回答編集履歴
1
回答の追記
answer
CHANGED
|
@@ -5,4 +5,41 @@
|
|
|
5
5
|
|
|
6
6
|
それなりに使いこなそうとすると、ベイズ推計・MCMCなどの前提知識が必要となるのであまり手軽とはいえませんが、ほかに方法がなさそうであれば、試してみる価値があるかと思います。
|
|
7
7
|
|
|
8
|
-
私自身は実装経験がないので、ただちにサンプルコードを示すことができませんが、「stan 打ち切りモデル」で検索すればstanのサンプルコードが見つかるはずです。
|
|
8
|
+
私自身は実装経験がないので、ただちにサンプルコードを示すことができませんが、「stan 打ち切りモデル」で検索すればstanのサンプルコードが見つかるはずです。
|
|
9
|
+
|
|
10
|
+
stanのチュートリアルに該当するものがあったので、実験しました。
|
|
11
|
+
|
|
12
|
+
```python
|
|
13
|
+
sample = stats.norm.rvs(loc=0,scale=0.5,size=10000) # 推計したいデータ
|
|
14
|
+
Choice = sample[sample<-0.5] # -0.5以上は観察されないことにした実験用データ
|
|
15
|
+
|
|
16
|
+
# stan本体のコード
|
|
17
|
+
stancode = """
|
|
18
|
+
data {
|
|
19
|
+
int<lower=0> N_obs; // 観測値の件数
|
|
20
|
+
int<lower=0> N_cens; // 打ち切られたデータの件数
|
|
21
|
+
real y_obs[N_obs]; // 観測値
|
|
22
|
+
real<lower=max(y_obs)> U; // 打ち切りポイント
|
|
23
|
+
}
|
|
24
|
+
parameters {
|
|
25
|
+
real<lower=U> y_cens[N_cens]; // 打ち切られたデータ 必ず打ち切りポイント以上になると設定
|
|
26
|
+
real mu; // 推計したい平均
|
|
27
|
+
real<lower=0> sigma; // 推計したい分散
|
|
28
|
+
}
|
|
29
|
+
model {
|
|
30
|
+
y_obs ~ normal(mu,sigma); // 観測値が正規分布に従うことを示すモデル
|
|
31
|
+
y_cens ~ normal(mu,sigma); // 欠損値が正規分布に従うことを示すモデル
|
|
32
|
+
}
|
|
33
|
+
"""
|
|
34
|
+
model = pystan.StanModel(model_code=stancode) # コードのコンパイル
|
|
35
|
+
|
|
36
|
+
standata = {'N_obs':len(Choice), # stanに与えるデータの生成
|
|
37
|
+
'N_cens':10000, # 打ち切られたデータは10000件とした
|
|
38
|
+
'y_obs':Choice,
|
|
39
|
+
'U':np.max(Choice)}
|
|
40
|
+
|
|
41
|
+
result = model.sampling(data=standata) # samplingの実行
|
|
42
|
+
|
|
43
|
+
```
|
|
44
|
+
|
|
45
|
+
結果として平均は0.030とそれなりのものが得られました。（観測値の件数が1630件と本来のデータの20％弱からの推計なので、いいほうだということもできそうです）
|