返信先:@osugi1967これは難しい話ですね。一般に，被説明変数が時間トレンドをもつy(t)，説明変数も時間トレンドをもつx(t)であるとき，時間を考慮しないと，見かけの相関が生じます。また，y(t)=a+b*x(t)に年度ダミーをいれても，真の関係はよくわかりません。もう少し高度な分析が必要かなというのが第一印象です。

返信先:@miiiikun85AIデータ分析なら機械学習でも週末平日分けて学習するのがあたりまえ、他のEA開発者はもきちんと指標が説明変数となっているか検証してほしいですね。

【正規化vs標準化】 混同しやすい正規化と標準化の違いをまとめたよ🤔 予測モデル構築の前に、scikit-learnのStandardScalerを使って標準化することが多いね！ 重回帰分析やクラスタリングなどは値の大きい説明変数があるとその変数に引っ張られてしまうので、注意だね👍 pic.twitter.com/QsVuPGVfAk

XGBoostでモデル作成しようと考えてコーディング途中にひらめいたんだけど、もしかしてねぇって、検証してみてる。いままでで違う視点でアプローチ出来ているのが面白い。 問題は２つあって、1つは説明変数に仕掛け価格入っているところ、こちらはパフォ下がっても、なんとかなるかなって思ってる。 pic.twitter.com/xNwO1kVN5y

重回帰分析だと、説明変数にいれる変数の分布自体は正規性を認めなくても良いらしい。すると、分布が非正規でも入れることができてしまう。結果、そこで有意差がなかったとしても、ノンパラ単解析だと有意差が出るパターンがある。これは、つまりどう表現したいか、伝えたいことは何かによるよかな、、

返信先:@t1WdOFVbQRP97uwまずちゃんと読めや（正確に理解できてるか怪しいけど、係数A,B,Cが入力xに依存するようにするというよりは、係数Cが時間変化する入力（説明変数）そのものになるという感じかな。何にせよ、目新しいことはしてなくて、"枯れた"技術を使って気の利いた回帰モデルを作ってるだけ）

ううららかな素晴らしいお天気の東京ですが、今日はFP資格者の継続研修講師をしてきます。不動産の話というよりは、国内外情勢・政治経済金融とか幅広く。不動産はあくまでそれらの従属変数・被説明変数ですから。 東京支部 | 日本FP協会 jafp.or.jp/shibu/tokyo

返信先:@hiroiizaka行動・事象データはログやセンサーから取ることが多いのでよく使いますが、どれだけ売れたかやどれだけ作れたかといった最終的に予想したいビジネスイベントや、人や物の属性など説明変数に使われるデータはDBに入ってること多いので、組み合わせて使うこと多いですが、場面によるのかもですね。

返信先:@S1230Tatsぼくも一例だと思います（交絡因子がある場合も説明変数と誤差項は相関するので）。KKVについては該当箇所がすぐに思いつかないので分からないですが……笑

重回帰分析は説明変数を複数有する回帰分析の通称だと思ってたけどもしかして認識間違ってる？ でも重回帰の対義語は単回帰だろうし…うーん。。。

返信先:@sdoi0504ありがとうございます！ 確かに、…Y→X（→Y→…）の場合に説明変数が誤差項と相関していることはわかりました。 では、「結果変数が説明変数に影響を与える」という意味の内生性は、「説明変数が誤差項と相関する」という意味の内生性の一つの例ですか？　これらは同値ではないように思います。

「このグラフの横軸は何ですか」 「説明変数です」 というやりとりが実際に発生するんや。作ってないで。マジやで。

| 記述統計 | 最小二乗法による回帰直線は以下3つの性質を最優先で覚えておけば大丈夫だと考えます。 ①回帰直線がデータの中心を通る ②残差の合計および平均は0になる ③残差と説明変数、残差と予測値との相関係数は0になる 最悪（怒られそうですが）暗記でも得点は可能と考えます。

ロジスティック 回帰完全分離 bellcurve.jp/user/ex/faq015… 1,0で学習させる際に、ある説明変数で完全に1-0が明確に分けられてしまう状態を指すのね。その説明変数を使うだけで分類判断できるやんという。

返信先:@S1230Tats結果変数（需要量）の誤差項が正だと超過需要で説明変数（価格）も上がってしまうから相関が起こってしまうってことじゃないかなと理解しています（やや不安）

既に手持ちの説明変数から代数的に求められる値を、あえて機械学習で近似する必要は殆どないように見える。 往々にしてStatcastのトラッキングデータは物理的な単位を意識すると格段に扱いやすくなるが、元データをヤード・ポンド法からSI単位に変えてくれたら更に使いやすくなるはず。

説明変数にある音ゲーの掲載曲数、目的変数にその音ゲーの設置店舗数を入れて回帰したやつがいて、曰く強い相関があるとのことなんだが、それでいうと版権曲が消滅した我がjubeatはもう風前の灯火…

「内生性 / 内生変数」という言葉についていつまでたっても理解できない。 具体的に言うと、「誤差項と相関している」という説明と「結果変数が説明変数に影響を与えている」という説明が同じに聞こえない。 前者は計量で、後者はKKVとかでよく聞く。100年くらい悩んでる。

RUNやCrUXがパフォーマンスチューニングやシステムレジリエンスで使えないのは、レスポンスタイムという目的変数を、サーバの性能という説明変数にこじつけているから。それは本当なの？…

これ超気になるんですけど… ジャンプ成功に対するロジスティックのAUCは0.75くらいですかね。メチャクチャになんでもモデルに入れただけの様な感じもする。まあフィギュアの場合、「前値」(実績ともいう)が最大の説明変数になりますが… というか金メダリストが本気でデータサイエンスやるんですね。

なんかデータで主張してる人ちょいちょい説明変数がたりてない気がする

民族性とか国民性みたいな話はみんな大好きで、「付喪神」「アニミズム」「八百万の神々」「多神教」みたいな説明変数は、人間にとって普遍的な感情に対してもナショナルな風味をもたらすことができるので乱用されがち。内面にアニミズム的な感覚はなくとも特殊な民になるため自己欺瞞している

為替は被説明変数であって説明変数ではない的なやつじゃね？

大学数学の『写像』という概念を習うと、引数を説明変数として、なんの値を導けばいいのか、という思考が加速する。（語彙力ない）

偏回帰係数やそのp値はもちろん・・・ 調整化決定係数や分散分析も求まるし・・・ =STANDARDIZE(値, 平均値, 標準偏差)で、説明変数の標準化もできるから・・・ 正直、Excelで十分にデータ解析が可能なんだけど😂 pic.twitter.com/nH1lD5bjMW

一般逆行列は重回帰分析で説明変数間で多重共線性を起こす時に使いたいから知っときたいっちゃー知っときたい。

返信先:@koudai02007固定する点、重回帰分析で説明変数を係数を「偏回帰係数」と呼ぶのと似てますね！

✏️AIモデル実行 学習時利用の説明変数の項目を CSVデータとして用意し 未来の目的変数を予測！ ✏️運用・再学習 AIモデルをシステムに組込&運用 予測精度check→顕著に落→再学習 学習データ古→最新状況match🙅 NEWデータに差替&再度学習✏️✏️✏️ AIモデルの再出力！ これでも精度悪→説明変数見直しも必

✏️学習 AIモデル構築(GUIベースcase) 学習データを構築用ツールにアップロード ①構築モデル種類選択 分類→分類等当てさせる 回帰→数値を当てにいく ②目的・説明変数 選択 説明変数セット→組合せパターン試すと精度変化有 ③学習させる回数・時間設定 数度繰返により最適な状態へ デフォルト値でOK

📚️文系AI人材になる📚️ 予測系AIの作り方 ✏️企画 AIプランニング→全体の計画 目的・説明変数の定義 →目的変数を高精度で当てる為に 　関連する筋良い説明変数を 　出来るだけ多くピックアップ →説明変数がデータとして 　確保可能か確認し 　AIの使用目的により 　適切な期間の設定を行う

📚️文系AI人材になる📚️ ✏️そもそもAIって？←まだココw 大量データ丸暗記🙅 特徴をつかんで法則化🙆 ✏️AIの作り方 データ作成(KEY+説明変数+目的変数) ↓ 学習(アルゴリズムに投入) 　データから学習し結果を法則化 ↓ 予測(AIモデル出来上) 　未知データから予測&確率スコアも! ※AIは意味合理解🙅

返信先:@kachofugetsujp他1人1000億ユニコーンを○、それ以外を×データにして2値分類のモデル構築して、⚪︎となる確率を精度よく予測できれば成功確率を予測できそうですが、 その際の説明変数の設定が難しいイメージです。1000億ユニコーンといえど業界が全然違いますし。。

評価どうこうの問題だけでなく、根本的に説明変数が不足してるんだろうなぁ

モノジェニックというのは、つまり、説明変数が一つ（せいぜい複数個？）ということ。人間の性格のような複雑なものがたった一つあるいは複数個の遺伝子のみで説明できるはずもなく、本当はポリジェニック（超多数の説明変数）によるスコアが理想。モノジェニックによる結果は、あくまで参考程度。

マンション市況は景気動向一般の影響も受ける。特に関係性の高い要因は失業率（厚生労働省）で、これを2番目の説明変数としよう。失業率が上がると、マンションの所有居住者が失職してローンの返済ができなくなり、マンションが売りに出る。

その変動を説明する第1の要因（説明変数）は、マンション価格の需給関係に関する要因（変数）だ。 想定される関係性は在庫倍率が上がる（下がる）とマンション価格が下がる（上がる）負の相関だ。

昨日の午後に紹介した書籍「入門はじめての多変量解析」の重回帰分析の抜粋です😆 統計モデルではなく、機械学習モデル(scikit-learn)から、線形重回帰に入門した方にとっては、分かり易いと思います☺️ 説明変数の検定とかの解説もありますよ☺️ オススメですよ！ pic.twitter.com/W6suYz2Ke5

目的変数がユーザーの離反・非離反の場合の説明変数は、性別・年齢・地域などの属性データに加え、各製品利用期間、各平均購買周期、過去の製品の好み、使用中製品数などが含まれます。

返信先:@kachofugetsujp他1人成功、失敗データを集めるのが難しそうなんで難しそうですね。 予測できたら面白そうですけど。 説明変数をどう定義するかも難しそうです！