(最終更新日:2023-06-06 17:25:37)
  
  西田 喜平次
   所属   京都産業大学  経営学部
   職種   准教授
業績
■ 学会発表
1. 2016/12/06 Skewing Methods for Homoscedastic Local Linear Regression Estimator(Australian Statistical Conference 2016)
2. 2016/08/20 Skewing Methods for Homoscedastic Local Linear Regression Estimator(2016 International Indian Statistical Association Conference)
3. 2010/05/21 On the variance-stabilizing multivariate nonparametric regression estimation(Conference on Nonparametric Statistics and Statistical Learning)
■ 著書・論文歴
1. 2022/12 論文  Kernel Density Estimation by Stagewise Algorithm with a Simple Dictionary Computational Statistics   
2. 2022/11 論文  Kernel Density Estimation by Genetic Algorithm Journal of Statistical Computation and Simulation   
3. 2021/07 論文  Skewing Methods for Variance-Stabilizing Local Linear Regression Estimation Communications in Statistics - Simulation and Computation 50(7),pp.pp.2089-2106  
4. 2021/03 論文  大学経営の観点から見た私立薬学部入試科目 大学入試研究ジャーナル No.31,pp.154-160頁  
5. 2020/03 論文  大学入試科目の戦略的考察: 私立薬学部の場合 理論と方法 35(1),pp.45-61頁  
全件表示(16件)
経歴
■ 学歴
1.
(学位取得)
筑波大学 博士 (社会工学)
■ 職歴
1. 大阪公立大学 現代システム科学域
2. 兵庫医科大学 薬学部, 看護学部, リハビリテーション学部
3. 京都産業大学 経営学部
4. 2023/04~ 兵庫医科大学 非常勤講師
5. 2023/04~ 京都産業大学
全件表示(14件)
■ 所属学会
1. 2020/12~ 応用統計学会
2. 2019/10~ 数理社会学会
3. 2011/06~ 統計科学研究会
4. 2006/07~ 応用地域学会
5. 2006/07~ 日本統計学会
その他
■ 研究課題・受託研究・科研費
1. 2023/04~2026/03  高次元統計解析に有効な関数推定法の深化・展開研究 基盤(B) 
2. 2019/04~2022/03  セミパラメトリック関数推定に基づく統計解析の新たな展開 基盤研究(C) 
3. 2016/04~2018/03  規模の経済性を考慮した階層的な医療圏域サイズの考察 若手研究(B) 
4. 2014/07~2020/03  在宅療養における看取りに関する実証的研究 基盤研究(C) 
5. 2014/04~2016/03  医療提供体制が医療施設間競争に及ぼす影響に関する空間計量分析 若手研究(B) 
全件表示(7件)
■ 現在の専門分野
統計科学, 社会システム工学 
科研
■ 科研費研究者番号
50631652
■ 研究概要
◆研究課題
遺伝的アルゴリズムを用いたカーネル型関数推定量のスパース化

◆研究概要
カーネル型密度関数推定量(以後, KDE)は, 事前に関数形を仮定することなく, どのような形の関数も推定可能な統計解析手法である. KDEが内在的に抱える問題として「次元の呪い」が知られており, ゲノムデータなどの超高次元データの場合においては, 関数推定量を真の関数に近づけるためには, 膨大な数のデータが必要となり, 収束までの計算時間も膨大になるというものである. こうした「次元の呪い」に対して, 決定的な問題解決法は現在のところ提案されていない.
本研究は, 遺伝的アルゴリズムを用いて, 大規模なデータセット(例えば数万個におよぶ)の中から, 推定上意味のある少数のデータ点(例えば20個程度)を選び出し, その少数のデータ点のみを使用して関数推定を行ってもなお, 元の全データ点を使用した時の関数推定よりも精度が高まる手法を提案することを目的とする. もたらす成果として, 物理的なデータサイズの大幅な圧縮と, 推定上意味のある少数のデータ点の抽出(個体の抽出)が可能となり, データを解釈する上での有意義な統計学的知見を得ることに寄与できる.またカーネル型回帰関数推定に適用し, 変数選択への活用可能性も模索する.