Soumettre la recherche
Mettre en ligne
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
•
105 j'aime
•
24,710 vues
宏喜 佐野
Suivre
状態空間モデルの概要とマーケティング施策等の周期性・モデル表現について解説しています
Lire moins
Lire la suite
Marketing
Signaler
Partager
Signaler
Partager
1 sur 34
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
Recommandé
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
PRML輪読#2
PRML輪読#2
matsuolab
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
PRML輪読#1
PRML輪読#1
matsuolab
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
負の二項分布について
負の二項分布について
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
正準相関分析
正準相関分析
Akisato Kimura
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
Contenu connexe
Tendances
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
PRML輪読#2
PRML輪読#2
matsuolab
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
itoyan110
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
PRML輪読#1
PRML輪読#1
matsuolab
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
負の二項分布について
負の二項分布について
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
正準相関分析
正準相関分析
Akisato Kimura
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
Tendances
(20)
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
PRML輪読#2
PRML輪読#2
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Chapter9 一歩進んだ文法(前半)
Chapter9 一歩進んだ文法(前半)
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
PRML輪読#1
PRML輪読#1
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
ベイズ統計入門
ベイズ統計入門
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
グラフィカルモデル入門
グラフィカルモデル入門
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
負の二項分布について
負の二項分布について
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
正準相関分析
正準相関分析
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
En vedette
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
Pystan for nlp
Pystan for nlp
Xiangze
状態空間モデル等による多変量時系列データ解析
状態空間モデル等による多変量時系列データ解析
businessanalytics
PyMC mcmc
PyMC mcmc
Xiangze
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
カルマンフィルタについて
カルマンフィルタについて
tiny_ak
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
En vedette
(9)
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
Pystan for nlp
Pystan for nlp
状態空間モデル等による多変量時系列データ解析
状態空間モデル等による多変量時系列データ解析
PyMC mcmc
PyMC mcmc
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
カルマンフィルタについて
カルマンフィルタについて
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
Plus de 宏喜 佐野
Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定
宏喜 佐野
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
宏喜 佐野
Tokyo webmining
Tokyo webmining
宏喜 佐野
第32回Tokyo.R#初心者セッション
第32回Tokyo.R#初心者セッション
宏喜 佐野
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
宏喜 佐野
第28回Tokyo.R
第28回Tokyo.R
宏喜 佐野
Plus de 宏喜 佐野
(6)
Rを用いたLTV(Life Time Value)の推定
Rを用いたLTV(Life Time Value)の推定
Rで学ぶ離散選択モデル
Rで学ぶ離散選択モデル
Tokyo webmining
Tokyo webmining
第32回Tokyo.R#初心者セッション
第32回Tokyo.R#初心者セッション
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
第28回Tokyo.R
第28回Tokyo.R
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
1.
第43回 TokyoWebMining @sanoche16 1
2.
名前:@sanoche16 職業:コンサルタント 得意:マーケティングサイエンス 好き:R, Python, Linux,
PHP, Ruby 2
3.
本⽇日の発表に含まれる内容はすべて個⼈人の ⾒見見解であり、必ずしも所属団体の⾒見見解では ありません。 3
4.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 4
5.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 5
6.
PDCA サイクル 6 多岐に渡って、より精度度の⾼高い分析・予測が求められている セグメンテー ション ポジショニング ターゲティング マーケティング戦略略と戦術 考 慮 事 項 求 め ら れ る 分 析 手 法 製品 (Product) 価格 (Price) 流流通 (Place) 販促 (Promotion) • 市場・顧客の 細分化 ? 顧客はどの単位で 分けるべきか ?
マーケティング施 策の単位を作成 • 優先セグメン トを明確化 ? 収益性の⾼高いセグ メントはどれか ? 今後成⻑⾧長するセグ メントはどれか • 売るべき商 品・サービ スの明確化 ? どんな商品が 求められてい るか • 提供価格の 決定・原価 の管理理 ? いくらで商品 を売るべきか ? どこまで質を ⾼高めるべきか • チャネルの 選定 ? どこで商品を 売るべきか • 販促活動に よる売上拡 ⼤大 ? 誰にコストを かけるべきか ? いくらまでコ ストをかける べきか クラスター分析 アソシエー ション分析 回帰分析 離散選択モデル 階層ベイズ (LTV計測) 時系列分析 因子分析 主成分分析 コレスポンデ ンス分析 MDS 回帰分析 ニューラル ネットワーク 決定木 項目反応 理論 最適化 ※分析手法は様々なシーンで活用できるため、よく利用される観点で一例 を示した
7.
7 単純な⼿手法によるモデリング • 線形回帰分析により特定の商品の購買確 率率率を予測 • 投⼊入変数として、年年齢、最終購買⽇日、年年 間購買回数を利利⽤用 分析結果と問題点 • 良良いと予測された顧客は説明変数の最⼤大 (or 最⼩小)の値を持つ顧客になってしまう ➔ 本来は優先すべきではない顧客を優先 してしまう 顧客
年齢 最終 購買日 年間購買 回数 新商品 購買有無 Aさん 24歳 14/12/01 15階 有 Bさん 42歳 15/02/06 12階 無 Cさん 36歳 15/01/10 9階 有 … … … … … 顧客 年齢 最終 購買日 年間購買 回数 予測購買 確率 Xさん 2歳 14/02/27 42階 89% Yさん 4歳 14/02/25 28階 88% Zさん 4歳 14/02/26 29階 88% … … … … … 4.3 2.6 5.3 0 1 2 3 4 5 6 年齢 最終購買日 年間購買回数 標準化偏回帰係数 線形回帰分析 予測確率高
8.
8 説明変数を多い場合はかなり不安定なモデルとなってしまう ※1) http://escience.anu.edu.au/lecture/cg/Spline/printCG.en.html 3次スプライン B-‐‑‒スプライン
ガウス型基底関数 基底変換を⽤用いたアプローチ 3次スプライン関数の式: 推定するパラメータベクトル Ø 利利⽤用する説明変数は1つ Ø 推定するパラメータは数⼗十 にもなる ※1
9.
9 頻度度主義でのアプローチ データ数:0 • 情報は⼀一切切なし ベイズ統計を⽤用いたアプローチ • 事前分布を更更新 •
分散が⼩小さくなり、推定値の確 からしさを分布で表現 データ数:1 データ数:2 • データはたまたま取れた値のみ 利利⽤用できる • データの広がり(=分散)は 分からない • 事前分布を設定 • (無情報事前分布や勘と経験か ら) • 標本分散を利利⽤用して⺟母分散を推 定可能 • 但し、2つのデータの近さからの み推定される(=不不安定) • 事前分布を更更新 • 分散が⼩小さくなり、推定値の確 からしさを分布で表現 事前分布を更新 事前分布を更新
10.
u マーケティングの領領域では、現在も⾮非常に多くの統計的 ⼿手法を⽤用いた分析が求められている – きちんとしたモデリングにはそれなりの柔軟性が必要 u
柔軟なモデリングを⾏行行うためには必要なパラメータはか なり多くなってしまう – パラメータが多くても安定的なモデルの構築が必要になる u ベイジアンモデリングを利利⽤用することで、安定的かつ柔 軟なモデリングを⾏行行うことが可能になる – 事前分布を設定することで、スパースなデータに対しても安定 的なモデリングが可能になる 10
11.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 11
12.
12 時点の変化に関わる影響 ü 週末になったので、来客数が増加 した ü 夏になったので、来客数が増加し た 特定時点での要因による影響 ü
割引を実施したので、来客数が増 加した ü たまたま⾬雨が降降ったので、来客数 が増加した あるレストランの⽇日別来店者数 割引実施 週末
13.
13 あるレストランの⽇日別来店者数 観測値:実際に取得されたデータ トレンド:観測値から特定時点の要因を排除した潜在的な値 • トレンドの変化を抽出することで時点の変化に関わる影響を分析 • トレンドと観測値を⽤用いて、特定時点での要因による影響を分析
14.
14 具体例例 q 以下の3つの条件を満たす形で変化するデータについて考える 1. 時点の変化に伴う変化量量は、1時点前の変化量量と同様となる傾向がある 2.
時点の変化に伴って⼀一定のノイズが発⽣生する 3. 実際の観測に伴って⼀一定のノイズが発⽣生する • t時点における変動している変数をµtと置 く • (仮定1から)µtは、µt-µt-1=µt-1-µt-2を満た す µt=2µt-1-µt-2 • (仮定2から)ノイズをvtのN(0, σ1 2)に従 う正規分布とする(更新ノイズ) • t時点における観測値をytと置く • (仮定3から)ノイズをwtのN(0, σ2 2)に 従う正規分布とする(観測ノイズ) 時点の変化に関わる影響 特定時点での要因による影響 µt-2 µtµt-1 yt-2 yt-1 yt ytはyt-1からの影響は受けず、µtからの影響のみ受けるトレンド
15.
15 時点の変化に関わる影響 特定時点での要因による影響 ベクトル・行列で表現 一般化 システムモデル 観測モデル 状態ベクトル 線形ガウス状態空間モデル
16.
u 状態空間モデルでは、潜在変数を含む状態ベクトルを⽤用 いて時系列列データの分析を⾏行行う – 時点の変化に伴って推移するトレンド成分を抽出することで、 トレンドの動きとトレンドと実測値の関係の分析が可能になる u
線形ガウス状態空間モデルはシステムモデル・観測モデ ルの2つにより構成される – システムモデルにより時点の変化による影響を分析 – 観測モデルに特定時点の要因による影響を分析 16
17.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 17
18.
18 あるレストランの⽇日別来店者数 2nd week1st week トレンドの週平均 トレンドの週平均 (月) (火) (水) (木) (土) (金) (日) (月) (火) (水) (木) (土) (金) (日) 時点の変化に関わる曜日の影響のみをモデルとして表現 時点の変化の関係をシステムモデルに組み込んでいく
19.
19 時点の変化に関わる影響 特定時点での要因による影響 曜日効果の取込 状態ベクトルを拡張することで、曜⽇日効果も表現できる 観測モデルへの反映 Ø 観測モデルはその時点の 成分以外は排除する
20.
u 状態ベクトルに対して、1週間の和がゼロとなるような 成分を加えることで、曜⽇日効果を組込むことが可能 – 観測モデルでは、実測値に影響を与える成分をその時点のもの に限定することで、時点の変化による影響と区別する 20
21.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 21
22.
22 あるレストランの⽇日別来店者数 割引実施 時点の変化に関わらず一定の値を持つ成分を表現 ⼀一定の値を持つ成分をシステムモデルに組み込み、割引効果を測定 割引の実施は、時点の変化とは無 関係に、特定の日のみ影響を与え る
23.
23 時点の変化に関わる影響 特定時点での要因による影響 時点によらない項の組込 時点によらない成分を組込むことで、値引き効果も表現できる 観測モデルへの反映 ftはt時点の値引きの 有無を表すフラグ
24.
u マーケティング変数は、システムモデルで時点の変化を 排除することでモデルへの組み込みが可能 – 不不定期な割引など、周期性がないマーケティング施策に関する 変数は、時点の変化による影響がないようにモデルに組み込む 24
25.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 25
26.
26 1期先予測とフィルタリングを⽤用いて状態ベクトルの分布を推定 概要 t-‐‑‒1時点までの実測値のデータを利利⽤用して、t期にお けるxtの分布を考える 予測分布 フィルタ分布 分布 t時点まので実測値のデータを利利⽤用してt時点でのxt の分布を考える t-1のフィルタ分布 t-1の予測分布 i時点の状態 予測 予測 予測 フィルタリング フィルタリング i時点のデータ を利用
27.
27 過去を振り返って状態ベクトルを表現し、定性的な⽰示唆が得られる i時点の状態 予測 予測 予測 フィルタリング フィルタリング i時点のデータ を利用 固定区間平滑滑化アルゴリズム ü 予測分布とフィルタ分布によりT時点までのデータを⽤用いてp(xT|yT)がわかってい る → T-‐‑‒1から逐次的に状態ベクトルを求められる フィルタ分布
予測分布
28.
28 フィルタリング q 逐次学習型の状態空間モデルにおけるパラメータ推定では、予測分布・フィルタリン グ・平滑滑化を繰り返すことで、状態ベクトルを求めていく • 線形ガウス状態空間モデルにおいて、利用 される •
最小化する推定誤差にガウス分布を仮定 • 計算速度が速い • ⾮非線形の状態空間モデルに対応するフィ ルタリングアルゴリズム • 粒粒⼦子(パーティクル)を発⽣生させてノン パラメトリックに最適解を求める カルマンフィルタ パーティクルフィルタ バッチ学習を行う際にはフィルタリングではなく、MCMCの利用も可能
29.
u Stanを⽤用いたMCMCでのパラメータ推定の例例は下記に完全版があ ります(データもあります) 29
30.
u 状態空間モデルでは、予測分布・フィルタ分布・平滑滑化 分布の3つを利利⽤用し、トレンドの推定・予測を⾏行行う – 予測分布により⼀一期先の予測を⾏行行う –
フィルタ分布に特定時点における状態ベクトルの分布を表現す る – 平滑滑化分布により以前の時点における状態ベクトルの分布を表 現する u カルマンフィルタを利利⽤用することで⾼高速な計算・オンラ イン学習が可能 30
31.
¡ マーケティングにおけるベイジアンモデリングの 必要性 ¡ 線形ガウス状態空間モデルの基本概念念 ¡
線形ガウス状態空間モデルへの季節性変数の取込 ¡ 線形ガウス状態空間モデルへのマーケティング変 数の取込 ¡ パラメータ推定と実装⽅方法 ¡ おわりに・参考資料料 31
32.
u 状態空間モデルとはシステムモデルと観測モデルを⽤用い て、分析を⾏行行うメタモデル – システムモデルと観測モデルは⾃自由に設定できる –
⾮非線形のモデルを利利⽤用した場合は、パーティクルフィルタを利利 ⽤用することで、状態ベクトルを求めることが可能 u パラメータの推定は必ずしも逐次学習をする必要はない – バッチ処理理にはMCMCを⽤用いた推定が可能 32
33.
u 状態空間モデルの概要 v 予測にいかす統計モデリングの基本
樋⼝口知之(2011) v データ同化⼊入⾨門 樋⼝口知之(2011) v 時系列列解析⼊入⾨門 北北川源四郎郎(2005) v Rによるベイジアン動的線形モデル G.ペトリス, S.ペトローネ, P.カンパニョー リ, 和合 肇, 萩原 淳⼀一郎郎(2013) u 状態空間モデルの活⽤用について v 時系列列解析⼊入⾨門 北北川源四郎郎(2005) u その他 v RStanで『予測にいかす統計モデリングの基本』の売上データの分析をトレース してみた berobero11(2013) v 逐次モンテカルロ/(粒粒⼦子|パーティクル|モンテカルロ)フィルタを実装してみた teramonagi(2014) 33
34.
ご静聴ありがとうございました。 34
Télécharger maintenant