シラバス
| 授業科目名 | 年度 | 学期 | 開講曜日・時限 | 学部・研究科など | 担当教員 | 教員カナ氏名 | 配当年次 | 単位数 |
|---|---|---|---|---|---|---|---|---|
| 特殊研究Ⅲ（社会関係の調査法） | 2024 | 通年 | 木5 | 商学研究科博士課程後期課程 | 武石 智香子 | タケイシ チカコ | 3年次配当 | 4 |
科目ナンバー
CG-OM6-203L
履修条件・関連科目等
英語の text を理解できること、自分のPCで実習を行えることを前提とします。
統計の基本を理解していて、さらにRとpythonの基礎知識があることが望ましいです。
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
この科目では，仮説検証型アプローチとデータ駆動型アプローチのそれぞれの長所を学び、データ駆動型アプローチとしてpythonやRを用いた機械学習の基礎知識を学びます。同時に，収集したデータを量的に分析した結果を論文にまとめます。
科目目的
人間の認知の多様性と経済社会的行動との関連を中心に，データ分析スキルを活用してマーケティングを含む商業学の分野のアカデミックな世界で活躍できる能力を総合的に身につける人材を養成します。デジタルに大量に蓄積したデータを顧客や一般社会の理解のために実践的に活用した研究をするために、特殊研究Ⅲの目的は，(1) pythonやRを用いた機械学習の基本を理解すること，(2) 自らのデータを仮説検定型・データ駆動型の両側面から分析すること，そして(3) 仮説検定の結果を論文にまとめることです。
到達目標
本科目の到達目標は、重回帰分析の多重共線性などの問題を深く理解し、自らの仮説を検証するために、自ら収集したデータに対して適切な分析および検定を行えることです。
授業計画と内容
1. Rのインストール
2. Rmarkdownの基本
3. ベイズ推論の基本 1-6
4. 学生発表（問題意識）
5. 学生発表（文献調査）
6. 学生発表（調査票）
7. 学生発表（モデル）
8. 学生発表（分析計画）
9. デザイン行列 3-4
10. ベイズ回帰モデル（brms）3-5
11. 学生発表（プリテスト）
12. ロジスティック回帰モデル 3-9
13. 学生発表（予備分析）
14. 学生発表（本調査・調査票）
15. 学生発表（可視化と記述統計）
16. 学生発表（分析）
17. stanコーディング 2-6
18. 階層ベイズモデル4-1
19. 学生発表（結果）
20. 時変係数モデル 5-4
21. トレンド 5-5
22. 周期性 5-6
23. 自己回帰 5-7
24. 動的一般化線形モデル 5-8
25. 動的一般化線形モデル 5-9
26. 学生発表（論文）
27. 学生発表（スライド）
28. 学生発表（読み原稿）
授業時間外の学修の内容
指定したテキストやレジュメを事前に読み込むこと／授業終了後の課題提出
授業時間外の学修の内容（その他の内容等）
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
| 種別 | 割合（％） | 評価基準 |
|---|---|---|
| 平常点 | 100 | 56%: 2% x 28 授業への積極的参加 44% : 4% x 11 学生プレゼンテーション |
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
授業時間内で講評・解説の時間を設ける／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）
アクティブ・ラーニングの実施内容
反転授業（教室の中で行う授業学習と課題などの授業外学習を入れ替えた学習形式）／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）
PCによる実習、MOOC動画を教材として利用
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
シンクタンク勤務経験あり（コンサルティングのための調査経験がある）。
【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.
馬場真哉（2019）『RとStanではじめる ベイズ統計モデリングによるデータ分析入門』講談社
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。