないかと思う。
我々は今後何度も間違いを犯す。だがたとえ過ちが人の常だったとしても、最善を尽くし続けられる方法がこの世に存在してるというのは、人間に与えられたずいぶんありがたい許しだと私は思ってる。