- ベイズ統計の基本概念（事前分布、事後分布、ベイズ更新）を理解する
- PyMC最新版で基本的な統計モデルを構築できる
- MCMC収束診断ができる
- 階層ベイズモデルを不動産データに適用できる
- Bayesian A/Bテストを設計・実装できる
使用教材
主教材
- 導入書: 「史上最強図解 これならわかる！ベイズ統計学」（図書館）
- 数式を最小限に、直感的にベイズを理解
- Week 1で集中的に読破（1週間で完読可能）
- 実装教材: Udemy「PyMCで学ぶ実践ベイズ統計モデリング」（購入済み）
- PyMC最新版対応（2025年6月更新）
- 動画で手を動かしながら学習
- Week 1から並行して視聴開始
- 補助教材: PyMC公式ドキュメント（無料）
- https://www.pymc.io/
- 最新機能の確認、トラブルシューティング用
- Phase 1で因果推論の基礎を習得済みであること
- Python環境（Google Colab or ローカル）が動作すること
- Pandas/NumPyの基本操作ができること
- Udemy講座を購入済みであること
- 図書館で「史上最強図解 ベイズ統計学」を借用済み、または借用予約済み
Week 1: ベイズ統計の直感的理解
- ベイズの定理を直感的に理解し、自分の言葉で説明できる
- 事前分布、事後分布、尤度の関係を図解できる
- PyMC環境を構築し、最初のベイズモデルを動かす
- 頻度論とベイズ統計の違いを理解する
月曜日（3時間）
- 午前（1.5時間）: 史上最強図解 第1章「ベイズ統計とは」
- 頻度論 vs ベイズ統計の違い
- 確率を「信念の度合い」として捉える
- 具体例: 病気診断での応用
- 午後（1.5時間）: 第2章「ベイズの定理」
- 条件付き確率の復習
- ベイズの定理の導出
- 数値例で計算練習
ベイズの定理は「事前の信念 + 新しいデータ = 更新された信念」という構造。不動産の例で考えると：
- 事前: 「駅近物件は人気だろう」（経験則）
- データ: 実際の問い合わせデータ
- 事後: 「やはり駅近は問い合わせが1.5倍多い」（データで確信度UP）
火曜日（3時間）
- 午前（1.5時間）: 史上最強図解 第3章「事前分布と事後分布」
- 事前分布の選び方
- 共役事前分布とは
- 無情報事前分布 vs 情報事前分布
- 午後（1.5時間）: Udemy講座 Section 1「ベイズ統計の基礎」
- 動画で理論を復習
- 具体例で理解を深める
- ノートにまとめ直す
水曜日（3時間）
- 午前（1.5時間）: 史上最強図解 第4-5章
- ベイズ更新の仕組み
- 逐次学習の概念
- 午後（1.5時間）: PyMC環境構築
- PyMCインストール
- ArviZインストール（可視化用）
- 動作確認
PyMC環境構築コード
!pip install pymc arviz
# ローカル環境の場合（conda推奨）
# conda install -c conda-forge pymc arviz
# 動作確認
import pymc as pm
import arviz as az
import numpy as np
import matplotlib.pyplot as plt
print(f"PyMC version: {pm.__version__}")
print(f"ArviZ version: {az.__version__}")
# 簡単なモデルで動作確認
with pm.Model() as test_model:
mu = pm.Normal('mu', mu=0, sigma=1)
trace = pm.sample(1000, return_inferencedata=True)
az.plot_trace(trace)
plt.tight_layout()
plt.show()
print("✅ PyMC環境構築完了！")
木曜日（3時間）
- 全日（3時間）: Udemy講座 Section 2「PyMCの基礎」
- PyMCの基本文法
- 確率分布の指定方法
- 最初のベイズモデル実装
初めてのベイズ推定: コイントスの例
import arviz as az
import numpy as np
# データ: 10回投げて7回表
n_trials = 10
n_heads = 7
with pm.Model() as coin_model:
# 事前分布: 表が出る確率（0から1の一様分布）
p = pm.Uniform('p', lower=0, upper=1)
# 尤度: 二項分布
obs = pm.Binomial('obs', n=n_trials, p=p, observed=n_heads)
# サンプリング
trace = pm.sample(2000, return_inferencedata=True,
random_seed=42)
# 結果の確認
az.summary(trace, var_names=['p'])
# 可視化
az.plot_posterior(trace, var_names=['p'])
plt.title('表が出る確率の事後分布')
plt.show()
print(f"推定された確率: {trace.posterior['p'].mean():.3f}")
print(f"95%信用区間: {az.hdi(trace, var_names=['p'])}")
- 事前分布（Uniform）: 何も知らない状態では、どの確率も等しくありうる
- 尤度（Binomial）: 実際に観測されたデータ（7/10）
- 事後分布: 事前 × 尤度 ∝ 事後（ベイズの定理）
- 結果: 95%信用区間は約[0.40, 0.93]。0.5（公正なコイン）も含まれるので、まだ断定できない
金曜日（3時間）
- 全日（3時間）: Udemy講座 Section 3「ベイズ線形回帰」
- 通常の線形回帰との違い
- パラメータの不確実性を考慮
- PyMCでの実装
不動産データでのベイズ線形回帰
import arviz as az
import pandas as pd
import numpy as np
# シミュレーションデータ（不動産価格予測）
np.random.seed(42)
n = 100
area = np.random.uniform(30, 100, n) # 面積（㎡）
true_price = 50 + 2 * area + np.random.normal(0, 10, n) # 真の関係
data = pd.DataFrame({
'area': area,
'price': true_price
})
# ベイズ線形回帰
with pm.Model() as bayesian_regression:
# 事前分布
alpha = pm.Normal('alpha', mu=0, sigma=50) # 切片
beta = pm.Normal('beta', mu=0, sigma=10) # 傾き
sigma = pm.HalfNormal('sigma', sigma=20) # 誤差の標準偏差
# 線形予測子
mu = alpha + beta * data['area']
# 尤度
price_obs = pm.Normal('price_obs', mu=mu, sigma=sigma,
observed=data['price'])
# サンプリング
trace = pm.sample(2000, return_inferencedata=True,
target_accept=0.95, random_seed=42)
# 結果サマリー
print(az.summary(trace, var_names=['alpha', 'beta', 'sigma']))
# 可視化
az.plot_trace(trace, var_names=['alpha', 'beta', 'sigma'])
plt.tight_layout()
plt.show()
# 事後予測分布
with bayesian_regression:
ppc = pm.sample_posterior_predictive(trace, random_seed=42)
# 予測の可視化
plt.figure(figsize=(10, 6))
plt.scatter(data['area'], data['price'], alpha=0.5, label='観測値')
# 事後平均での予測線
area_range = np.linspace(30, 100, 100)
alpha_mean = trace.posterior['alpha'].mean()
beta_mean = trace.posterior['beta'].mean()
plt.plot(area_range, alpha_mean + beta_mean * area_range,
'r-', linewidth=2, label='予測（事後平均）')
# 95%予測区間
pred_samples = ppc.posterior_predictive['price_obs'].values.reshape(-1, n)
pred_lower = np.percentile(pred_samples, 2.5, axis=0)
pred_upper = np.percentile(pred_samples, 97.5, axis=0)
plt.fill_between(data['area'], pred_lower, pred_upper,
alpha=0.2, color='red', label='95%予測区間')
plt.xlabel('面積（㎡）')
plt.ylabel('価格（万円）')
plt.legend()
plt.title('ベイズ線形回帰による不動産価格予測')
plt.show()
| 項目 | 頻度論 | ベイズ |
|---|---|---|
| パラメータ | 固定値（点推定） | 確率分布 |
| 不確実性 | 信頼区間（解釈が難しい） | 信用区間（直感的） |
| 事前知識 | 使えない | 事前分布で組み込める |
| 予測 | 点予測のみ | 予測分布（幅を持つ） |
土日（各2-3時間）
- 土曜: Week 1の総復習
- ベイズの定理を自分の言葉でまとめる
- 実装したコードを読み直し
- つまずいたポイントの再確認
- 日曜: 実践演習
- 自分で簡単なデータを作成
- ベイズ回帰モデルを一から実装
- 結果の解釈レポート作成
Week 1 完了チェックリスト
Week 2: MCMCサンプリングと収束診断
- MCMCサンプリングの仕組みを理解する
- 収束診断（Rhat, ESS）ができる
- 事後分布の可視化と解釈ができる
- 複数のモデルを比較できる
月曜日（3時間）
- 午前（1.5時間）: 史上最強図解 第6章「MCMC入門」
- なぜMCMCが必要か
- マルコフ連鎖の基礎
- メトロポリス・ヘイスティングス法
- 午後（1.5時間）: Udemy講座 Section 4「MCMC サンプリング」
- NUTSサンプラーとは
- ウォームアップ（tune）の役割
- チェーン数の設定
ベイズ統計では事後分布を求めたいが、多くの場合、解析的に計算できない。そこで、事後分布から「サンプリング」することで近似的に分布を得る。これがMCMCの役割。
例: 不動産価格モデルで、切片、傾き、誤差の3つのパラメータの同時分布を求める場合、解析解はないが、MCMCで2000サンプル取得すれば、事後分布を近似できる。
火曜日（3時間）
- 全日（3時間）: 収束診断の実践
- Rhat（R-hat）統計量の理解
- Effective Sample Size (ESS)
- トレースプロットの見方
収束診断のコード例
import arviz as az
import numpy as np
# わざと収束しにくいモデルを作る（学習用）
np.random.seed(42)
y = np.random.normal(100, 15, 50)
with pm.Model() as convergence_test:
# 事前分布を極端に設定（収束の問題を確認）
mu = pm.Normal('mu', mu=0, sigma=1000) # 広すぎる事前分布
sigma = pm.HalfNormal('sigma', sigma=1000)
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=y)
# サンプリング（意図的に少なめ）
trace_bad = pm.sample(500, tune=500, chains=2,
return_inferencedata=True)
# 収束診断
print("=== 収束診断結果 ===")
summary = az.summary(trace_bad, var_names=['mu', 'sigma'])
print(summary)
# トレースプロット
az.plot_trace(trace_bad, var_names=['mu', 'sigma'])
plt.suptitle('収束が不十分な例', fontsize=16)
plt.tight_layout()
plt.show()
# より良い設定で再サンプリング
with convergence_test:
trace_good = pm.sample(2000, tune=1000, chains=4,
target_accept=0.95,
return_inferencedata=True)
print("\n=== 改善後の収束診断 ===")
summary_good = az.summary(trace_good, var_names=['mu', 'sigma'])
print(summary_good)
az.plot_trace(trace_good, var_names=['mu', 'sigma'])
plt.suptitle('収束が良好な例', fontsize=16)
plt.tight_layout()
plt.show()
| 指標 | 良好な値 | 問題あり | 対処法 |
|---|---|---|---|
| Rhat (R̂) | < 1.01 | > 1.01 | サンプル数増、チェーン数増、事前分布見直し |
| ESS (bulk) | > 400 | < 400 | サンプル数増、target_accept調整 |
| ESS (tail) | > 400 | < 400 | 同上 |
| Divergences | 0 | > 0 | target_accept=0.99、パラメータ変換 |
水曜日（3時間）
- 全日（3時間）: Udemy講座 Section 5「事後分布の可視化」
- ArviZの各種プロット機能
- HDI（Highest Density Interval）の理解
- 事後予測チェック（PPC）
ArviZによる可視化の完全ガイド
import arviz as az
import numpy as np
import matplotlib.pyplot as plt
# サンプルデータ
np.random.seed(42)
treatment = np.random.normal(105, 15, 100)
control = np.random.normal(100, 15, 100)
data = np.concatenate([treatment, control])
group = np.array([1]*100 + [0]*100)
# ベイズt検定モデル
with pm.Model() as bayesian_ttest:
# グループ別の平均
mu_control = pm.Normal('mu_control', mu=100, sigma=20)
mu_treatment = pm.Normal('mu_treatment', mu=100, sigma=20)
# 共通の標準偏差
sigma = pm.HalfNormal('sigma', sigma=20)
# 効果量（Cohen's d）
effect_size = pm.Deterministic('effect_size',
(mu_treatment - mu_control) / sigma)
# 尤度
mu = pm.math.switch(group == 1, mu_treatment, mu_control)
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=data)
# サンプリング
trace = pm.sample(2000, return_inferencedata=True,
random_seed=42)
# 1. 事後分布のプロット
az.plot_posterior(trace, var_names=['mu_control', 'mu_treatment',
'effect_size'],
hdi_prob=0.95)
plt.tight_layout()
plt.show()
# 2. トレースプロット
az.plot_trace(trace, var_names=['mu_control', 'mu_treatment'])
plt.tight_layout()
plt.show()
# 3. ペアプロット（相関確認）
az.plot_pair(trace, var_names=['mu_control', 'mu_treatment', 'sigma'],
kind='kde')
plt.tight_layout()
plt.show()
# 4. 森プロット（複数パラメータ比較）
az.plot_forest(trace, var_names=['mu_control', 'mu_treatment'])
plt.tight_layout()
plt.show()
# 5. 事後予測チェック
with bayesian_ttest:
ppc = pm.sample_posterior_predictive(trace, random_seed=42)
az.plot_ppc(ppc, data_pairs={"obs": "obs"})
plt.title('事後予測チェック')
plt.show()
# 6. エネルギープロット（収束診断の高度版）
az.plot_energy(trace)
plt.show()
# 7. 自己相関プロット
az.plot_autocorr(trace, var_names=['mu_control', 'mu_treatment'])
plt.tight_layout()
plt.show()
木曜日（3時間）
- 午前（1.5時間）: HDIと信用区間の理解
- 午後（1.5時間）: 実践演習
- 不動産データで複数モデルの比較
- 結果の解釈レポート作成
事後分布の中で、最も確率密度が高い領域を示す区間。95% HDIは「真の値が95%の確率でこの範囲にある」と直感的に解釈できる（頻度論の信頼区間とは異なる）。
- 例: 駅距離の効果の95% HDIが[5, 15]万円なら、「駅から1分遠くなると、価格が5〜15万円下がる確率が95%」
- 意思決定: HDIが0を含まない場合、効果があると判断できる
金曜日（3時間）
- 全日（3時間）: Udemy講座 Section 6「モデル選択」
- WAIC（広く適用可能な情報量基準）
- LOO（Leave-One-Out交差検証）
- モデル比較の実践
モデル比較の実装例
import arviz as az
import numpy as np
# データ
np.random.seed(42)
x = np.linspace(0, 10, 100)
y = 2 + 3*x + 0.5*x**2 + np.random.normal(0, 2, 100)
# モデル1: 線形モデル
with pm.Model() as model1:
alpha = pm.Normal('alpha', 0, 10)
beta1 = pm.Normal('beta1', 0, 10)
sigma = pm.HalfNormal('sigma', 5)
mu = alpha + beta1 * x
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=y)
trace1 = pm.sample(2000, return_inferencedata=True)
# モデル2: 2次モデル
with pm.Model() as model2:
alpha = pm.Normal('alpha', 0, 10)
beta1 = pm.Normal('beta1', 0, 10)
beta2 = pm.Normal('beta2', 0, 10)
sigma = pm.HalfNormal('sigma', 5)
mu = alpha + beta1 * x + beta2 * x**2
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=y)
trace2 = pm.sample(2000, return_inferencedata=True)
# モデル3: 3次モデル（過剰適合の例）
with pm.Model() as model3:
alpha = pm.Normal('alpha', 0, 10)
beta1 = pm.Normal('beta1', 0, 10)
beta2 = pm.Normal('beta2', 0, 10)
beta3 = pm.Normal('beta3', 0, 10)
sigma = pm.HalfNormal('sigma', 5)
mu = alpha + beta1 * x + beta2 * x**2 + beta3 * x**3
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=y)
trace3 = pm.sample(2000, return_inferencedata=True)
# モデル比較
comparison = az.compare({'Linear': trace1,
'Quadratic': trace2,
'Cubic': trace3})
print(comparison)
# 可視化
az.plot_compare(comparison)
plt.tight_layout()
plt.show()
- WAIC/LOO値: 小さいほど良いモデル
- dWAIC/dLOO: 最良モデルとの差。0なら最良
- weight: モデルの重み。高いほど推奨
- SE: 標準誤差。dがSEの2倍以上なら、有意に異なる
例: 上記の例では、Quadratic（2次）モデルが最良。Linearは単純すぎ、Cubicは過剰適合の可能性。
土日（各3時間）
- 土曜: 総合演習
- 不動産データで3つのモデルを構築
- 収束診断、可視化、モデル比較を実施
- 最良モデルを選択し、理由を説明
- 日曜: Week 2振り返り
- MCMC、収束診断の復習
- つまずいたポイントの整理
- Week 3の予習（階層ベイズ）
Week 2 完了チェックリスト
Week 3: 階層ベイズモデル
- 階層構造の概念を理解する
- 部分プーリングの効果を体感する
- 不動産データでエリア別・物件タイプ別の階層モデルを構築する
- 固定効果 vs ランダム効果を使い分けられる
月曜日（3時間）
- 全日（3時間）: Udemy講座 Section 7「階層ベイズモデル」
- 階層構造とは
- 完全プーリング vs 部分プーリング vs プーリングなし
- 収縮（shrinkage）効果
不動産マーケティングでの具体例:
- エリア別の効果推定: 23区すべてのエリアで広告効果を知りたいが、サンプル数がエリアごとに異なる
- 問題: サンプルの少ないエリアでは推定が不安定
- 解決: 階層ベイズで「全体の傾向」から情報を借りることで、少ないサンプルでも安定した推定が可能
火曜日（3時間）
- 全日（3時間）: 完全プーリング vs 部分プーリングの比較実装
3つのアプローチの比較
import arviz as az
import pandas as pd
import numpy as np
# シミュレーションデータ: 5つのエリアでの問い合わせ数
np.random.seed(42)
areas = ['渋谷区', '新宿区', '港区', '世田谷区', '目黒区']
n_samples = [50, 30, 80, 20, 40] # エリアごとにサンプル数が異なる
data = []
true_means = [100, 95, 110, 90, 105] # 真の平均
for area, n, true_mean in zip(areas, n_samples, true_means):
inquiries = np.random.poisson(true_mean, n)
data.extend([{'area': area, 'inquiries': inq} for inq in inquiries])
df = pd.DataFrame(data)
# カテゴリ変数を数値に変換
area_idx, area_names = pd.factorize(df['area'])
n_areas = len(area_names)
# アプローチ1: プーリングなし（エリアごとに独立推定）
with pm.Model() as no_pooling:
mu = pm.Normal('mu', mu=100, sigma=20, shape=n_areas)
obs = pm.Poisson('obs', mu=mu[area_idx], observed=df['inquiries'])
trace_no_pool = pm.sample(2000, return_inferencedata=True)
# アプローチ2: 完全プーリング（全エリア同じと仮定）
with pm.Model() as complete_pooling:
mu_global = pm.Normal('mu_global', mu=100, sigma=20)
obs = pm.Poisson('obs', mu=mu_global, observed=df['inquiries'])
trace_complete = pm.sample(2000, return_inferencedata=True)
# アプローチ3: 部分プーリング（階層ベイズ）
with pm.Model() as partial_pooling:
# 超パラメータ（全体の傾向）
mu_global = pm.Normal('mu_global', mu=100, sigma=20)
sigma_areas = pm.HalfNormal('sigma_areas', sigma=20)
# エリア別パラメータ（部分プーリング）
mu = pm.Normal('mu', mu=mu_global, sigma=sigma_areas, shape=n_areas)
obs = pm.Poisson('obs', mu=mu[area_idx], observed=df['inquiries'])
trace_partial = pm.sample(2000, return_inferencedata=True)
# 結果の比較
fig, axes = plt.subplots(1, 3, figsize=(15, 5))
for i, (trace, title) in enumerate([
(trace_no_pool, 'プーリングなし'),
(trace_complete, '完全プーリング'),
(trace_partial, '部分プーリング（階層ベイズ）')
]):
ax = axes[i]
if title == '完全プーリング':
mu_samples = trace.posterior['mu_global'].values.flatten()
means = [mu_samples.mean()] * n_areas
hdi = az.hdi(trace, var_names=['mu_global'], hdi_prob=0.95)
hdi_low = [hdi['mu_global'].values[0]] * n_areas
hdi_high = [hdi['mu_global'].values[1]] * n_areas
else:
means = trace.posterior['mu'].mean(dim=['chain', 'draw']).values
hdi = az.hdi(trace, var_names=['mu'], hdi_prob=0.95)
hdi_low = hdi['mu'].values[:, 0]
hdi_high = hdi['mu'].values[:, 1]
ax.plot(range(n_areas), true_means, 'ro-', label='真の値', markersize=10)
ax.plot(range(n_areas), means, 'bs-', label='推定値', markersize=8)
ax.fill_between(range(n_areas), hdi_low, hdi_high, alpha=0.3)
ax.set_xticks(range(n_areas))
ax.set_xticklabels(area_names, rotation=45)
ax.set_ylabel('問い合わせ数')
ax.set_title(title)
ax.legend()
ax.grid(alpha=0.3)
plt.tight_layout()
plt.show()
print("\n=== サンプル数の少ないエリア（世田谷区）の推定精度比較 ===")
print(f"真の値: {true_means[3]}")
print(f"プーリングなし: {trace_no_pool.posterior['mu'].mean(dim=['chain', 'draw']).values[3]:.1f}")
print(f"完全プーリング: {trace_complete.posterior['mu_global'].mean():.1f}")
print(f"部分プーリング: {trace_partial.posterior['mu'].mean(dim=['chain', 'draw']).values[3]:.1f}")
- プーリングなし: サンプル少ないエリアで推定が不安定
- 完全プーリング: エリア差を無視してしまう
- 部分プーリング: エリア差を考慮しつつ、全体の傾向から情報を借りて安定化 ✅
水曜〜金曜（各3時間）
- 水曜: エリア × 物件タイプの2階層モデル
- 木曜: 時変効果を含む階層モデル
- 金曜: 実データでの総合演習
2階層モデルの実装
import pymc as pm
import arviz as az
import pandas as pd
import numpy as np
# データ準備
np.random.seed(42)
areas = ['渋谷区', '新宿区', '港区']
types = ['マンション', '戸建て']
data = []
for area_i, area in enumerate(areas):
for type_i, ptype in enumerate(types):
n = np.random.randint(20, 50)
# エリアと物件タイプの効果
base = 100 + area_i * 10 + type_i * 5
price = np.random.normal(base, 10, n)
for p in price:
data.append({'area': area, 'type': ptype, 'price': p})
df = pd.DataFrame(data)
# カテゴリを数値化
area_idx, area_names = pd.factorize(df['area'])
type_idx, type_names = pd.factorize(df['type'])
n_areas = len(area_names)
n_types = len(type_names)
# 階層モデル
with pm.Model() as hierarchical_model:
# 全体の平均
mu_global = pm.Normal('mu_global', mu=100, sigma=20)
# エリア効果の階層
sigma_area = pm.HalfNormal('sigma_area', sigma=10)
mu_area = pm.Normal('mu_area', mu=0, sigma=sigma_area, shape=n_areas)
# 物件タイプ効果の階層
sigma_type = pm.HalfNormal('sigma_type', sigma=10)
mu_type = pm.Normal('mu_type', mu=0, sigma=sigma_type, shape=n_types)
# 組み合わせ効果
mu = pm.Deterministic('mu',
mu_global + mu_area[area_idx] + mu_type[type_idx])
# 誤差
sigma = pm.HalfNormal('sigma', sigma=10)
# 尤度
obs = pm.Normal('obs', mu=mu, sigma=sigma, observed=df['price'])
# サンプリング
trace = pm.sample(2000, return_inferencedata=True,
target_accept=0.95)
# 結果の可視化
az.plot_forest(trace, var_names=['mu_area', 'mu_type'])
plt.tight_layout()
plt.show()
print(az.summary(trace, var_names=['mu_global', 'mu_area', 'mu_type',
'sigma_area', 'sigma_type']))
土日（各3時間）
- 土曜: Week 3総復習
- 階層ベイズの概念整理
- 実装コードの復習
- 日曜: ケーススタディ
- 自社データで階層モデル構築
- 結果レポート作成
Week 3 完了チェックリスト
Week 4: Bayesian A/Bテストと一般化線形モデル
- Bayesian A/Bテストを設計・実装できる
- 頻度論のA/Bテストとの違いを理解する
- ロジスティック回帰、ポアソン回帰を実装できる
- 不動産マーケティングでの実践的な応用ができる
月曜日（3時間）
- 全日（3時間）: Udemy講座 Section 8「Bayesian A/Bテスト」
- 従来のA/Bテストの問題点
- ベイズアプローチの利点
- 早期終了（early stopping）の可能性
- 直感的な解釈: 「Aが優れている確率は85%」と言える
- 事前知識の活用: 過去のテスト結果を事前分布に反映
- 逐次分析: データ収集中に途中確認してもOK
- 損失関数: ビジネス的な損失を組み込める
- 不確実性の定量化: 「差が5〜10%ある」と幅を持って表現