統計モデリング手法

Pythonで学ぶアンケートデータ分析

EbunOluwa Andrew

Data Scientist

なぜ調査分析で統計モデリングを使うのか

• 変数間の関係から予測する
• 可視化に活用
  • 洞察が定着する

¹ 出典：Chris Liverani（Unsplash）

統計モデリングを使う場面

• 難しいデータ
• 変数間の影響
• 結果を予測

¹ 出典：Tyler Easton（Unsplash）

統計モデリングの例

• 線形回帰
• 2 標本 t 検定
• カイ二乗検定

線形回帰モデル

• 線形回帰モデル
  • x と y の線形関係を仮定
  • y = m*x + b
  • y = 従属変数
  • x = 独立変数
  • m = 傾き
  • b = 切片

¹ 出典：Seeing Theory-Brown.edu の写真

調査分析での線形回帰

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff200	Male	Service	No	3	0.24
fff500	Female	Service	Yes	5.7	0.45
fff700	Female	Service	Yes	5.8	0.49
fff300	Female	Service	Yes	6.7	0.63
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5
fffe3400	Female	Product	No	6.7	0.58
fffe200	Male	Service	Yes	6.3	0.48
fffe3000	Male	Service	Yes	5.4	0.41

調査分析での線形回帰

data.plot.scatter(
x='mental_fatigue_score',
y='burn_rate')
plt.show()

2 標本 t 検定

• 2 母平均の差の有意性を検定
• 帰無仮説＝2 母平均は等しい
• 対立仮説＝2 母平均は等しくない

¹ 出典：Olesia Bahrii（Unsplash）

調査分析での 2 標本 t 検定

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5

company_type	burn_rate
Service	0.57
Service	0.75
Service	0.51
Service	0.57

company_type	burn_rate
Product	0.51
Product	0.79
Product	0.66
Product	0.39

カイ二乗検定

• 2 つのカテゴリ変数間の有意性を検定
• 帰無仮説＝変数間に有意な関連はない
• 対立仮説＝有意な関連がある

調査分析でのカイ二乗検定

• 変数1

  • company_type
  • Product または Service

• 変数2

  • wfh_available
  • Yes または No

company_type	wfh_available
Product	Yes
Product	Yes
Product	No
Service	Yes
Service	Yes
Product	Yes
Service	No
Service	No
Product	Yes
Service	Yes

どの手法を使うか - 線形回帰

両方の変数＝数値

どの手法を使うか - 2 標本 t 検定

• 2 標本 t 検定
  • 片方＝カテゴリ変数
  • 片方＝数値変数

¹ 出典：Diana Polekhina（Unsplash）

どの手法を使うか - カイ二乗検定

• カイ二乗検定
  • 両方＝カテゴリ変数

¹ 出典：Element5 Digital（Unsplash）

演習に進みましょう！

Pythonで学ぶアンケートデータ分析