概要

本でStanを使った状態空間モデルによる分析方法を勉強したから、実際のデータで練習してみたもの
今回はとりあえず以下のモデルで動かしてみた
- ローカルレベルモデル
- 平滑化トレンドモデル
- ローカル線形トレンドモデル
- 時変係数モデル（説明変数はイベント期間の長さのみ）
結果としては、まだ全然うまくフィットできてない
- トレンドとイベントの長さのみでは説明しきれないため
- 他に特徴量作って時変係数モデルでの分析は、追々やりたい
今回作ったスクリプトたちはココのc1~c4。

Pystan使う前の準備

pip install pystan

少しハマったところ
- pystan - Unable to find vcvarsall.batというエラーが出てバタバタした
- 解決方法
  - ココの通り、Visual StadioのC++をインストールした

ココで取得したデータを、形式がアタポンのものだけ抽出したもの

所感

所感

ローカルレベルモデルに「時間によって変化するドリフト成分」を追加したもの
- ローカルレベルモデルと、平滑化トレンドモデルのあわせ技のようなもの
- 水準成分の変化がほぼ0の場合、平滑化トレンドモデルと同じになる
数式とかはココ

所感

所感

まだ、全然5%-95%の範囲に入っていない。
期間の係数がマイナス寄りになっている
- 普通に考えて、実際はそんなことはないはず（「期間が短いほどポイントが稼げる」とは思えない）
- 他の要因による変化に引っ張られていると思われる

ローカル線形トレンドモデルのときの、実測と予測の差分をとってみる

差が大きい順TOP10
- 絶対値はとっていないので、実測がトレンドより大きいものTOP10
- ニュージェネレーションズの３人が入ったユニット（PCS、TP、PP）のイベントが入っており、イベントの盛り上がり具合（報酬アイドルやユニットによる）が関係しそう

日付	イベント	期間	2001位	トレンド	差	比
2018/9/19	Pretty Liar	198	224697	116547	108150	1.93
2017/11/19	Trinity Field	174	193847	106468	87379	1.82
2020/5/19	不埒なCANVAS	198	188652	104595	84057	1.80
2019/1/21	スパイスパラダイス	174	179632	114280	65352	1.57
2019/11/20	Secret Daybreak	175	169639	108815	60824	1.56
2017/8/21	双翼の独奏歌	150	156206	101001	55205	1.55
2018/8/19	クレイジークレイジー	198	163641	114877	48764	1.42
2016/9/20	ラブレター	150	121303	74138	47165	1.64
2019/7/22	バベル	157	151703	109155	42548	1.39
2018/11/19	Sunshine See May	198	156519	115536	40983	1.35

まだうまくフィットしていない
- ボーダーに影響する要素が十分に反映しきれていないため
関係しそうな要素として思い浮かんだもの羅列
- イベントごとの要素
  - イベントの盛り上がり具合 ≒ ランキング報酬となっているアイドルの人気**（コレ目的でみんな2000位以内を目指すので、一番影響が強そう）**
- トレンドに含まれそうな要素（徐々に変化するもの、突然変化するものが混ざってるので、ローカル線形トレンド使うのが良さそう）
  - ゲームの人気の変化に伴う、アクティブユーザ数の変化
  - キャラが増えたことで放置編成組める人の増加
  - グランドライブ実装での時間効率UP
予想する値として2001位を選んだけど、1位のほうが予想するの簡単そうｗ（やっぱり1位のほうが簡単だった）
- 1位は、時間を目一杯使って人間の限界に挑戦した場合の値になりそう
- ただ、2001位がイベント最高報酬のボーダーだから、需要としてはコッチのほうがあるはず（イベントちゃんと走ったことないけど、自分も知りたい）