基本情報/Basic Information

開講科目名 ／Course	多変量解析a／MULTIVARIATE ANALYSIS(A)
ナンバリングコード ／Numbering Code	【済】21-2017 【営】22-2063 【環】23-2070
開講所属 ／Course Offered by	経済学部／ECONOMICS
ターム・学期 ／Term・Semester	2025年度／2025 Academic Year　　春学期／SPRING SEMESTER
曜限 ／Day, Period	火1／Tue 1
開講区分 ／semester offered	春学期／Spring
単位数 ／Credits	2.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	樋田　勉
遠隔授業科目 ／Online Course	－

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
樋田　勉	国際環境経済学科／ECONOMICS ON SUSTAINABILITY

授業の目的・内容 ／Course Objectives	背景： 情報通信技術の発展により，企業や官公庁は大量の統計データを収集することが可能になった。収集したデータは，企業では品質管理やマーケティング，官公庁ではEvidence-based Policy Making（根拠に基づく政策運営）のために分析され，様々な意思決定に活かされている。 収集したデータの分析で最も頻繁に利用されているのが，この授業で扱う回帰分析や主成分分析などの多変量解析法である。多変量解析法は，ビジネスの世界で近年注目を集めている，データサイエンスや機械学習を構成する重要な手法である。多変量解析を学修することにより，ビジネスの現場においてデータを分析し，意思決定に役立てるための科学的手法を学ぶことができる。 目的： 学位授与方針(DP)と関わる能力としては，経済学科専門科目として，経済理論を統計的に検証する能力，経営学科専門科目としては，情報学の専門的な知識を活用する能力，国際環境経済学科専門科目としては，データを収集し，情報を正しく読み取る調査・分析能力を養成することを目的とする。 カリキュラム・ポリシーおよび履修系統の関連から見ると，1年次配当科目である統計学入門の知識を前提とし，経済学科専門科目として理論・計量，経営学科専門科目として情報・統計，国際環境経済学科専門科目として調査・統計分析の専門知識を習得し，データを分析する能力を身につけることである。 より具体的には，統計的データ解析の理論的な仕組み理解し，データサイエンス分野で利用されるソフトウェアの一つであるPythonを利用して，統計的データ解析ができるようになることを目指す。 内容： 多変量解析aでは，Pythonを用いて，統計的データ解析の基礎である1次元データの統計分析の方法から，最も重要な分析手法の一つである回帰分析までを学修する。これらの内容を学修することにより，実際の経済・経営・社会など，様々なデータを分析するための能力を身につけることを目指す。この科目は学科基礎科目である統計学と関連が深い。統計学も履修して記述統計・確率・推測統計について学修することが推奨される。
授業の形式・方法と履修上の注意 ／Teaching method and Attention the course	形式： 授業は講義形式で実施する。オンライン配信，録画配信は行わない。資料をmanaba配付するので事前に印刷して持参すること。 進行： 教員による分析手法の仕組みとPC（Python）を用いる例題データの分析方法の説明，受講生によるPCでの例題データと演習データの分析が基本的な授業の進行となる。 受講生は，分析手法について理解したのち，Pythonを利用して，実際に演習問題を計算して，結果の解釈を行うことにより，内容の理解度を確認する。 履修者は分析方法の仕組みと例題データの分析方法の解説を理解し，例題データと，講義時間中あるいは事後の学修用に配布する演習問題に取り組むことにより理解度を確認する。 履修者は，当日あるいは次週の講義時間中に行われる演習問題の解説を参考にして，授業内容の復習を行う。 演習問題の提供方法として，manabaの小テスト機能を利用することがある。この場合は，締め切り後に，採点結果を履修生が確認できるようにするので，不正解だった問題については復習する。また，履修生からの質問や採点結果については，次週の授業で教員から解説がある。 授業ではGoogle ChromeとGoogle Colaboratoryを利用するので，Google(Gmail) アカウントを準備しておくこと。 質問対応： 講義内容についての質問は，講義後あるいはメールにて質問すること。授業やmanabaでフィードバックする。 注意： a,bを連続して履修すると効果的に学修を行うことができる。 受講条件： 統計学入門の単位を取得済みであること。 その他： 授業の進め方は，初回の授業で説明するので，必ず確認すること。 テキストは利用しない。配付資料を各自印刷して利用すること。 必要に応じて参考書を参照すること。
事前・事後学修の内容 ／Before After Study	事前の学習： 事前に配付された資料を用いて予習すること（2時間程度）。 事後の学修： 演習問題と復習に取り組むこと（2時間）。
テキスト1 ／Textbooks1	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
テキスト2 ／Textbooks2	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
テキスト3 ／Textbooks3	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等1 ／References1	書籍名/ｻｲﾄ名 ／Title データサイエンスのための統計学入門 第2版 著者 ／Author name Peter Bruce, Andrew Bruce, Peter Gedeck (著), 大橋 真也 (監修), 黒川 利明 (訳) 出版社/URL ／Publisher オライリージャパン ISBN ／ISBN 978-4873119267 その他（任意） ／other
参考文献等2 ／References2	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等3 ／References3	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
評価方法 ／Evaluation	期末レポート（60％），平常点（40％） 期末レポート： 講義全体を理解し基礎能力・応用能力を身に着けたかどうかを評価する。 平常点： 講義への参加度，課題・ミニレポート（1〜2回程度予定）・小テストの得点。
関連科目 ／Related Subjects	前提とする科目： 統計学入門 この科目と同時に履修することを推奨する科目： 統計学a,b
備考 ／Notes	テキストは利用しない。manabaで資料を配付するので，事前に印刷して持参すること。
到達目標 ／Learning Goal	多変量解析に関する専門知識を習得し、多変量データを分析のうえ、解説できるようにする。
DPとの関連 ／Relation to DP	【19カリ・済】---------- △:幅広い教養 △:問題分析力 ○:理論構築力 △:問題認識力 【19カリ・営】---------- △:幅広い教養 ○:情報分野における専門的知識 【19カリ・環】---------- △:幅広い教養 ○:調査・統計分析部門での専門的知識 【24カリ・済】---------- △:幅広い教養 △:問題分析力 ○:理論構築力 △:問題認識力 【24カリ・営】---------- △:幅広い教養 ○:情報分野における専門的知識 【24カリ・環】---------- △:幅広い教養 ○:調査・統計分析部門での専門的知識

回 ／Time	授業計画（主題の設定） ／Class schedule	授業の内容 ／Contents of class	事前・事後学修の内容 ／Before After Study
1	オリエンテーション，Google Colaboratory入門	授業全体の説明と「多変量解析」とはどのような学問かについて理解できるようにする。
2	Pythonによるデータ処理の基本	Pythonによるデータ処理の基本を理解できるようにする。
3	基本統計量の計算	基本統計量の計算ができるようにする。
4	推定と検定	データから計算した統計量を用いて区間推定と統計的仮説検定をできるようにする。
5	散布図と相関係数	散布図の作成，相関係数の計算ができるようにする。
6	クロス集計表とカイ二乗検定	クロス集計表とカイ二乗検定ができるようにする。
7	回帰分析（回帰係数，最小二乗法，決定係数）	単回帰モデルの回帰係数や決定係数の計算と解釈ができるようにする。
8	回帰分析（残差分析，回帰診断）	回帰分析において残差分析を利用できるようにする。
9	回帰分析（重回帰モデルの偏回帰係数の推定，自由度修正済み決定係数）	重回帰モデルの偏回帰係数や自由度修正済み決定係の計算と解釈ができるようにする。
10	回帰分析（質的変数の利用）	回帰分析において質的変数を利用できるようにする。
11	回帰分析（非線型変換，交互作用）	回帰分析において変数の非線型変換や交互作用項を利用できるようにする。
12	回帰分析（モデルの評価と変数選択法）	回帰分析においてモデルの評価と変数選択法を利用できるようにする。
13	回帰分析（回帰分析によるデータ分析，解釈，予測）	回帰分析を用いてデータを分析し，結果の解釈と予測ができるようにする。
14	基本的な統計分析と回帰分析のまとめ	基本的な統計分析と回帰分析の利用方法の全体象を理解できるようにする。