科目ナンバー

CG-OM5-702L

履修条件・関連科目等

PCを保有していること，日本語と英語で参考資料を読めることが前提です。
演習Ⅰ（Social Research）を履修済み、または同程度の社会統計の基礎知識があることが履修の条件です。

授業で使用する言語

日本語／英語

授業で使用する言語（その他の言語）

授業の概要

本科目では、データサイエンス時代における量的調査に基づく仮説検定型の分析を用いて、データ分析を実践し、研究にまとめていきます。

春学期は学生が自ら収集したデータを用いて、データクリーニング、属性や変数の可視化、記述統計、変数の尺度構成、分析へと進んでいきます。秋学期は分析を解釈して論文とプレゼンテーションスライドにまとめます。修士論文で、量的調査データをもとに仮説検定型の分析に取り組む学生向きの科目です。

科目目的

本科目は，自ら収集したデータを分析して解釈し、修士論文にまとめることを目的としています。

到達目標

商業学におけるデータ分析法の専門的知識と研究力の基礎を身につけるために、この科目は以下の３つを到達目標とします。
　・自分の独創的な研究課題（テーマ）のために構築した仮説を検定し、そのために収集したデータを活用します。
　・仮説検定に必要な社会統計の実践的スキルを身につけます。
　・研究を修士論文とプレゼンテ―ションスライドにまとめます。

授業計画と内容

1. 学生発表（収集したデータ、データクリーニング、回答者の属性）; アルゴリズムと統計的推定
2. 学生発表（データ加工、分布の可視化、記述統計）; 頻度論的推定
3. 学生発表（尺度の構成）; ベイズ推定
4. 学生発表（モデルと仮説検定）; フィッシャーの推定と最尤推定量
5. 学生発表（モデルと仮説検定）; パラメトリックモデルと指数型分布族
6. 学生発表（モデルと仮説検定）; 経験的ベイズ
7. 学生発表（結果のまとめ）; James-Stein推定量とRidge回帰
8. 学生発表（結果のまとめ）; 一般化線形モデル
9. 学生発表（解釈と結論）; 回帰木
10. 学生発表（学術的表現法）; 生存分析とEMアルゴリズム
11. 学生発表（論文原稿）; ジャックナイフ法とブートストラップ法
12. 学生発表（プレゼン用スライド）; ブートストラップ信頼区間
13. 学生発表（読み原稿）; 交差検証と適合度評価
14. 学生発表（プレゼン）
15. 学生発表（理論）; ベイズ推定
16. 学生発表（理論と問題意識）; マルコフ連鎖モンテカルロ法、その後の統計的推定の方法論
17. 学生発表（文献調査）; 大規模データにおける仮説検定とFDR
18. 学生発表（RQ）; スパースモデリングとLasso
19. 学生発表（命題）; ランダムフォレストとブースティング
20. 学生発表（先行研究）; 学生発表10（論文形式による各結果の解釈）
21. 学生発表（先行研究）; ニューラルネットワークと深層学習
22. 学生発表（先行研究）; サポートベクターマシーンとカーネル１
23. 学生発表（モデル）; サポートベクターマシーンとカーネル２
24. 学生発表（独自性）; モデル選択後の推定
25. 学生発表（分析計画）; 経験的ベイズ推定
26. 学生発表（研究計画）
27. 学生発表（論文とプレゼン読み原稿）
28. 学生発表（プレゼン）

授業時間外の学修の内容

授業終了後の課題提出／その他

授業時間外の学修の内容（その他の内容等）

毎回の復習、そして修士論文のためのデータ収集が必要です。
復習（240分以上）この科目のプロセスに17回あるStudent Presentation用のpaperとパワポを作成します。
その他：自身の調査票を用いてデータを収集してください。

授業時間外の学修に必要な時間数／週

・毎週１回の授業が半期（前期または後期）または通年で完結するもの。１週間あたり４時間の学修を基本とします。
・毎週２回の授業が半期（前期または後期）で完結するもの。１週間あたり８時間の学修を基本とします。

成績評価の方法・基準

成績評価の方法・基準（備考）

課題や試験のフィードバック方法

授業時間に限らず、manabaでフィードバックを行う

課題や試験のフィードバック方法（その他の内容等）

提出物には朱入れをしてmanaba上で返却をします。

アクティブ・ラーニングの実施内容

ディスカッション、ディベート／プレゼンテーション／実習、フィールドワーク

アクティブ・ラーニングの実施内容（その他の内容等）

授業におけるICTの活用方法

その他

授業におけるICTの活用方法（その他の内容等）

自らのPCにRとRstudioをインストールして統計分析を行います。

実務経験のある教員による授業

はい

【実務経験有の場合】実務経験の内容

シンクタンクの勤務経験有。データ分析も行っていた。

【実務経験有の場合】実務経験に関連する授業内容

実務経験としてシンクタンクでデータ分析等を実施して、顧客用の報告書にまとめていた。現代の データサイエンスはその時代から大きく進化しているが、実務経験内容は関連している。

テキスト・参考文献等

【テキスト】
武石・佐々木『はじめてのAI・データサイエンス』
Efron & Hastie, 2021, Computer Age Statistical Inference, Student Edition -- Algorithms, Evidence, and Data Science, Cambridge, UK: Cambridge University Press.

その他特記事項

RおよびRstudioを使います。学生の希望により、Python、SPSS、Amosも使います。これらは、基本的に自分のPCで実習を行えることを前提とします。ただしAmosはWindowsのみ使用可能のため、自分のPCがMacの場合には大学院事務室から貸し出しを受けます。

参考URL