統計学

7月22日よりリリースされたポケモンGOは瞬く間に人気を拡大しました。Twitterでも話題となっており、ポケモンGOに関するツイートはリリース後のたった3時間で135万を超えたそうです。 今年の1月にSMAP解散と伝えられた時のSMAPに関するツイートは１日で約110万だったそうです。国民的アイドルであるSMAPをポケモンGOは3時間で抜いたんですね…。   ポケモンGOは位置情報を活用したソーシャルゲームのことで、現実世界そのものを舞台にしています。 従来のポケモンとは違い、実際に外出してポケモンを探し、捕まえなくてはいけません。 「トキワの森でピカチュウを探すのではなく、地元の公園でピカチュウを探す」といったところでしょうか。また、捕まえたポケモンは戦わせたり、交換したりすることもできます。 ポケモンGOをキッカケに引きこもりが外出するようになったとか…。さらにはスマホを見ながら歩く人やポケモンを捕まえたいがために不法侵入する人が増えたというお話も増えました。 これに関してはプレイヤーのリテラシーが低いわけであって、ポケモンGOはそんなに悪くはないと僕は思います。便利なものが増えていますが利用する人のリテラシーが低いのは世の中の問題ですね…。   というのは置いといて、今回は面白そうなのでポケモンGOをビジュアライズしてみたいと思います。   ポケモンのタイプを可視化する まずは今回登場するポケモンを簡単に集計して可視化していきたいと思います。 今の所登場しているポケモンは初代のポケモンとなっていて合計で151体います（一部実装されていないポケモンもいるみたいです）。誰もが知っているピカチュウが登場する時代ですね。   ポケモンにはタイプというものがあります。 タイプとは「みず」や「ほのお」などがあり、それぞれのタイプ同士に相性があります。例えば、「みずタイプのポケモンはほのおタイプのポケモンに強い」「ほのおタイプのポケモンはくさタイプのポケモンに強い」などゲームの世界ではよくありますね。そしてこのタイプは１８種類程度あるようです。 まず、今回登場するタイプを集計してみました。 タイプ別集計 集計してみたところ「みずタイプ」と「ノーマルタイプ」がメインタイプとして多いようです。一番少メインタイプが「こおりタイプ」で、初代のポケモンでは確かにこおりタイプはあまりいなかった気がします。 メインタイプだけではなくサブタイプも含めて集計すると、こんな感じです。   主成分分析でお好みのポケモンを探す   次は主成分分析でお好みのポケモンを探してみたいと思います。 ポケモンのステータスには「攻撃力」「防御力」「体力」「スピード」「特殊攻撃力」「特殊防御力」などの指標があります。これだけの指標があるとなかなか選びづらい….。 そこでこれらの指標を結合して新しい指標を作り出しお好みのポケモンを探し出してみたいと思います。 data <- read.csv("data.csv") head(data) pokemon attack defense hp special_attack special_defense speed 1 bulbasaur...

「首相任期」「大阪都構想」に引き続き、計量政治学第3弾に挑戦します。 今回は第24回参院選の1人区野党統一候補11勝21敗の「戦果」を分析したいと思います。   この選挙では、民進・共産・社民・生活の野党4党が全1人区で統一候補を立てて戦いました。野党第1党と第2党が選挙協力するこの戦法を、野党側は「一定の効果があった」と総括し、与党側は「民共合作は野合」と非難しています。 つまり、与党側も「効果が無い」とは言っておらず、野党統一候補で勝ち得た11勝21敗という戦果は誇って良いものと誰もが思っている状況です。 しかし果たして本当でしょうか？　ちょっと調べてみましょう。   改めて振り返る2016年第24回参院選 分析を進める前に、2016年第24回参院選（32議席11勝21敗）を振り返っておきましょう。焦点は1人区の戦果なのでそれに絞って毎度お馴染みのtableauを使ってグラフ表現をします。 そもそも参議院選挙って何？という人は、このwikipediaを見てください。   1人区の戦果が分かりやすくなるよう、2010年第22回参院選（31議席2勝29敗）、2013年第23回参院選（29議席8勝21敗）の戦果も含めておきました。 ちなみに2010年参院選は当時の菅首相がいきなり消費税増税を言い出した選挙で、前年からの民主党政治の混乱の余波か再ねじれが発生した選挙でした。 2013年参院選は再び政権交代して返り咲いた第2次安倍政権初の国政選挙で、脱ねじれ・与党単独過半数に戻った選挙でした。 2013年は宮城、新潟、長野は2人区。2010年は福島、岐阜は2人区。   2016年の選挙は東北・信越で野党が強く、関西以西で与党が強いようにも見えます。   11勝21敗の内訳を確認する データは合算値で見ると兆候が隠れる。これは鉄則です。 ですからコホート分析で32戦の内訳を確認しましょう。 1つは、立候補の形態として、民進党所属で野党3党が推薦・支持した場合と、野党4党共同推薦した場合の2種類があるのでその内訳を確認します。 もう1つは、与党に完全勝利したのか、接戦の末に命からがら勝利したのかを確認します。今回は接線の定義を「得票率5ポイント差」とし、以上での勝利を「勝」、以下での勝利を「優」、以下での敗戦を「劣」、以上での敗戦を「敗」としました。 民進党所属での戦果と、無所属野党統一候補での戦果、大きく様相が異なることが分かります。 無所属野党統一候補が立った選挙区は2010年参院選で与党候補が勝利したため、立てる民進党候補がいなかったという背景もあるかもしれません。 それは地盤が弱い（与党系が強い）ことを意味しており、議員個人へのファンも少なく（是非はともかく）、そもそも勝てる見込みが無かった可能性があります。   そこで野党統一候補のメリットとデメリットを整理するため、11勝と21敗をそれぞれ以下の区分に振り分けてみることにしました。 4つの分け方。 この区分のミソは比較対象を2010年参院選にしていることです。 参院議員は任期6年ですから2013年と比較しても、いわゆる「議員票」がカウントできないのであまり意味がありません。（※大分選挙区、岡山選挙区など民主・自民で済み分かれている例は多い） 分類結果は以下の通りです。 赤く塗ったマスは野党統一のメリットです。野党統一戦術があったから勝てたと言えます。②の山形、新潟、青森のうち、山形がドはまりしたのは有名ですね。④は沖縄です。 一方、青く塗ったマスは野党統一のデメリットです。国会議員を務めていたのに（或いは地盤・看板・カバンを受け継いだのに）落選したということは、票が逃げた原因の1つとして民共合作を理由としてもいいでしょう。 党勢衰退の可能性もありますが。   野党統一候補のメリット・デメリットは差し引きマイナス1という結果になりました。本当に野党統一は「良策」なのでしょうか。 そもそも2010年参院選はアベノミクス真っ盛り、与党に最大の追い風が吹いていた選挙で、比較対象として最適とも思えず、私なら2勝29敗より8勝21敗を比較対象にします。 2010年は民進党が与党で、菅代表が消費増税を言い出して負けた選挙です。その結果と比べて、ほぼ横ばいとは。  ...

今回はデータジャーナリズムに挑戦します。 お題として、大阪人にとっては未だ記憶に新しい大阪都構想の是非を問う選挙（大阪市特別区設置住民投票のこと、以降は都構想選挙）を扱います。 ※そもそも大阪都構想って何だっけ？という方は、wikipediaのまとめを参照してください。   大阪都構想の調査・分析に挑むにあたり、２つのことを明らかにしたいと考えています。 １つは、データを使って何が起きたのかを「見て解る」ようにしたいと考えます。難しい論評を使わずとも、グラフだけで何が起きたかを表現する。それがデータを使う醍醐味です。 もう１つは、データを分析して大阪都構想が否決された理由を探したいと考えます。数字で物事を捉えて、論理的に考える。それが分析の醍醐味です。   都構想選挙のおさらい 2015年5月17日に行われた都構想選挙は、以下のような結果となりました。 当日の有権者数210万4076人中、投票したのは140万429人、投票率は66.83%と極めて高く、市長選挙に限定して言えば昭和38年（1963年）の68.14%まで遡る必要があり、ここ数十年の投票率の低さを考えると、関心の高さが伺えます。 結果としては反対派が僅差で勝利を収めましたが、その差は10,741票で総得票数の0.76%と薄氷の勝利でした。   一方で、区単位での票数を見ると、その景色は大きく異なります。 大阪市24区中、反対派の割合は41%から56%と幅広く、特定のデモグラフィックによる影響が伺えます。 特に南北で意見が分断されているように見えるので、これを「大阪南北格差」「大阪南北戦争」と揶揄した評論家もいました。   さらに、報道各社による年代別出口投票の結果を見ても、特定の偏りが表れています。 もっとも大規模な出口調査（市内24区投票所280カ所有権者1万77人が対象）を行った読売新聞社・読売テレビの調査結果を参考に票を作ると以下のようになりました。 70代以上が反対派多数を占める。 各年代で賛成派が反対派を上回っていますが、70代以上のみが反対派が大きく賛成派を上回っています。 今回の結果からして「シルバー民主主義の勝利」「老人が大阪と青年の未来を奪った」と嘆いた評論家もいました。   しかし、これらのデータを持って、そのように評価を下すのは正しいのでしょうか。 事実はひとつ、解釈は人それぞれ、真実は無限大と言いますが、私たちは人によって違う解釈を事実だと思い込んでいないでしょうか。   データで振り返る①「大阪南北格差」は本当か？ 大阪都構想選挙の結果に関して大阪南北格差問題を取り上げた論評としてもっとも有名なのは古谷経衡氏の以下のコンテンツだと思われます。 「大阪都構想住民投票」で浮き彫りになった大阪の「南北格差問題」 http://bylines.news.yahoo.co.jp/furuyatsunehira/20150518-00045813/ 要約すると、以下になるでしょうか。 ======================= ・大阪市北部は「賛」、大阪市南部は「否」と区分されている。大阪の北と南は、まるで「南北格差」の様に、街の情景が全く異なっている。 ・比較的所得水準が高く、都市の再開発も進んでいる「キタ」を中心とした大阪市北部と、高度成長時代の産業構造を転換することができず、成長から置き去りにされた、低所得地域が多い大阪市南部の格差である。 ・人民は貧しさの中、遠大で崇高な目標よりも、その日の晩飯を喰らう日銭を重視したのである。貧しすぎると人々は却って保守的になり、革命や改革は起こらない。 ======================= キタは栄えて東京にも負けていないが、ミナミは古い大阪のまま、ぼろっちい。それって金が無いからだろ？というわけですね。 しかし解らないのが、わたしは大阪市に四半世紀住んで大阪府内の南北格差は聞いたことがありますが、大阪市内の南北格差なんて聞いたことが無いのです。おそらく古谷氏が初めて言い出したのではないでしょうか。   データで証明していきましょう。...

みなさんこんにちは。前回のパインアメの分析に引き続き今回もマメ研に寄稿させていただくことになりました。 今回はテキストマイニングを使って歌詞の表現は年代によって異なるのかを分析してみたいと思います。   歌詞は時代を映す鏡 僕的には歌詞とはその時代を映し出す鏡のようなものだと思っています。 うまくは説明できないのですが、昔の曲を聴くとなんだか昔の曲だなぁなんて感じたり、最近の曲を聴くと「今はこういう曲が流行りだよね！」なんて感じたりします。 （ちなみに僕の生まれは１９９４年ですが、僕の感覚で「昔の曲」は９０年代くらいの曲になります。この記事を読んでくださっている方からしたら若いなぁて思われるのでしょうか…）   昔と比較するとかなり歌詞の内容が変わってきているのではないでしょうか。 さらにメロディーが加わるとものすごい変化がありそうです。 そこで、実際どのように歌詞が変化してきているのか、各年代でどんな特徴があるのかをテキストマイニングで分析してみたいと思います。   クラスタリングで年代を分類 まずはクラスタリングで、各年代を分類してみます。   年代によって歌詞が異なっていて、歌詞の表現が日々変化しているのであれば、各年が隣り合わせになるようなイメージが浮かびます。 近い年代の曲同士は歌詞の表現が似ているのではないでしょうか。2005年~2007年のクラスタ、2010年~2012年のクラスタなどなど。   実際にやってみましょう。 今回扱うデータは、僕の生まれた年である1994年〜2016年を対象に各年のシングル売上ランキング上位１０曲です。 各年代ごとに歌詞のデータをマージして、「1994.txt」「1995.txt」…としました。 Rでは「RMeCab」パッケージを用いて、テキストファイルを形態素に分解します。なんだかマメ研ではKH CoderやMeCabがお馴染みになってきたような気がします。 #パッケージの読み込み library(RMeCab) #データの読み込み data <- docMatrix(“merge”, pos = c(“動詞”,”形容詞”,”名詞”)) #不要なレコードの削除 data <- data[row.names(data) != “[[LESS-THAN-1]]”,] data <-...

突然ですが、マツコ・デラックスは好きですか? 私は、最初はただのおねえのコメンテーターぐらいにしか思ってなかったのですが、 テレビで見ない日はないし、だんだん小奇麗になってきているし、それっぽいこというし、 今はどちらかというと好きかも。 #そして、何といつの間にか2016年上半期のCM女王(?)になってるし。 この何とも思っていない人が好きに転じる現象ですが、 実は心理学が関係している!? かもしれません。   単純接触効果とは? ちょっと前だと剛力彩芽ちゃんとか、 今旬の高畑充希ちゃんとかもそうだと思うのですが、 メディアに取り上げられる機会が増えて、 最初は、ただ”ああ、新しい子やな”とか、 ”なんやこの子は”と思っていただけのものが 接触回数が多くなるほど、「好きになる」という状態につながります。 この効果は、心理学で「単純接触効果」と呼ばれるもので、 広告でもよくある現象です。 「単純接触効果」は、ザイアンスさんというアメリカの学者(生まれはポーランド)が 実験によって明らかにした感情と認知の関係性です。 ザイアンスさんが行った実験は、 未知の言語(漢字*1)を実験参加者(アメリカ人)に見せ、 その文字が良いか悪いかを判断してもらうものです。 コントロール(統制)条件は文字の表出頻度で、 表出頻度で感情が変わるかを実験しています。 結果は、「表出頻度が高い単語のほうが良いと判定されるケースが多かった」わけです。 では、実際に現実世界ではどうでしょうか? 好感度とメディアの露出度 現実世界での単純接触効果を見るために、 日本の女優さんに関する好感度とメディアの露出度の 関係性についてのデータを見ていきたいと思います。 まず、日経エンタテインメントで2016年のタレントパワーランキングを見ていきます。 女優さんのパワーランキングのリストは、下記の表の通りです。 パワーランキングは、女優さんの認知度と関心度から成り立っています。 つまり、知っているか知らないか、 見たいか見たくないかといった指標になりますが、 当然知らないと見たい見たくないといった判断はできないので、 パワーランキングは認知ありきではないかと思います。 このリストに、好感度得点と露出度得点を足していきます。 好感度は、ビデオリサーチさんが行っている...

本来は良い意味だったのに、いつの間にかスラング用語になった”意識高い系”。 鼻につく自己アピール、なぜかいつも上からマリコ、やたらと多いカタカナ用語、あなたの身近に当てはまる人はいませんか？ 私のような座高高い系は、意識高い系の自意識についていけずに一緒にいると凄く疲れます。自慢話ばかり聞かされて、もしかしてカンボジアは学校だらけなんじゃないかと疑ってしまう自分が嫌になります。   あぁ、盗聴器発見器のように、意識高い系発見器があればいいのに。 無ければ作ればいいじゃん！ということで、データサイエンスの力を駆使して作ってみました。   どうやって「意識高い系」を見抜くか？ 私は、本人の自覚が無いままに、その人の中に眠っている「意識高い系」を発見する機械が欲しいと思っています。 なので、あなたは「意識高い系ですか？」と聞いて「そうです」と回答する人をカウントしても面白くありません。それに、意識高い系は自分のことを意識高い系と言われることを毛嫌いしていますから、恐らく「はい」とは言わないでしょう。   そこで、ある質問に対して意識高い系は絶対にこう言うだろうというデータを作ってみたいと思います。 仕組みは連想ゲームを使います。 Aと聞けばBと思い浮かべる人は意識高い系、Cと思い浮かべる人は普通。つまり質問に対する回答で意識高い系かそうじゃないかを見極めるのです。   イメージ図。 意識高い系の回答集をどうやって作成するかですが、安心して下さい。ありますよ。 これ、俺の本やないかい！ドラッカーの本を意識高い大学生に優しく解説した本やないかい！ 発売前からセールス部隊が全国の大学生協に電話しまくって、生協取次に注文が殺到して「いったい何が起きているのか？」と話題になった本やないかい！！ この本がキッカケで国際教養大学やモンゴル大学でも講演ができて、おかげで無事に重版出来やわ！！！ この本は（どうやら）意識高い系にバカ売れした なぜなら意識高い系の心を掴んだからだ だから意識高い系の腑に落ちた どうやら意識高い系も普段から考えていることが載っている という論法で考えれば、この本をテキストマイニングすれば「Aと聞けばBという回答する人を意識高い系と見抜く」ためのデータが作れそうです。 ちなみに本自体は、こちらからお買い求め可能です。   松本健太郎 by G-Tools     ngramで意識高い系発見器を作る ngramとは情報理論の創始者として知られるクロード・エルウッド・シャノンが考え出した言語モデルです。bitの単位も彼が考え出しており、コンピュータ史には欠かせない一人です。 ngramモデルとは「ある文字列の中で、N個の文字列または単語の組み合わせが、どの程度出現するか」を調査する言語モデルを意味します。 例えば、その組み合わせの出現頻度が、単語1つの出現頻度のうち多くを占めていれば、それは「密接な関係にある」ことを指しています。 わかりやすいのはGoogleのサジェスト機能です。検索窓に「分析」と入力してスペースを選択すると、その次に入力されるであろう単語候補が登場します。   イメージ図。 これは、分析という単語に続いて入力されることが多い単語を表示しているのですが、このあたりの技術にngramの基礎理論が使われています。  ...

株式会社ロックオンには「企業理念の理解浸透、体現促進」を目的として理念プロジェクトなる体制があります（参考記事はコチラ）。 メンバーは2年の任期が設けられ、期間中は目的に準拠した活動をしています。 さて、その理念Pですが、4月の社員総会にて行われた引き継ぎ式で、気になる点がありました。それは。   そのとき表示されていたスライド 「おじさん枠」って何よ。 というか、畑（前回の内輪ネタの発信源の人）って「おじさん」なのか…？ 気になることは、数値化して検証するのがマメ研。ということで、調べてみました。   ロックオンで働く46人の男性を対象に調査してみた 今回はロックオンで働く46人の男性正社員（取締役含む）を対象に、ロックオンで働く女子20人に「お兄さんか？おじさんか？」を問うアンケートを取りました。 46人の社員たち。 ちなみに46人の年齢のヒストグラムは以下の通りです。30代が多くいます。私も30代前半区間に分類されます。おじさん・お兄さんの区分が難しい年代ですね。   ロックオン男性46人の年齢のヒストグラム（5歳区分） まず、アンケートデータを基に、年齢×”おじさん率”の散布図を作ってみました。 “おじさん率”とは、例えば松本（32歳）の場合、「お兄さんか？おじさんか？」というアンケートに対して20人中7人が「おじさんである」と回答しました。この場合、おじさん率は35%です。 46人分の結果は以下の通りです。   46人の「おじさん率」を年齢ごとにプロットした結果 年齢が上がることに、おじさん率が上がっています。典型的なロジスティック曲線に見えます。 30代後半から変化しているように見えるので、これを年代単位で集計してみました。その結果は以下の通りです。   5歳区分単位で、おじさんに見える割合を集計 20代後半は殆どの人にお兄さんと見られるものの、年を重ねるにつれてその傾向は下がっていきます。 やはり限界点は30代後半にありそうです。一気に”おじさん率”が上がっていますね。40代以降は、ほぼ「おじさん」と言ってもよさそうです。 ちなみに、松本は”30歳～34歳区分”にあって、平均以上におっさん率が高いことが解りました。せっかくライザップで痩せたのに…。 おっさんか、お兄さんかは体型よりも、日頃の言動（おっさん臭い言動。例えば「お疲れやまです的な」）に関係しているのかもしれません。   回答者と被験者の相対年齢から「おじさん率」を計算してみる ところで、先ほどの分析結果には大きな問題点があります。それは新入社員の女子から見た結果も、社会人10年目以上の女子から見た結果も一緒にしている点です。 年代単位でクロス集計してもいいのですが、回答者の年齢が2歳違うだけで回答結果が大きく異なっていたので、この微妙な差を表すため回答者と被験者の年齢差で、回答者の年代単位で集計することにしました。   2歳違うだけで「見え方」は全然違う、という例 この年齢差で見た「おじさんに見える率」は以下の通りです。   20代（平均年齢26.0歳）から見た、おじさんに見える割合を集計（2歳区分） 30代（平均年齢33.0歳）以上から見た、おじさんに見える割合を集計（2歳区分） 20代から見ると、およそ一回り上だと「おじさん率」が一気に高まります。非常にキレイな右肩上がり。 一方で30代は複雑な推移をしています。+1～+10歳の間で、割合が上がったり下がったりラジバンダリ。...

みなさん初めまして。マメアカ（マーケティングメトリックスアカデミー）生の内藤勇之助と申します。 今回は、Twitterのデータを用いてネガポジ判定（テキストマイニングの１つ）に挑戦してみたいと思います。 所長から「せっかくなので大阪にまつわるもの」ということであったので、パインアメでおなじみ、公式アカウントの中でも「攻めすぎている」と話題のパイン株式会社さん公式アカウントとしました！ ゆるふわ～な感じがとっても好きなんで( ´◎｀)ｽｰ。   ネガポジ判定とは？ ネガポジ判定とは、簡単に言うと人の発言などが前向き（ポジティブ）か後向き（ネガティブ）なのかを判定することです。 「今日は楽しむぞ！」という前向きな発言であればポジティブ、「今日はダメだ」という後ろ向きな発言であればネガティブという判定がされます。 Twitterでは、ユーザが自分の思いや発言を自由に投稿することができます。 つまり、ある程度、つぶやいた人の「素」のネガポジ判定をすることができると思います。 公式アカウントでゆる～くつぶやいているとされるマッキーさん、どんな人かは解らないのですが、ポジティブ発言が多そうです。   データはRの「twitteR」というパッケージを用いて取得しました。3月15日〜4月5日までの850程度のツイートデータです。 ツイート内に含まれる画像のリンクやハッシュタグ、アカウント名などは除外して分析することにしました。   基本的な集計 まずは基本的な集計をして、パインアメのアカウントを分析してみましょう。   # インストール install.packages(c("twitteR", "ROAuth")) library(twitteR) library(ROAuth) （セットアップ関連は除く） # ユーザのタイムライン取得 tweets<-twListToDF(userTimeline(user="pain_ame",n=3200))tweets<-within(tweets,{ # JSTに変換 attr(created,"tzone")<-"Asia/Tokyo" # HTMLタグ削除 statusSource<-factor(gsub("(.*?)","\\1",statusSource)) date<-factor(format(created,"%Y-%m-%d"))#日にち hour<-NULL; month<-NULL; year<-NULL; wday<-NULL...

GENKINGに「リアルじゃない」と評価されたGoogleの検索結果。 「お前さん10代じゃねーだろ」というツッコミやGENKINGのポジショントークと間引いて見て適切かはともかく、マメ研も便乗してGoogleにまつわる「リアルじゃない話」を今回は取り上げます。 それは検索結果順位とCTRは反比例しており、順位は高ければ高いほど良いとする以下のグラフについてです。   よく見る、順位が下がることにCTRも下がると言われるグラフ。 はたして、このグラフは本当なのでしょうか？週次で当サイトのSEO対策を施している所長としては、違和感覚えまくりすてぃー。なんです。   当サイトのCTR×掲載順位は？ GoogleSearchConsoleからDLした、2015年08月24日週から2016年02月08日週までの25週分のデータを使って確認していきます。 まずは25週分のクエリ毎の表示回数、クリック数を、順位単位で集約してみました。そして、その集約した結果でCTRを割り出します。   順位毎に集約した結果。 折れ線グラフで表すと以下の通りです。   マメ研サイトの順位×CTR 当マメ研サイトも御多分に洩れず、横軸の順位に対して縦軸のCTRが指数的に減衰しています。 面白いのは10位まで減衰したCTRが、11位以降に再び上昇していることでしょうか。   これだけを見ると、先ほど紹介したグラフと何ら変わりません。 しかし注意すべきは「データを順位毎に集約した」ことです。 つまり人気が無くなった（表示回数は減った）けど順位は高い（Googleに評価されている）阪神ネタも、人気がある（表示回数は多い）けど順位は低い（競合が多い）競馬ネタも、順位という縛りで集約しているため、まさに「リアルじゃない」のです。 そこで25週分のデータを一列に並べ、順位とCTRの散布図を作成してみました。   横軸は順位、縦軸はCTR 思っていたのと違う結果です。どの順位でもCTR100%がありますね。ロングテールで見ると表示回数1回、クリック数1回というものがあるのでしょう。 結果として、指数的な曲線にはなりませんでした。（若干、指数的な曲線に見えないことも無い、ぐらいのレベル）   むしろ、クリック数と掲載順位の方が指数的な曲線を描く散布図となりました。   横軸は順位、縦軸はクリック数。 ちなみに、40位で跳ねている点がありますが、これは「有馬記念」です。   評価するならCTRで見てはならない？見逃される「トレンド」 順位が下がるたびにクリック数も下がるのは、ある意味で当然です。順位が高い＝クリックされやすいのですから。この法則が崩れれば、何のためにSEO対策やっているのかわからなくなります。 一方で、CTR×掲載順位のグラフを見ると、順位が高い=CTRが高いとは言えないことがわかります。 つまり順位と分母の表示回数は必ずしも連動していない、ということです。   よく考えてみると当たり前の話ですよね。表示回数は、そのページが扱っているキーワードの検索量とトレンドに左右されます。 わかりやすいのが「競馬」です。 キーワードツールで「有馬記念」と検索すると、およその検索量がわかります。そして、ほとんどの検索が12月に行われていることがわかります。この偏りがトレンドです。...

前回（本当に痩せてるの？重回帰分析でダイエットの成功を予測する）の記事の続きです。   ダイエットのため、ライザップに3ヶ月通ったマメ研所長・松本ははたして何キロ痩せたでしょうか。 峯岸みなみはライザップに通って「くびれ」を手に入れたようですが、松本は何を手に入れたのでしょうか。 ※ちなみにこのコンテンツはライザップの記事広告ではありません！念のため！   ライザップに通ってどれくらい痩せたのか？ まず、ダイエット前後の体型比較をします。     この変化。   ライザップでのダイエットは成功と言えるでしょう。 ちなみに、生まれて初めて腹斜筋が見えるようになりました。ライザップの肉体改造のおかげです。峯岸みなみはくびれを、松本は腹斜筋を手に入れたわけです。   さて、ライザップに通うこと3ヶ月、体重・体脂肪がどのように落ちていったか、以下のグラフにまとめてみました。 3か月の推移 年末年始の5日間は休んだものの、順調に減量に成功しました。 一方で体脂肪率は苦戦しました。ただし率でおよそ変化していないなくても体重自体は減っているので、脂肪自体は減っています。   月単位の経過を見てみると最初の1ヶ月が凄まじく、残り2ヶ月は何だか緩やかにも見えます。 ただし85キロのデブが1キロ落とすのと、73キロのポッチャリが1キロ落とすのは訳が違います。なぜなら落とせる”余分な体重”に差があるからです。 つまり「減量」は絶対量で見るのではなく、割合（分子÷分母）で見る必要があります。 分子は「前日と比べて何キロ落ちたか？」、分母は”余分な体重”すなわち「現体重-適正体重」です。松本は身長が174センチなので、体重66.6キロが適正体重になります。 適正体重に近付くにつれ、自然と減量も落ちるはずですが、落ちていく割合は同じだと思うのです。その推移は以下の通りです。 体重減少”割合” 赤線より上は昨日より増量、下は昨日より減量を表しています。かなり乱高下していますね。全体の平均は-1.25%、標準偏差は5.12%でした。 体重は、いつ測るか、昨日何食べたか、ウンコが出ているか等、様々な影響を受けると思いますから、たった1日だけで判断し辛い点があります。 ライザップで苦しい肉体改造に励んでいるのに0.1キロも痩せてない！なんて日はよくありました。 ですから、こうした誤差に影響されない「中期」のトレンドを見るために、移動平均を使って「短期」のトレンドを打ち消してみましょう。   3地点（3日間）と7地点（1週間）の単純移動平均線を算出してみました。以下の通りです。 3地点、7地点の移動平均線 かなり平滑化されました！ 3地点の平均は-1.02%、標準偏差は2.31%。7地点だと平均は-0.96%、標準偏差は1.08%となりました。 つまり「最適体重に向けて1日約1%ずつ痩せている」のです。順調なダイエットだったと言えるでしょう。   ダイエットは脂肪と筋肉で分けて考える 私見ですが、ダイエットを成功に導くなら、体重を「脂肪」と「筋肉」に分けて考えることをお勧めします。 なぜ私たちがダイエットをしたいかと言えば、締まりの無い腹やプニプニの二の腕を引き締めたいからです。すなわち脂肪の燃焼です。...