![Stanコード（ARモデル）
data {
int<lower=0> N;
real y[N];
}
parameters {
real alpha;
real beta;
real<lower=0> sigma;
}
model {
for (n in 2:N)
y[n] ~ normal(alpha+beta*y[n-1],sigma);
}](https://image.slidesharecdn.com/random-170402135611/85/-15-320.jpg)
情动统制课题の実施によるアパシー倾向への影响
- 2. 目的 ? アパシー＝普通なら感情が動かされる刺激対象に対して関心がわかない状 態。 ? アパシー関係の非薬物療法の研究：在宅パーキンソン病患者関係のものな ど。 ? 在宅パーキンソン患者(以下、PD)では，介入により変容可能な自己効力感 を先行的に高めることによってアパシー傾向が改善する可能性が示唆。 ? また，先行的にアパシー傾向を改善する方策を実施することが自己効力感 を高めることにつながることも推察(盛田?神成,2016)。
- 3. ? アパシー傾向の改善には、短期的なリハビリで大きな変化は望めず、長期 的な環境設定の継続がアパシー傾向改善には重要であることが示唆 (船 山,2014)。 ? しかし、リハビリテーションの具体的な内容については言及されておらず、 今後の更なる検討の余地を残している。
- 4. ? アパシーについての非薬物療法的な関わりとして、行動的―情動的自己調 整機能についての認知矯正法的アプローチを考えたい。 ? 行動的―情動的自己調整機能の責任回路は腹内側前頭前皮質とされており、 アパシーの3類型の1つである「自己活性化(自己賦活)障害により行動化そ のものが障害されているアパシー」の責任回路ともされ、以上により両者 の責任回路は同様のものとわかる。 ? 腹内側前頭前皮質の脳神経活動の１つに、前述した個人の行動に対する情 動的な結果の理解や行動の自己制御がある。
- 6. 言い訳 ? 本来はアパシーの診断を受けている人を対象にすることが望ましいんだけど… ? 周囲にいません ? 先行研究では「アパシー傾向」を対象としているので、本件も心理尺度でアパシー傾 向を測る方向で。 ? 複数人に、数多くの回答を求めるのが最も望ましいんですが… ? 今回は少ない回答数?一人の被験者での試み ? そこの欠点をカバーするために、ベイズ推定を用いてみた。
- 9. 分析方法： ? 情動統制課題による介入前後のデータをもとに、MCMCにより事後分布 に従う乱数を発生させた。 ? その乱数を用いてマルコフ転換モデルを用いて効果の推定を行った。 ? マルコフ転換モデルとは、途中で状態が変化する時系列モデルの１つで、 自己回帰等の過程そのものが変化する場合を検出し、モデリングを行う手 法である。
- 10. ? 母数の事前情報を推定に用いる目的や，サンプルサイズが少ない場合にもそれに 直接影響されない母数推定を行う目的にベイズ推定の利用が増加している。 ? ベイズ推定では、母数についての情報を事前分布として表現し、それを尤度関数 と合わせて各母数に関する事後分布に基づいて推定値を得る。 ? MCMCは、ベイズ統計において事後分布等のサンプリングを行うアルゴリズムの 総称である。 ? 本研究ではMCMCソフトウェアであるStanを用い、MCMCの1つであるハミルトニ アン?モンテカルロ法により母数推定を行った。
- 14. 具体的な分析方法 ? 本当は褒められない方法（不細工な方法）ですが ①介入前の事後分布を推定 ②介入後の 〃 ①と②を統合し１つの時系列データとして扱い、マルコフ転換モデルにぶち込む ? という手順を踏んでいます。 ? なんでこんな方法でって、それは理解力のないポンコツ野郎がやったから…（出 来るならエレガントにやりたい）
- 15. Stanコード（ARモデル） data { int<lower=0> N; real y[N]; } parameters { real alpha; real beta; real<lower=0> sigma; } model { for (n in 2:N) y[n] ~ normal(alpha+beta*y[n-1],sigma); }
- 16. Rコード（一部） ##MCMCの準備と実行 scr<- "ar.stan" source("ア後平均2.R data<- list(N=N,y=x,dim=1) par<-c("alpha","beta","sigma") war<-8000 #バーンイン期間##バーンインはサンプルの半数でOK。今回諸事情により多めに… ite<-10000 #サンプル数 see<-200 #シード dig<-4 #有効数字 cha<-1 #チェーンの数…本当は４連鎖以上が望ましい fit3 <- stan(file=scr, model_name=scr, data=data, verbose=F, iter=ite, seed=see, warmup=war, pars=par, chains=cha) print(fit3, pars=c("alpha","beta","sigma")) fit=extract(fit3,permuted=T)##fit3乱数列を縦に抽出 fit$alpha##上で抽出した中からalphaだけ抽出 fit&beta fit&sigma
- 17. par<-c("alpha","beta","sigma") war<-8000 #バーンイン期間 ite<-10000 #サンプル数 see<-200 #シード dig<-4 #有効数字 cha<-1 #チェーンの数 fit4 <- stan(file=scr, model_name=scr, data=data, verbose=F, iter=ite, seed=see, warmup=war, pars=par, chains=cha) fit=extract(fit4,permuted=T)##fit４乱数列を縦に抽出 fit$alpha##上で抽出した中からalphaだけ抽出 fit$beta fit$sigma ##「MCMC前後」というデータに、MCMCしたデータを格納。これを用いてマルコフ転換モデルを適応する。
- 18. ###マルコフ転換モデルのための準備 #まず、①データ(データフレーム化したもの)に回帰分析をおこなう、②回帰分析結果をマルコフ転換モデルに投入 y1<-matrix(rnorm(100)+30) # ベースラインが高いホワイトノイズ y2<-matrix(rnorm(100)-30) # ベースラインが低いホワイトノイズ y<-rbind(y1,y2) # 2つを合わせる write.csv(y,"2.csv", row.names=F)##心理検査のように数値幅が狭い(1~4)場合、ホワイトノイズの幅を広げた方がいい 場合も d3 <- read.csv('MCMC前後.csv', header=T) #MCMC前後.csvは↓みたいな2列データにする。上記のy=2.csvの内容を右側のWN列に貼り付けた。 #得点 WN #850 0 #920 0.01266737 #970 0.02533271 ddd <- data.frame(d3)#データフレーム化 m.lm <- lm(得点~ダミー, data = ddd) ar(d3, aic = TRUE, method= "ols",order.max = NULL) model2<-ar(d3, aic = TRUE, method= "ols",order.max = NULL) result <- msmFit(m.lm, k = 2, sw = c(TRUE, TRUE, TRUE, TRUE), p = 1) plotProb(result,which=2) # 1番目の事後確率列をプロット
- 19. 結果 ? マルコフ転換モデルによって、異常 値となる部分（ここでは片方の過程 と異なる過程とする）が陰影によっ て示される。 ? この図から、比較的介入時である中 心を境に陰影のあり?なしが分かれ ているのが確認できる。 ? このことから、情動統制課題による 短期的な介入により、アパシー傾向 得点の過程に変化が起こったことが 示唆された。
- 20. 考察 ? 先行研究では、アパシー傾向の改善には長期的な環境設定の継続を要することが 示唆されていたが、本研究では短期的な介入でも効果が見込まれる可能性が示唆 された。 ? 介入の効果を示す指標として用いたマルコフ転換モデルは、得られたデータの差 等ではなく、得られた時系列データの状態?過程そのものが変化したか否かを検 出するものである。 ? 本研究より、介入の結果、被検査者のアパシー傾向の変化が起こった可能性が示 唆されたと言える。
- 22. 参考文献 ? 船山(2014) 精神神経科病棟でのアパシーの取り組み 高次脳機能研究 （旧 失語 症研究） ? 盛田?神成(2016) 在宅パーキンソン病者におけるアパシーと自己効力感の双方向 因果関係 第51回日本理学療法学術大会 抄録集 ? 松浦(2016) 「StanとRでベイズ統計モデリング」 共立出版 ? 沖本(2014) マルコフスイッチングモデルのマクロ経済?ファイナンスへの応用 日本統計学会誌 ? 下山晴彦(1995)男子大学生の無気力の研究 教育心理学研究