毎週金曜14:40～
研究室ゼミ；以下K：研究室のスタッフや院生が最新の研究成果を発表し，それについて議論を戦わせます．もちろん，ご興味のある方はいつでも歓迎いたします．
データ科学チュートリアル；以下T：講座員，または他から講師 を招き，さまざまなトピックを取り上げ数回で講義します．データ科学，確率・統計に関するあらゆる話題を対象とし，理論・応用に関する知識を幅広く共有することを目指します．
4月10日
第1.1回（K）： 西田 豊 (助教)
題目： _
概要： _
第1.2回（K）： 門脇 達彦 (D1, 社会人)
題目： _
概要： _
4月17日
第2.1回（K）： M1×3
題目： 自己紹介＋研究紹介
概要： _
第2.1回（T）： B4×5
題目： 自己紹介
概要： 狩野研究室新４回生の簡単な自己紹介
4月24日
第3.1回（K）： 坂口 弘樹(M1)
題目： 自己紹介＋研究紹介
概要： _
第3.1回（T）： 吉森 雅代
題目： 自己紹介＋研究紹介＋留学体験
概要： 研究紹介＋留学体験
5月29日
第4.1回（T）： 田辺
題目： ベイズ統計学入門
概要： ベイズ統計学のIntroduction
第4.2回（T）： 門脇
題目： 状態空間モデルを持っ知多飲食店売上の要因分解
概要： _
6月5日
第5.1回（K）： 田中
題目： 項目反応理論の利用と能力パラメータの推定
概要： 項目反応理論で基本となる2PLモデルにおける能力パラメータの推定方法を紹介し，項目反応理論を利用したコンピューター適応型試験の概要を説明した．最近の話題として，能力パラメータのMAP推定量のバイアス補正について書かれた論文を紹介した．
第5.2回（T）： 森
題目： _
概要： 医薬品開発において用量反応関係の特定は重要課題であるが，伝統的な試験デザインでは費用面の制約があり，small sampleでの試験となる．この場合，small sampleであるが故に用量反応関係を特定できないこともある．クロスオーバーデザインも伝統的な試験デザインであるが，Normal Dynamic linear modelに基づく新しいモデルを提案し，Bayes推定を行うことで， small sampleであっても用量反応関係が特定できる可能性が高まることを疑似データを用いて示す．
6月12日
第6.1回（T）： 中矢
題目： 寿命データ解析の基礎
概要： _
第6.2回（K）： 鎌谷
題目： Bayesian mixture model
概要： _
6月19日
第7.1回（T）： 吉森
題目： A measure of uncertainty of EBLUP
概要： 線形混合モデルにおける経験的最良線形不偏予測量 (EBLUP)は、医学・社会・官庁統計の場で広く使用されている. このEBLUPを用いたとき、平均二乗誤差(MSE)を用いて性能評価を行う. しかしながら、EBLUPのMSEは一般に厳密に導出することができない. そのため、MSEの推定量を構築するのであるが、様々な統計ソフトに入っているデフォルトのMSE推定量は標本サイズが十分大きくない場合、過小評価を行う傾向がある. それに対して、2次漸近不偏なMSEの推定量が数々提案されてきているが、よく用いられているEBLUPのMSE推定量は、過大評価する傾向にある. この過大評価の原因を探り、かつその原因を取り除いた, 異なるEBLUPを用いた際のMSE推定量との比較を行う. この比較により, MSE推定の効率の改善が図られているか確かめる.
第7.2回（T）： 磯崎
題目： MCMCの基礎
概要： ベイズ推定において事後平均を用いる場合，積分計算が困難な場合がある．MCMC法により事後分布からパラメータ標本を発生させ，事後平均を近似計算するという方法があるが，ラベルスイッチングという問題を抱えている．簡単な問題において，ある程度のスイッチングに対してはリラベリングアルゴリズムが有効であることが知られている．本報告では，実際のMCMC法の適用プロセスを説明し，リラベリングアルゴリズムの一定の有効性を示す．
6月26日
第8.1回（T）： 小林
題目： 統計学で最初に何を教えるか
概要： _
第8.2回（T）： 森川
題目： 欠測データ解析の基礎
概要： _
7月3日
第9.1回（T）： B4
題目： B4ゼミ報告
概要： _
7月17日
第10.1回（T）： M1
題目： M1基礎ゼミ報告報告
概要： _
7月24日
第11.1回（T）： 森川
題目： 修論中間報告
概要： _
第11.2回（T）： 中矢
題目： 修論中間報告
概要： _
7月31日
第12.0回（T）： M1
題目： 中間発表リベンジ
概要： _
第12.1回（T）： 田中
題目： コンピュータ適応型試験における能力推定の向上
概要： 項目反応理論を利用したコンピュータ適応型試験(CAT)における能力推定において，少ない項目数で正確に能力推定するための手段として，Magis et al.(2011)で述べられているCMAP推定量を紹介した．また，次に出題する項目困難度の選び方で従来の項目情報量に依存した選び方以外に能力の事後分布を利用する選び方を提案し比較を行った．
第12.2回（T）：田辺
題目： ゼロ修正モデルの客観事前分布構成
概要： ゼロ過剰モデルにはwith zeros モデルとhurdleモデルの2種類のモデル構成方法が存在する．また，客観事前分布はJeffreys priorとReference priorの2種類が存在する．with zerosモデルに対する客観事前分布の構成は複数行われてきたが，hurdleモデルに対する研究はあまり行われていない．そこで本発表は一般的式に対するhurdleモデルの客観事前分布の構成を示した．
第12.3回（T）： 磯崎
題目： 修論中間報告
概要： _
10月4日
第13.1回（K）： 熊谷
題目： An Apportionment by R´enyi’s Entropy
概要：
第13.2回（T）： 上野
題目： 外留報告
概要： _
10月18日
第14.1回（K）： 田中
題目： 修論中間報告
概要： CATにおける従来の困難度選択と事後分布を用いた２種類の提案手法それぞれについて，シミュレーションからMagis et al(2011)を参考にCATにおける被験者能力推定値のバイアス補正項を導出した．また２種類のテスト長において，MAPとC-MAP(MAPに補正項をかけた推定量)のRMSEを比較し，提案手法の良さとMAPとC-MAPの使い分けの必要性を説明した．
第14.2回（T）： 森川
題目： 修論中間報告
概要： _
第14.3回（T）： 中矢
題目： 修論中間報告
概要： _
10月25日
第15.1回（K）： 磯崎
題目： 修論中間報告
概要： アブスト：MCMC法を用いて混合分布のパラメータ推定を行う際の問題，”ラベルスイッチング”に対処するためのリラベリングアルゴリズムの提案とその解析結果を紹介する．
第15.2回（T）： 田辺
題目： 修論中間報告
概要： _
第15.3回（T）： 森
題目： 修論中間報告
概要： 博士論文を「multivariate binary data analysis with latent variables」というタイトルで執筆しており，その中の1章を担うLatent Class Analysisのapplicationを報告した．抗がん剤開発における奏効率の評価にはバイアスの最小化及び評価の精度を高めるための工夫を行っても評価者をどうassignするかによって推定値が異なる問題がある．そこでLCAを行うことで不偏な推定値が得られることを示した．
11月8日
第16.1回（K）： 吉森
題目： _
概要： _
11月15日
第17.1回（K）： 上野
題目： _
概要： _
11月22日
第18.1回（K）： 余田
題目： _
概要： _
第18.2回（K）： 西田
題目： _
概要： _
11月29日
第19.1回（K）： 門脇
題目： _
概要： _
第19.2回（K）： 坂口
題目： _
概要： _
12月13日
第20.1回（K）： 小林
題目： _
概要： _
第20.2回（K）： 鎌谷
題目： _
概要： _
1月10日
第21.1回（K）： 田中
題目： _
概要： _
第21.2回（K）： 中矢
題目： _
概要： _
1月17日
第22.1回（K）： 磯崎
題目： _
概要： _
第22.2回（K）： 田辺
題目： _
概要： _
第22.3回（K）： 森川
題目： _
概要： _