RStanで単回帰を試してみる
目的
estatsの統計データから, rstanによる単回帰を用いて各都道府県の死亡者数と出生児数の関係を調べる. 事後分布からサンプリングされたパラメータから, 情報量規準WAICと交差検証LOOを計算し, 単回帰と二次回帰どちらが真の分布に近いかを推測する.
今回はrstanを使って単回帰分析を試してみる. 今回対象としたのは, estatの中の, 平成29年10月〜平成30年9月間の都道府県別の出生児数・死亡者数のデータである.
このデータについて, 死亡者数を横軸, 出生児数を縦軸で表すと次のようなグラフとなる. それぞれの点が各都道府県のデータを表している.
このデータから, 死亡者数から出生児数への回帰曲線を推測する. 死亡者数を, 出生児数をとし, 次のような2つのモデルを考える.
それぞれのモデルについてstanでパラメータの事後分布を作り, サンプリングを行った. 元の確率モデルに対して. サンプリングで得られたパラメータを当てはめた数値を保存しておくことで, 擬似的な予測分布を作り, waicとlooの計算を行った. 実際のコードは次の通り.
- 線形回帰(R)
library(rstan) library(loo) d <- read.csv("FEH_00200524_190526235535.csv", stringsAsFactors=FALSE) d[,2] <- d[,2] / 10000 d[,3] <- d[,3] / 10000 x <- d$死亡者数 y <- d$出生児数 data <- list(N=nrow(d), X=x, Y=y) fit <- stan(file="kaiki.stan", data=data, seed=123) log_lik <- extract_log_lik(fit) ms <- extract(fit) a <- mean(ms$a) b <- mean(ms$b) sigma <- mean(ms$sigma) waic01 <- waic(log_lik) loo01 <- loo(log_lik) png("kaiki1.png", width=800, height=800) par(family = "HiraKakuProN-W3") plot(x, y, xlab="死亡者数", ylab="出生児数", xlim=c(0,13), ylim=c(0,13)) abline(a, b) abline(a + sigma * 1.96, b) abline(a - sigma * 1.96, b) dev.off()
- 線形回帰(Stan) "kaiki.stan"
data { int N; real X[N]; real Y[N]; } parameters { real a; real b; real<lower=0> sigma; } model { for (n in 1:N) { Y[n] ~ normal(a + b * X[n], sigma); } } generated quantities { vector[N] log_lik; for (n in 1:N) { log_lik[n] = normal_lpdf(Y[n] | a + b * X[n], sigma); } }
- 二次回帰(R)
library(rstan) library(loo) d <- read.csv("FEH_00200524_190526235535.csv", stringsAsFactors=FALSE) d[,2] <- d[,2] / 10000 d[,3] <- d[,3] / 10000 x <- d$死亡者数 y <- d$出生児数 data <- list(N=nrow(d), X=x, Y=y) fit <- stan(file="kaiki2.stan", data=data, seed=123) log_lik <- extract_log_lik(fit) ms <- extract(fit) a <- mean(ms$a) b <- mean(ms$b) c <- mean(ms$c) sigma <- mean(ms$sigma) fun <- function(x) { a + b * x + c * (x ^ 2) } fun_upr <- function(x) { a + b * x + c * (x ^ 2) + sigma * 1.96 } fun_lwr <- function(x) { a + b * x + c * (x ^ 2) - sigma * 1.96 } waic01 <- waic(log_lik) loo01 <- loo(log_lik) png("kaiki2.png", width=800, height=800) par(family = "HiraKakuProN-W3") plot(x, y, xlab="死亡者数", ylab="出生児数", xlim=c(0, 13), ylim=c(0, 13)) par(new=T) plot(fun, xlab="", ylab="", xlim=c(0, 13), ylim=c(0, 13)) par(new=T) plot(fun_upr, xlab="", ylab="", xlim=c(0, 13), ylim=c(0, 13)) par(new=T) plot(fun_lwr, xlab="", ylab="", xlim=c(0, 13), ylim=c(0, 13)) dev.off()
- 二次回帰(Stan)
data { int N; real X[N]; real Y[N]; } parameters { real a; real b; real c; real<lower=0> sigma; } model { for (n in 1:N) { Y[n] ~ normal(a + b * X[n] + c * (X[n] ^ 2), sigma); } } generated quantities { vector[N] log_lik; for (n in 1:N) { log_lik[n] = normal_lpdf(Y[n] | a + b * X[n] + c * (X[n] ^ 2), sigma); } }
元のデータの数値が大きいため, 線形, 二次回帰いずれの場合も全てのデータを10000分の1倍している. 予測分布のYについての平均を計算することで, 回帰曲線を推測し, サンプリングされたノイズの標準偏差の1.96倍の値を足し引きすることで, 与えられたに対するの95%のベイズ予測区間を示した.
プロットした結果を次に示す. グラフ中の真ん中の線が推定された回帰曲線で, その上下の線が95%ベイズ予測区間の上限と下限である.
- 線形回帰
- 二次回帰
95%ベイズ予測区間の外にある都道府県は, が小さい方から, 沖縄県, 北海道, 愛知県であった.
また, 得られたWAICとLOOの値は次のようになった.
WAIC | LOO | |
---|---|---|
線形回帰 | 62.7 | 64.3 |
二次回帰 | 44.4 | 45.0 |
これより, 二次回帰の方が線形回帰よりも真の予測分布に近いと考えられる.
一般に, 死亡者数と出生児数は比例すると思われるが, 日本の都道府県データでは, 死亡者数が多いほど出生児数の割合も大きくなることが分かる. これは, 人口が多い都市圏(東京など)ほど, 高齢者数に比べて若年層が多いということを意味していると考えられる.
まとめ
rstanを用いて, 線形回帰と二次回帰を行い, 死亡者数から出生児数への回帰曲線を推測した. 情報量規準, 交差検証を用いて, 二次回帰の方がより真の分布に近いと推定された.