キャリアデザイン学部Faculty of Lifelong Learning and Career Studies
MAN200MA(経営学 / Management 200)演習(ビジネス)Seminar (Business Career)
木村 琢磨Takuma KIMURA
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | キャリアデザイン学部Faculty of Lifelong Learning and Career Studies |
添付ファイル名Attached documents | |
年度Year | 2022 |
授業コードClass code | C7458 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期授業/Fall |
曜日・時限Day/Period | 水6/Wed.6 |
科目種別Class Type | |
キャンパスCampus | 市ヶ谷 |
教室名称Classroom name | 各学部・研究科等の時間割等で確認 |
配当年次Grade | 2~4 |
単位数Credit(s) | 2 |
備考(履修条件等)Notes | |
他学部公開科目Open Program | |
他学部公開(履修条件等)Open Program (Notes) | |
グローバル・オープン科目Global Open Program | |
成績優秀者の他学部科目履修制度対象Interdepartmental class taking system for Academic Achievers | |
成績優秀者の他学部科目履修(履修条件等)Interdepartmental class taking system for Academic Achievers (Notes) | |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
SDGsCPSDGs CP | |
アーバンデザインCPUrban Design CP | |
ダイバーシティCPDiversity CP | |
未来教室CPLearning for the Future CP | |
カーボンニュートラルCPCarbon Neutral CP | |
千代田コンソ単位互換提供(他大学向け)Chiyoda Campus Consortium | |
カテゴリー(新)Category (2019) | 演習科目 |
カテゴリー(旧)Category (2017) |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
Course outline
Learn the fundamentals of statistical analysis that is an essential
analytical knowledge for studying organizational behavior.
Learning objectives
1. Can implement statistical analysis using Python.
2. Can test hypotheses using multiple regression and logistic regression
using Python.
Learning activities outside of classroom
1. Practice Python coding for statistical analysis
2. Implement statistical analysis using Python
Grading Criteria
Final report 100%
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
概要
1. 組織行動の分析に必須な統計的分析の基礎を学ぶ。
2. 統計的分析の Python による実行方法を学ぶ。
目的
Python を用いて重回帰分析、ロジスティック回帰分析を行うことができる。
到達目標Goal
・仮説検定、相関、回帰、分類に関する基礎的な理解に基づき、多変数モデルを用いてビジネスデータの統計分析ができる。
・上記のデータ分析をPythonを用いて実行できる。
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
講義形式による説明と実習形式との組み合わせにより実施する。実習は統計学の理解を問う例題またはPythonコーディングであり、個人またはグループで回答する。
フィードバックは授業内課題はその場、授業後提出課題の場合は次回の授業にて口頭での解説により行う。
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
あり / Yes
フィールドワーク(学外での実習等)の実施Fieldwork in class
あり / Yes
授業計画Schedule
授業形態/methods of teaching:対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
第1回[対面/face to face]:イントロダクション
演習の目的・学習方法の説明
第2回[対面/face to face]:論文購読
データ分析を用いた組織行動論の研究論文を読む
第3回[対面/face to face]:平均値の検定
母平均の検定、2標本検定、t検定
第4回[対面/face to face]:Χ二乗検定
Χ二乗、Χ二乗検定、A/B分析
第5回[対面/face to face]:相関と回帰
相関、回帰、散布図、相関係数、回帰係数
第6回[対面/face to face]:重回帰
重回帰、決定係数、回帰式、MSE
第7回[対面/face to face]:ロジスティック回帰分析
ロジスティック回帰分析、
分類問題、閾値の設定
第8回[対面/face to face]:分類モデルの評価方法
混同行列、ROCカーブ
第9回[対面/face to face]:データ分析実習(1)
データの理解、前処理
第10回[対面/face to face]:データ分析実習(2)
ホールドアップ法
第11回[対面/face to face]:データ分析実習(3)
分析モデルの適用、モデルの修正と微調整
第12回[対面/face to face]:データ分析実習(4)
分析結果の評価
第13回[対面/face to face]:データ分析実習(5)
分析結果のプレゼンテーション
第14回[対面/face to face]:総括
多変数モデルのまとめ、プレゼンテーションに関する質疑応答
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
・各回の授業の予習・復習、提出課題(Pythonによる分析の実行)の準備
・各回とも、授業の準備学習・復習時間は各2時間、計4時間の時間外学習を標準とします。
テキスト(教科書)Textbooks
使用しない
参考書References
適宜指示する
成績評価の方法と基準Grading criteria
最終プロジェクト:100%
・プロジェクト課題の評価基準
多変数モデルを用いたデータ分析をPythonを用いて的確に行えたかどうかを評価する。評価はPythonコードとプレゼンテーション資料に基づき行う。
・口頭試問
プロジェクト課題のプレゼンテーションに基づき、仮説検定、相関、回帰、分類に関する基礎的な理解ができているかどうかを口頭試問にて評価する。
学生の意見等からの気づきChanges following student comments
データ分析を実際に行うプロジェクトを行う
学生が準備すべき機器他Equipment student needs to prepare
Python および Jupyter notebook または JupyterLab(通常のパソコンで使
用可能。スペックが足りない場合は Google Colab または CellStratHub を
使用)