後期 金曜日 ２講時. 単位数/Credit(s): 2. 対象学科・専攻/Departments: 人間社会情報科学専攻、応用情報科学専攻. 学期/Term: 後期. 履修年度: 2024. 使用言語: 日本語及び英語 Japanese and English 受講者の構成により使用言語を判断する．それぞれの言語による資料，講義内容の説明ビデオファイルは，Google Classroom を通じて入手できる．Language for explanation will be selected depending on the class members. Materials including explanation video in both languages will be delivered through Google Classroom..
2024
計量行動分析 Quantitative Behavior Analysis
都市や地域の社会経済システムの挙動を明らかにする上で、そのシステムの内部に存在する個々のプレーヤーの行動原理をモデル化することが多い。その際、モデルに含まれるパラメータは、個人またはシステムの観察データを用いて統計的に推計する必要性がある。
この科目では、個人の行動モデルとして代表的に使用されている一般化線形モデルをとりあげ、モデルの理論的背景、統計学的基礎、計算方法、推定結果の解釈の方法について講述する。特に、災害などのリスクに対する人々の行動分析を例に説明する。
連絡や資料の提示はGoogle Classroom で行う．
To learn theoretical bases, estimation method, application examples of the statistical models frequently used for behavior analysis; Generalized linear model (GLM). Applications to risk related cognition and behavior will be focused.
Information will be delivered through Google Classroom.
統計モデルを自信を持って定式化し、データを用いて自ら推定し、その結果について解釈できるようになる。その方法を実際に用いて、人々のリスクに対する考え方や行動を考察できるようになる。
Students will be able to formulate, to estimate on data and to discuss the result with confidence of statistical knowledge. That methods will be applied to analyze human behavior, especially risk-related matters.
1.計量行動分析の意義と3つの統計学の考え方
2.R言語の導入と記述統計学
3.推測統計学と統計的推定
4.推測統計学と仮説検定
5.回帰分析の記述統計学的方法
6.回帰分析への推測統計学の応用
7.一般化線形モデル入門
8.一般化線形モデルの例（Logit Model)
9.一般化線形モデルの推定
10. 一般化線形モデルの検定
11.12.13.リスク認知と行動分析
14,15.課題発表会
1. Basic concepts of statistics and behavior analysis
2. R language software and descriptive statistics
3. Inferential statistics and estimation
4. Inferential statistics and statistical test
5. Linear Regression and descriptive statistics
6. Linear Regression and inferential statistics
7. GLM (Generalized linear models): Introduction
8. GLM: Estimation in R
9. GLM: Statistical tests
10. Applications of GLM
11.12.13. Risk Recognition and related behavior
14,15. Presentation of their own topic application
演習内容の発表とレポートにより評価する
Presentation and short report on their own subject.
授業時の内容を各自で復習するとともに，その知識を生かして，独自の演習課題を企画，実施して，発表資料の作成を行う．
You must review the contents of each class through computational exercise. For the last presentation, you must set your own subject, and build your own statistical model and execute the analysis.
Materials will be delivered in Google Classroom. The class code is "kqlhurf", that is originally prepared for the Students in School of Engineering. Please register on that classroom.
必要な資料等は Google Classroom で配布する．情報科学研究科の学生も，工学研究科用の科目用のClassroomに登録すること．