- データ分析を業務に活かしたいんだけど、「エクセル」しか使ったことないんだよね～
- 簡単な統計解析だけでなく、「高度な手法」も使ってみたいなぁ～
- 統計解析なら「Ｒ」がいいって聞いたんだけど、難しそうだなぁ～
など、統計解析やデータ分析のスキルアップをしたい方は多いのではないでしょうか。
本記事の概要
データ分析なら、Excelつかってるけど？
エクセルでの統計解析はかんたんにできる半面、データ分析の手法の選択が限られることがあります。
競合他社が高度な手法をもちいてデータ分析を用いて成果をあげているとします。
自社でも同様の手法を使ってみよう！となりました。
担当になったあなたは、ふだんエクセルで統計解析をおこなっています。
でもExcelには高度な手法は標準では使うことができません。
なので、VBA などにより、自分でプログラミングをすることで、高度な手法を実装することができます。
しかし、とりあえず試しに解析してみたいとか、
いくつかの手法を比較してみたい、
などの場合には、そのためだけに高度な手法を実装するのは、時間的にも大変ですよね～
じゃあどうするか！？
そんなときにとても重宝するのが「Ｒ」なんです＾＾
高度な手法もサクッと実行できる、それが「Ｒ」。しかも無料です
統計解析ソフト「Ｒ」は、かれこれ２５年以上にわたり開発が続いている信頼のおけるソフトです。
基本的な統計処理から、機械学習など高度なアルゴリズムまで手軽にサクッと実行できるのがＲの大きなメリットです。
最先端の研究者やデータサイエンティストと同じ手法を無料で使うことができるのが「Ｒ」なんです。
でもＲは、エクセルに比べると、すこし敷居が高いと感じる方がおられるかもしれません。
Ｒは敷居が高い？Ｒに慣れるにはコツがあります
Ｒは、プログラミングの感覚がすこしだけ必要です
けっして難しくはないのですが、普段なじみのない方からすると、ん？？となるかもしれません。
たとえば、統計解析を行うときには、まずデータをＲに取り込んで、データがどんな様子なのか「可視化」をします。
このとき、データをプロットするのですが、エクセルの場合は、マウスをクリックしていくとグラフが書けますよね。
それに対してＲの場合は、マウスでクリックではなく、
「命令をキーボードから打ち込む」必要があるんです
（これをコマンドライン入力と言ったりします）。
なので、キーボードから打ち込むことに慣れていない方は、最初はむずかしく感じるかもしれません。
それが敷居の高さになってしまっているかもしません。でも難しいことをやるわけではないので、
最初はお手本を真似しながら打ち込んでみて、少しずつ慣れていけば大丈夫です！
Ｒによる統計処理は、「関数」を使います
Ｒではデータ分析を行うための関数を使います。
ある分析を行いたかったら、それを実行するための関数が用意されています。つまり、
Ｒでのデータ解析では、分析したいデータを、分析したい方法の関数に丸投げすればいいんです
え！それだけなの！？
そうなんです！意外と簡単でしょ？
Ｒによるデータ分析は、拍子抜けするくらいシンプルなんです。
丸投げすると、あとは関数が処理してくれて、結果を渡してくれます。
あなたがすることは、計算された結果を変数（オブジェクト）とよばれる入れ物にいれて受け取ればそれで分析は終了です。
あとはその結果を詳しく見ながら、マーケティングならマーケティング施策を、
在庫管理ならその予測をしたり、実務に活かす形で使えばいいわけです。
基本的には、Ｒによるデータ分析は、
単純な線形回帰も、複雑なディープラーニングも、
「データを関数に渡す」 ということをすればできる仕組みになっています。
（ただし、ディープラーニングなどは計算時間が非常に長いので注意されてください。
その他の分析手法は、データ量がよほど莫大でないかぎり、数秒から数分で終了するはずです）
Excelでできることは、Ｒでも簡単にできます
Ｒの使い方って意外とシンプルだと感じていただけたのではないでしょうか？
これまでエクセルでやってきたデータ分析はもちろんのこと、
それと同じ手間で、最先端の手法もサクッと使うことができるのがＲなんです
すごくないですか！？
しかも、無料でつかえちゃうんです！
パソコンにダウンロードしてインストールすれば、誰でもすぐに使うことができます。
新しいパソコンを買う時にソフトの代金を払う必要もありません。
ただインストールすればいいだけです。家計にもやさしいですよね。
ちなみに、Ｒのダウンロードの詳細はこちらの記事にございます↓
「統計解析フリーソフト「R」で統計学に入門する②【Rをダウンロードしよう】」
Ｒのメリットは他にもあります
データ分析は分析するだけでなく、分析結果をビジネスに活かすフェーズも重要です。
上司を説得したり、顧客と商談する際には、綺麗な図を使えるといいですよね。
Ｒの図を作成するためのグラフィックス機能は進化していて、
訴求力のある図など、比較的手軽に描けるようになっています。
Excel に備わっている図も綺麗ですが、Ｒで作る図はより柔軟で、
オリジナルな図が作成しやすいように感じています。
ほかにも過去の解析をキチンと再現できるための「分析スタイル」も注目されています
（再現可能な分析（Reproducible data analysis）と呼ばれたりします）。
以前の担当者が行った分析結果と、再度自分が行った分析結果が食い違えば困りますが、
データ分析には細かなところが異なると結果が違ってくることがあり、一致しないケースが出てきます。
そういった食い違いが起こらないように、
使ったデータや分析手法の詳細などを細かく記述して残しておくようにしよう、
というのが再現可能な分析の発想です。
Ｒではこういった再現可能な分析を行いやすいような仕組みが備わっています。
解析の再現性をキチンと保つことで、現場の引継ぎなどもスムーズに行えますし、
なによりノウハウの蓄積には必須となるはずです。
Ｒをはじめてみたい！
とおもった方は、
- Ｒに慣れること
- Ｒで統計解析を行う操作
の２方面から攻めるのがおすすめです。
Ｒに慣れるには、「Ｒコードを打ってみる」のがオススメ
できるだけ丁寧な説明を見ながら、１つ１つ真似しながら打ちこんでいきます。
プログラミング経験がないと、最初は戸惑うかもしれませんが、
分からなくてもいいので、ひととおりキーボードから打ち込んでみてください。
すると、続けているうちに、
あ～そういうこと！
という瞬間が必ず訪れます。なので、それまで（わからなくても）とにかく続けてみてくださいね
Ｒの統計解析では、「関数の使い方」に慣れるといい
Ｒでは統計処理に関数を使うことは上で説明しました。
Ｒを使うには関数の使い方に慣れるのが１番です。
関数を使うときには、データや関数それぞれのパラメータを指定して実行することが多いです。
そのときのデータには、関数ごとに決まったデータ形式があるので、
使いたい関数に合うように、データを前もって整形する必要があるかもしれません
（これを「データの前処理」と言ったりします）。
パラメータについては、関数によって様々なので、
使いたい関数をよく調べてほしいのですが、
基本的には指定が必須のものと必須でないものがあります。
指定が必須のものはデータと一緒にパラメータの値を指定して関数を実行します。
指定しない場合はエラーか、デフォルトで決められた値が使われることになります。
必須でないパラメータは、指定してもいいし、指定しなくてもいいです。
指定すればその値が使われ、指定しなければデフォルトの値が採用されます。
このように、関数を使うには、データ（形式）と、
パラメータを前もって知っておくことがポイントになります。
例を示しておくと、ヒストグラムをつくりたいときには、hist()関数を使えます。
ヒストグラムを描くには、
hist()関数に適したデータ形式のデータと、
hist()関数のパラメータ（１つの区間（ビン）の幅や、
区間の数を何個にするかなど）を渡すことになります。
（hist()関数の場合は、パラメータを指定しなくてもデフォルトの値が採用されるので関数はエラーを出さずに実行されて結果を返してくれます。
ただしヒストグラムなどは、ビンの幅によって見栄えが大きく変わるので、
デフォルトだけでなく、自分で幅を変えてみることも役に立つかと思います。）
このように、Ｒで統計解析を行うには、
それぞれの「関数の特徴」をきちんとつかむのが大事です。
そして関数の特徴をきちんと理解するには、統計解析の理論的な理解も必要になってきます。
パラメータの意味や正しい設定の仕方などは、やはり統計解析の理論的なところの勉強も大事になってきます。
というわけで、Ｒをつかった統計解析を身につけるには、
- キーボードに打ち込んでやってみながら、
- （必要に応じて）統計解析の理論的な中身を合わせて勉強すること
が効率的です。
今回はそういったときに重宝する、わかりやすい例で打ち込みながら学べ、
統計解析の理論も学べる教科書のような１冊をご紹介します↓
本書では、Ｒの基本的な操作から、統計解析の基礎や代表的な分析手法について、
わかりやすく、楽しみながら学べる構成となっています。
統計をＲで楽しみながら学ぶというタイトルどおり１冊となっています。
とくに、Ｒ初心者の方が、本書のコードを打ち込んで練習していけば、
気づくと基本的な統計解析ができるようになる１冊です。
本書の構成は以下の通りです
Chapter 1 Rで遊ぶ
Ｒとは
簡単な計算
ヘルプと終了
データの入力
データフレーム
ファイルの読み書きと文字コード
図の描き方
パッケージの例：Excelファイルを読む
Chapter 2 統計の基礎
尺度水準
代表地
確率変数、乱数、母集団、標本
分散と標準偏差
中心極限定理と正規分布
コーシー分布
正規分布から導かれる分布
Chapter 3 ２項分布、検定、信頼区間
２項分布
統計的仮説検定の考え方
統計的仮説検定に関する議論
多重検定
信頼区間
２項分布から正規分布へ
検定の例：PISAの「盗難事件」問題
信頼区間の例
尤度と最尤法
止め方で結果が変わる？
Chapter 4 事件の起こる確率
富の分布
地震の確率
「ランダムに事象が起きる」という考え方
バックグラウンドのある場合のポアソン分布
カウンタの感度
ポアソン分布の信頼区間とその問題点
Feldman-Cousinsの信頼区間
Chapter 5 分割表の解析
分割表
フィッシャーの正確検定
カイ２乗検定
オッズ比、相対危険度
相対危険度・オッズ比の求め方
ファイ係数、クラメールのＶなど
マクネマー検定
Chapter 6 連続量の扱い方
誤差、不確かさ、検定
２標本の差のｔ検定
一元配置分散分析
Chapter 7 効果量、検出力、メタアナリシス
効果量（effect size）
コーエン（Cohen）のｄ
αとβと検出力
カーリー（Currie）の検出限界
メタアナリシス
Chapter 8 相関
準備体操
相関係数
ピアソンの相関係数
順位相関係数
エピローグ
自己相関があるデータの相関係数
Chapter 9 回帰分析
最小２乗法
息抜き体操
例：第５の力
ポアソン回帰
ポアソン回帰と似た方法、等価な方法
ポアソン回帰のあてはまりの良さ
ロジスティック回帰
ROC曲線
重回帰分析、ロジスティック回帰については、こちらの記事もございます↓
『「重回帰分析」を学びたいあなたにチェックしてほしい良書、１０冊はこちらです』
『「ロジスティック回帰分析」を学びたいあなたにおすすめの良書１３冊はこちらです』
Chapter 10 ピークフィット
簡単な例題
フィッティング
一般化線形モデル
非線形一般化線形モデル
度数分布を使わないフィッティング
一般化線形モデルなど、多変量解析については、こちらの記事もございます↓
『「多変量解析」を独学したいあなたにチェックしてほしい良書、１２冊はこちらです』
『「多変量解析」でよく使われる、７つの「ソフトウェア」をまとめました（「フリーソフト」もどうぞ）』
Chapter 11 主成分分析と因子分析
多変量データ
主成分分析
例：中野・西島・ゲルマンの方法
因子分析
主成分分析や因子分析には、こちらの記事もございます↓
『「主成分分析」を学びたいあなたにチェックしてほしい良書、１２冊はこちらです』
『「因子分析」を学びたいあなたにチェックしてほしい良書、１２冊はこちらです』
Chapter 12 リッカート型データとノンパラメトリック検定
リッカート型データ
ウィルコクソン検定（順位和検定）
ブルンナー・ムンツェル検定
並べ替え検定
並べ替えブルンナー・ムンツェル検定
ブートストラップ
ほかの方法
Chapter 13 生存時間解析
プロローグ
生存時間解析
参考文献
となっています。
Rが初めての方や、統計の代表的な手法を、楽しみながら身につけたい方におすすめの１冊です。
はじめてのR: ごく初歩の操作から統計解析の導入まで
Rによるやさしい統計学
Rによるデータサイエンス データ解析の基礎から最新手法まで
データサイエンティスト養成読本 R活用編 【ビジネスデータ分析の現場で役立つ知識が満載! 】 (Software Design plus)
Rグラフィックスクックブック ―ggplot2によるグラフ作成のレシピ集
基礎から学ぶ統計学
データ分析に必須の知識・考え方 統計学入門 仮説検定から統計モデリングまで重要トピックを完全網羅
Rによる統計解析の基礎 (Computer in Education and Research)
Rによるやさしい統計学
Rによる統計解析
Rによるノンパラメトリック検定
Rで楽しむベイズ統計入門しくみから理解するベイズ推定の基礎 (Data Science Library)
![Rで楽しむベイズ統計入門[しくみから理解するベイズ推定の基礎] (Data Science Library)](https://m.media-amazon.com/images/I/51844dFl3AL._SL160_.jpg)
Rクックブック
SPSSによるやさしい統計学
コマンドラインではじめるデータサイエンス ―分析プロセスを自在に進めるテクニック
データサイエンティスト養成読本 ビジネス活用編 (Software Design plusシリーズ)
Pythonによるデータ分析入門 第2版 ―NumPy、pandasを使ったデータ処理
仕事ではじめる機械学習
前処理大全データ分析のためのSQL/R/Python実践テクニック
![前処理大全[データ分析のためのSQL/R/Python実践テクニック]](https://m.media-amazon.com/images/I/61D0XQc0fwL._SL160_.jpg)
直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ
こちらの記事もございます
Rのダウンロード・インストールから、基本的な使い方はこちらでもまとめています↓
↓こちら無料で読めます
