進化学実習 2022 牧野研

8. データ解釈の基礎知識、レポート作成

この実習の目標

✅ 生物学研究にはデータとモデルが必須だと認識

✅ 再現可能な解析を楽にやりたい気持ちになる

✅ 必要な方法を調べ、実践する力をつける

⬜ データ解析の基本に触れる

本日のお品書き

⬜ データ解釈の心得 (理論や手法の詳細には触れない)

• 誤差 (バイアス、ばらつき)
• 統計的仮説検定
• 因果関係と相関関係

⬜ データ入力の心得

⬜ R Markdownを用いたレポート作成

Garbage in, garbage out

どんなに素晴らしい統計処理をしようとも、データがゴミなら結論もゴミ。

• 目的に応じてちゃんとデータを採ることが重要！
• 何がデータを悪くしてしまうのか、見ていこう

観測には必ず何らかの歪みがある

現象・母集団の性質を知りたいけど、そのものは測れない。

質的な問題 → 測れる側面だけ測るしかない

量的な問題 → 一部の標本を抽出して測るしかない

2種類の誤差

系統的誤差 systematic error / バイアス bias

一定の傾向をもって生じる誤差。原因を特定して対処。

偶然誤差 random error

偶然生じてしまうばらつき。計測を繰り返して対処。

e.g., 服を着たまま体重測定を10回繰り返す → どれも違う値

選択バイアス

データの採れかたが結果に傾向をもたらしてしまう。

生存(者)バイアス

生き残ったものだけがデータとして観測される。

帰還した多数の戦闘機✈️✈️の損傷の分布(右図)。
被弾 → 生還 → 観測される
被弾 → 墜落 → 観測されない
損傷が観察されなかった場所をむしろ補強すべき。

サンプリングバイアス

サンプル対象を決めた時点で偏っている。

📞電話でアンケート調査 → 電話機を持てる裕福な人、その時間に通話できる人、 知らない番号からでも出る人、調査している新聞社に共感している人。

🔰 生物学研究における選択バイアスにはどういうものがありそう？

測定基準に関するバイアスの例

基準が揃っていない

国民1人あたりの弁護士数を国際比較すると日本が少ない。
諸外国では税理士や司法書士を弁護士に含めて集計している。

基準が時間とともに変化

自閉症と診断された児童の数は見かけ上年々増えている。
診断基準の変更、病気の知名度向上が主な原因。
(親の高齢化の寄与を示唆する研究もあるらしい)

データの扱いに起因するバイアス

チェリー・ピッキング 🍒

自分の仮説と矛盾する情報を無視し、都合のいい情報だけ集めること。

研究活動における3つの不正のうち改竄にあたる。

確証バイアス

無意識にチェリー・ピッキングしてしまう心理的傾向。

悪気なくやってしまわないよう、自覚を持つことが大事。

表に数字、裏にアルファベットが書いてあるカード。
「偶数の裏は必ずA、という法則があるか？」
これを確かめるには次の4枚のうちどれを裏返せばいいか？

たまたま生じたパターンにも意味を見出しがち

前後即因果の誤謬

たまたま前後で生じた現象に因果関係があると思いがち

ギャンブラーの誤謬

N回も連続で裏が出たら、次は表が出やすいと思いがち

データ解釈に関わる認知バイアス

利用可能性ヒューリスティック

思い浮かびやすいものほど過大評価しがち

e.g., 1文字目がkの単語、3文字目がkの単語、多いのはどっち？

代表性ヒューリスティック

ステレオタイプを過大評価しがち

e.g., リンダは31歳の独身女性。率直で聡明。大学では哲学専攻。 人種差別や社会正義などに深く関心を持ち、学生時代には反核デモにも参加。
現在のリンダは次のどちらである可能性が高いか？

1. リンダは銀行員として働いている。
2. リンダは銀行員として働きながら、フェミニスト運動に参加している。

認知バイアス・誤謬はほかにもいろいろある。
データ解析とは関係なく、知っておくのは悪くない。

偶然誤差によるばらつき方 = 確率分布

先日 6. 統計モデリング1 で習ったやつ！

背後にあるメカニズムによっていろんな形になるのでした。

分布を特徴づける代表値 central tendency

平均値 mean

和を観察数で割る

中央値 median

順に並べて真ん中

最頻値 mode

最も頻度が高い値

目的や状況に応じて使い分けよう。

外れ値に対する応答

もし総資産額20兆円の大富豪が鳥取県に引っ越してきたら
→ 県民の平均資産は4000万円上昇。中央値・最頻値はほぼそのまま。

ばらつきを捉える記述統計量

分散 variance

平均値からの差の自乗の平均。 $\frac 1 n \sum _i ^n (X_i - \bar X)^2$

これの平方根が標準偏差 (standard deviation)。

Percentile, Quantile (四分位)

小さい順にならべて上位何%にあるか。

中央値 = 50th percentile = 第二四分位(Q2)

記述統計量に頼りすぎず分布を可視化する

同じデータでも見せ方で印象・情報量が変わる。

2つの量の関係性: 大小の比較

ばらつきの度合いも加味して判断する。

「こんなことがたまたま起こる確率はすごく低いです！」
をちゃんと示す手続きが統計的仮説検定→

目的やデータに応じて正しい検定を選ぶ

例えば「2つの量の大小を比較したい」だけでもいくつかある。
今回は選定には深入りせず、検定の考え方だけ触れておく。

統計的仮説検定の考え方

🎲サイコロを10回振ったら9回も6の目が出たぞ。イカサマじゃないか？

帰無仮説

6の目が出る確率 = 1/6。普通のサイコロです。

対立仮説

6の目が出る確率 ≠ 1/6。イカサマです。

1. 帰無仮説のもとで今回のデータ以上に極端な値が得られる確率pを計算
2. この p-value が有意水準(危険率)$\alpha$より低い場合、帰無仮説を棄却
   (大概 $\alpha$ = 0.05 とか 0.01 とか。予め決めておく。)
3. 対立仮説を採択。6の目の出る確率は1/6と有意に異なる。

統計的仮説検定の考え方

🎲サイコロを12回振ったら4回も6の目が出たぞ。
これも1/6よりは高いけど、イカサマのダイスかな？

帰無仮説のもとで12回中4回以上6が出る確率: $p = 0.125 > \alpha$

帰無仮説を棄却できず。6の目の出る確率が1/6と有意に異なるとは言えない。

平たく言えば「普通のサイコロでもそんなに珍しい出目じゃない」

多重検定で偽陽性のリスクが上昇

危険率$\alpha=0.05$の検定は、最大5%の確率で誤って帰無仮説を棄却(偽陽性)。
同様の検定を10回やると、そのうち少なくとも1つで偽陽性になる確率は
$1 - (1 - 0.05)^{10} \simeq 0.40$ まで上昇。

多重比較補正

検定を繰り返したぶんだけ基準を厳しくして偽陽性率を抑えること。

Bonferroni法、Holm法、Benjamini and Hochberg法など。

広くて深い統計解析の世界

データの荒波を泳ぎきってもどこにも「究極の真実」などありはしないのだ。 統計学はそのときその場かぎりでの「最良の結論」を導くための方便に過ぎないのだ。 —— 三中信宏「統計思考の世界」

2つの量の関係性: 相関関係と因果関係

• 因果関係があれば相関関係として表れる
• 相関関係があるからといって因果関係もあるとは限らない→

因果・相関を見誤るパターン1: 交絡因子

誤: 🍦アイスの売り上げが増えるほど🍺ビールの売り上げが増える。

正: 🍦アイスも🍺ビールも気温が高いほど売れる。

因果・相関を見誤るパターン2: 逆の因果関係

誤: 警察官が多いほど犯罪が増える。

正: 犯罪が多いから警察官が多く配備される。

因果・相関を見誤るパターン3: 選択バイアス

(x + y) が一定の幅に収まるようなペアだけを集めてしまうとか

因果・相関を見誤るパターン4: 外れ値・グループ構造

少数の外れ値やグループ構造によって相関係数rが跳ね上がりうる。

因果・相関を見誤るパターン5: 偶然

ニコラス・ケイジの映画出演が増えるほど溺死する人が増える？

このウェブサイトにはジョークとしてこうした例が多数集められている↑

変数間の関係性まとめ

• 相関関係があるからといって因果関係もあるとは限らない。
• 逆の因果関係や見せかけの相関にも要注意。

🔰 これら4つの関係性に該当する事例をそれぞれ1つ以上探してみよう。

本日のお品書き

✅ データ解釈の心得

• バイアス
• 誤差
• 統計的仮説検定
• 因果関係と相関関係

⬜ データ入力の心得

⬜ R Markdownを用いたレポート作成

自分が一次データを作るときに気をつけたいこと

Rを使ったデータ前処理を習得した✨
雑然データからでも下ごしらえして解析できるぞ！

とはいえ…

• まず、読み込めないと始まらない。
• dplyrやtidyrで手に負えないほど不規則では困る。

自分がデータ入力する際に、どう気をつけたらいいか？

総務省が2020年に発表して「全国民が見るべき」と話題になった
「統計表における機械判読可能なデータの表記方法の統一ルール」 から抜粋。

データ入力の心得 1. 1つのセルに1つの値

悪い形に遭遇したときに使える関数: tidyr::separate(), tidyr::separate_rows(), stringr::str_split(), stringr::str_extract()

データ入力の心得 1. 1つのセルに1つの値

悪い形に遭遇したときに使える関数: tidyr::separate(), tidyr::separate_rows(), stringr::str_split(), stringr::str_extract()

データ入力の心得 2. 余計な文字列が数値扱いを妨げる

悪い形に遭遇したときに使える関数: readr::parse_number(), stringr::str_remove(), stringr::str_replace()

データ入力の心得 2. 余計な文字列が数値扱いを妨げる

悪い形に遭遇したときに使える関数: readr::parse_number(), stringr::str_remove(), stringr::str_replace()

データ入力の心得 2. 余計な文字列が数値扱いを妨げる

いやいや、欄外に記載するのも不規則でダメですよ。別シートか、別カラムに。

悪い形に遭遇したときに使える関数: readr::parse_number(), stringr::str_remove(), stringr::str_replace()

データ入力の心得 3. 空白や改行で見た目を整えない

機械にとって "　A" と "A" は違う値。

悪い形に遭遇したときに使える関数: stringr::str_remove(), stringr::str_replace()

データ入力の心得 3. 空白や改行で見た目を整えない

悪い形に遭遇したときに使える関数: stringr::str_remove(), stringr::str_replace()

データ入力の心得 4. セルを結合しない、絶対に

悪い形に遭遇したときに使える関数: tidyr::fill()

データ入力の心得 4. セルを結合しない、絶対に

悪い形に遭遇したときに使える関数: tidyr::fill()

データ入力の心得 5. 同じものが続いても省略しない

人が見れば分かるけど、機械も同じように読んではくれない。

悪い形に遭遇したときに使える関数: tidyr::fill(), tidyr::separate(), stringr::str_replace()

データ入力の心得 6. 機種依存文字を避ける

できれば全角・日本語も避けてすべて半角英数で。

悪い形に遭遇したときに使える関数: stringi::stri_trans_nfkc()

データ入力の心得 7. データを分断しない

データ入力の心得 7. データを分断しない

データ入力の心得 8. 1つのシートには1つの表

もっと言うと、複数シートのファイルを作らず、それぞれ別ファイルに。

データ入力の心得 9. その他

• 1行目ではすべての列に名前を与える。
  • なんとなく1行目は空行、1列目は名前無しとかやりがち。ダメ。
  • 2行目以降に列名がハミ出してもダメ。
  • プログラム内で参照される変数名として成立するように。
    • アンダースコア_以外の記号・空白を入れないのが安全。
    • 先頭は数字も避ける。
• 保存形式はプレーンテキスト推奨。Excel形式(.xlsx)は扱いにくい。
  • タブ区切り(.tsv) or カンマ区切り(.csv)
  • ファイル名、フォルダ名も機械処理するつもりで規則的に。

熊谷直喜さんのブログ「R解析用データフォーマット例」 も一読を。

データ入力の心得おさらい

つまり、Rで前処理・可視化・解析するぞという気持ち:

1. 1つのセルに1つの値
2. 余計な文字列が数値扱いを妨げる
3. 空白や改行で見た目を整えない
4. セルを結合しない、絶対に
5. 同じものが続いても省略しない
6. 機種依存文字、というか半角英数以外を避ける
7. データを分断しない
8. 1つのシート(ファイル)には1つの表

🔰 総務省ルールの「修正後」にまだ残る改善点をなるべく多く列挙しよう。

Excelの親切に要注意

表形式のファイルを閲覧・作成するソフトとしてよく普及。
しかし親切設計がユーザーに牙を剥く！

• 文字列が勝手に日付になる: 22-4, 4-14
• 遺伝子名が勝手に日付になる: MARCH1, SEPT1
  (2020年、これを避けるために改名された)

🔰 次のようなCSVファイルを作り、Excelで読み取ってみよう。

gene,label
MARCH1,22-4
SEPT1,4-14

🔰 Excelで日付になったものを保存して、Rで読み取ってみよう。

本日のお品書き

✅ データ解釈の心得

• バイアス
• 誤差
• 統計的仮説検定
• 因果関係と相関関係

✅ データ入力の心得

⬜ R Markdownを用いたレポート作成

R Markdown 形式でレポートを書く

解析からレポート作成まで一元管理できて楽ちん。

• 本文とRコードを含むテキストファイル.Rmdを作る。
• HTML, PDF, Wordなどの形式に変換して読む。
  • コードそのものも当然埋め込める。
  • 実行結果の図や表も埋め込める。

R Markdown (.Rmd)

Rなどで図や表を埋め込めるようにしたMarkdown亜種。

Markdown (.md)

最もよく普及している軽量マークアップ言語のひとつ。

微妙に異なる方言がある。Rmdで使うのは Pandoc Markdown 。

🔰 どんなものが作れるのか 作成例ギャラリー を見てみよう。

マークアップ言語

文書の構造や視覚的修飾を記述するための言語。
e.g., HTML+CSS, XML, LaTeX

<h3>見出し3</h3>
<p>ここは段落。
<em>強調(italic)</em>、
<strong>強い強調(bold)</strong>、
<a href="https://www.lifesci.tohoku.ac.jp/">リンク</a>とか。
</p>

表現力豊かで強力だが人間が読み書きするには複雑すぎ、機械寄り。

🔰 好きなウェブサイトのソースコード(HTML)を見てみよう。

軽量マークアップ言語

マークアップ言語の中でも人間が読み書きしやすいもの。
e.g., Markdown, reStructuredText, 各種Wiki記法など

### 見出し3

ここは段落。
*強調(italic)*、
**強い強調(bold)**、
[リンク](https://www.lifesci.tohoku.ac.jp/)とか。

Markdown記法で書いてみよう

1. RStudio > New File > Markdown File
2. “markdown 記法"とかで検索しつつ何か書く。
   • 見出し1, 2, 3
   • 箇条書き (番号あり・なし)
   • インラインコード、コードブロック
3. Previewボタンで確認

R Markdown を作ってみよう

RStudio > New File > R Markdown…
(DocumentとHTMLを選択し、)タイトルと著者を埋めて、OK。

普通のmdには無いRmdの特徴

ヘッダー

最上部の --- で挟まれた部分。 文書全体に関わるメタデータを入力。

オプションは出力形式によって異なる。 e.g., html_document

R code chunk

```{r chunk-name, opt1=FALSE, ...} のように始まるブロック。

コードの実行結果を最終産物に埋め込める。

オプションがいろいろある。e.g.,

• echo=FALSE: コードを非表示。結果は表示。
• eval=FALSE: コードを実行せず表示だけ。
• include=FALSE: コードも結果も表示せず、実行だけする。
• fig.width=7, fig.height=7: 図の大きさを制御。

まあ細かいことは必要になってから調べるとして…

R MarkdownをHTMLに変換してみよう

1. ソースコードに名前をつけて保存 commands
   e.g., report.Rmd
2. 🧶 Knit ボタンを押す。
   • 埋め込まれたRコードが実行される。
   • 実行結果を含むMarkdownが作られる。
   • MarkdownからHTMLに変換される。 e.g., report.html
   • プレビューが自動的に開く。

🔰 編集 → Knit を繰り返して変化を確認しよう

レポートの体裁の例

左のようなRmdを作って🧶Knitし、右のようなHTMLファイルを提出。

🔰 レポート (締切: 2022-05-09)

• 課題: 実習中に解いた課題をR Markdownでまとめる。
  • 講義資料の🔰若葉マークの練習問題
  • 翌日にグループで相談・発表した課題
• 様式
  • Knit済みhtmlファイル。1日分で1つ、トピックに提出。計4つ。
  • ファイル名 C0SB0000-iwasaki-day1.html
• 評価ポイント
  • エラーも警告も無くコード(🧶Knit)が走っている
  • 文書の構造や図が視覚的に見やすく整理されている
  • 半年後の自分が読んでわかるような親切コメント
• 手抜きポイント
  • 生物学的な意義があるか、みたいなのは不問

🔰 4日目の課題2

書籍、ニュースサイト、ブログ記事などを検索し、
良くないデータ解析の例を探して改善案を挙げよう。

1. データの集め方(サンプルの選び方)が偏っていて良くない例
2. データの解釈(相関や因果)を誤っている例
3. 生データを公開してくれてるのはいいけど、形式が良くない例
4. 図の描き方で嘘をついている例 (誇張、印象操作)

4/18月曜はまず40分ほど班ごとに相談。
その後、各班の代表事例を発表してもらいます。

• 出典。URLとか書籍名。
• データの概要、書き手の主張。
• ここが良くない。
• こうすればよくなりそう。

参考文献

• 「Rを用いたデータ解析の基礎と応用」 石川由希 2021 名古屋大学
• データ解析のための統計モデリング入門 久保拓弥 2012
• 分析者のためのデータ解釈学入門 江崎貴裕 2020
• データ分析のための数理モデル入門 江崎貴裕 2020
• 統計学を哲学する 大塚淳 2020
• 統計思考の世界 三中信宏 2018
• R Markdown
  • Cheat sheet (PDF)
  • R for Data Science — R Markdown
  • R Markdown: The Definitive Guide