Theoretical Sociology

太郎丸博のブログです。研究ノートや雑感などを掲載しています。(このページは太郎丸が自主的に運営しています。京都大学の公式ページではありません。)
<< March 2020 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 >>
 
RECOMMEND
後期近代と価値意識の変容: 日本人の意識 1973-2008
後期近代と価値意識の変容: 日本人の意識 1973-2008 (JUGEMレビュー »)

NHKの日本人の意識調査のデータをつっこんで分析した本です。
RECOMMEND
Labor Markets, Gender and Social Stratification in East Asia: A Global Perspective (The Intimate and the Public in Asian and Global Perspectives)
Labor Markets, Gender and Social Stratification in East Asia: A Global Perspective (The Intimate and the Public in Asian and Global Perspectives) (JUGEMレビュー »)

直下の和書の英語版です。審査を通過するためにレフェリーのコメントに従って若干修正してあります。
RECOMMEND
東アジアの労働市場と社会階層 (変容する親密圏/公共圏)
東アジアの労働市場と社会階層 (変容する親密圏/公共圏) (JUGEMレビュー »)

GCOEの成果をまとめた本です。日本を中心に韓国、台湾(中国も少し)との比較研究をしてます。
RECOMMEND
若年非正規雇用の社会学‐階層・ジェンダー・グローバル化 (大阪大学新世紀レクチャー)
若年非正規雇用の社会学‐階層・ジェンダー・グローバル化 (大阪大学新世紀レクチャー) (JUGEMレビュー »)
太郎丸 博
拙著です。非正規雇用に関する本はたくさんありますが、「なぜ正規雇用と非正規雇用では賃金格差があるのか」など当たり前と思われがちな問題を突き詰めて考えてみました。
RECOMMEND
フリーターとニートの社会学
フリーターとニートの社会学 (JUGEMレビュー »)

拙編です。オーソドックスな計量社会学の手法で、若年非正規雇用や無職にアプローチした本です。白い装丁なので、輪郭がわからないですね...
RECOMMEND
人文・社会科学のためのカテゴリカル・データ解析入門
人文・社会科学のためのカテゴリカル・データ解析入門 (JUGEMレビュー »)
太郎丸 博
拙著です。軽く読み流すのは難しいですが、まじめに一歩一歩勉強するために作りました。
ARCHIVES
RECENT COMMENT
  • 阪大を去るにあたって: 社会学の危機と希望
    charlestonblue (10/08)
  • Cohen et. al 2011 「フェミニズムの方法論的インパクト: 社会学のやっかいな問題?」
    abe daijyu (10/05)
  • アマチュア社会学の可能性
    読者 (02/20)
  • 社会システム理論の野望、あるいは全体性へのオブセッション
    宮国 (12/19)
  • 片山他 2015「図書館は格差解消に役立っているのか?」
    オカベ (12/09)
  • ランダム効果の意味、マルチレベル・モデル、全数調査データ分析
    YZ (12/07)
  • 学歴社会から「学習資本」社会へ:日本の教育と社会における階級形成の再編
    赤尾勝己 (02/11)
  • グラフィカル・モデリングとは?
    anonymous (11/30)
  • Rスクリプト覚書き:vglm関数で平行性の仮定を置かずに順序ロジット
    ほっくー (08/05)
  • 台湾の経済: 典型NIESの光と影
    おーまきちまき (07/19)
RECENT TRACKBACK
 
『ブートストラップ: ノンパラメトリックな統計的推測』 Mooney and Duval 1993

Christopher Z. Mooney and Robert D. Duval, 1993, Bootstarapping: A Nonparametric Approach to Statistical Inference, Sage.
ブートストラップ法の概説書。統計的なデータ分析をやっていると、パラメトリックな推測ができない場合がときどきある。パラメトリックな推測とは、ある統計量が既知の分布に従っていることを利用して、推定や検定を行うことである。例えば、平均値の差は、サンプル・サイズが十分に大きければ正規分布に従うので、この性質を利用して検定や推定を行う。しかし、サンプルサイズがあまり大きくなく、変数が正規分布していない場合、平均値の差は、正規分布にも t 分布にも従うとは言えないので、パラメトリックな検定はできない(少なくとも私の知識ではそのはず)。また、平均値ではなく中央値の差を検定したい場合も、パラメトリックな推測法は知られていない。平均値の比を推測したい場合も同様の問題が起きる。さらに、回帰分析で残差が一定の分散で正規分布しない場合も同様である。このような場合、ブートストラップが有効な方法となりうる。ブートストラップとは、以下の様なプロセスで行う。中央値の差の区間推定/検定(帰無仮説:中央値の差=0)を例に述べよう。
  1. サンプルからサンプルを、サンプル・サイズと同じだけ復元抽出する。この復元抽出したサンプルをリサンプルと呼んでおく。
  2. リサンプルから知りたい統計量(この場合は中央値の差)を計算する。
  3. 上の2つのステップを数百から数千回(必要な回数はケースバイケースで異なる)繰り返す。
  4. リサンプルから得られた数百から数千の統計量の分布を、真の統計量の標本分布とみなし、2.5パーセンタイルと97.5パーセンタイルを求める。これを、95% 信頼区間とみなし、この区間に 0 が含まれていれば、帰無仮説を棄却する。
ポイントは、3番目の「リサンプルから得られた1000〜2000の統計量の分布を、真の統計量の分布とみなし」という点で、この仮定がどの程度正しいかによって、ブートストラップの妥当性は決まる。とうぜんサンプル・サイズが大きいほどブートストラップの妥当性は高まる。この本では N = 25 とか 30 ぐらいで数回シミュレーションがなされていて、これぐらいだと無理やりパラメトリックな推測を行った場合と違いはあまり無いため、あまりメリットを感じないが、ある程度サンプルサイズが大きければ、メリットがあるのかもしれない。特にまったくパラメトリックな推測が無理な場合や、無理にパラメトリックに推測すると誤差が著しく大きくなってしまう場合には重要な手法と思われる。個人的には、対数線形モデルで期待度数が非常に小さいセルが多い場合に応用できると助かるので、機会があったらもっと勉強してみたい。

スポンサーサイト
- | 07:46 | - | -
コメント
コメントする









 
トラックバック
この記事のトラックバックURL
トラックバック機能は終了しました。
 

Copyright (C) 2004 paperboy&co. All Rights Reserved.

Powered by "JUGEM"