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 |
|---|---|---|---|---|---|---|---|---|
| 演習Ⅱ（Social Research） | 2025 | 通年 | 火2 | 商学研究科博士課程前期課程 | 武石 智香子 | タケイシ チカコ | 2年次配当 | 4 |
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。
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、論文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、可視化、記述統計、変数の尺度構成、仮説検定へと進んでいきます。秋学期は分析結果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
・自分の独創的な研究課題（テーマ）のために収集したデータを活用して構築した仮説を検定します。
・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. アルゴリズムと統計的推定
2. 頻度論的推定
3. ベイズ推定
4. フィッシャーの推定と最尤推定量
5. パラメトリックモデルと指数型分布族
6. 経験的ベイズ
7. James-Stein推定量とRidge回帰
8. 学生発表（結果のまとめ）
9. 学生発表（解釈と結論）
10. 学生発表（学術的表現法）
11. 学生発表（論文原稿）
12. 学生発表（プレゼン用スライド）
13. 学生発表（読み原稿）
14. 学生発表（中間プレゼン）
15. 一般化線形モデルと回帰木
16. 生存分析とEMアルゴリズム
17. ジャックナイフ法とブートストラップ法
18. ブートストラップ信頼区間
19. 交差検証と適合度評価
20. ベイズ推定とマルコフ連鎖モンテカルロ法
21. 大規模データにおける仮説検定とFDR
22. スパースモデリングとLasso、その後の統計的推定の方法論
23. ランダムフォレストとブースティング
24. ニューラルネットワークと深層学習
25. サポートベクターマシーンとカーネル
26. モデル選択後の推定
27. 経験的ベイズ推定
28. 学生発表（修士論文と最終プレゼン）
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
| 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 20%: 論文原稿 24%: 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
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
コンサルティング会社勤務経験あり。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。実務経験内容とSocial Research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。