楽天モバイル UN-LIMIT のテザリングが大活躍 [よもやま日記]
新型コロナウィルスの関係で家の中で仕事をすることが多いのです。
子供の声がうるさいので、ドアを閉めているのと、家の中のwifiスポットが仕事部屋から距離があるので、wifiが少し弱い。。。
もともと、docomo持っていますが、月々の上限が数ギガなので、あまり使いたくない。
そこで、先日、契約したばかりの「Rakuten UN-LIMIT」をポケットwifiみたく、仕事部屋に設置しました。
テザリング無料なのと、普通に使うぶんには遅いと感じることなく使えています。
新規に契約した楽天モバイルの使い道がなかったのですが、ここにきて大活躍です。
子供の声がうるさいので、ドアを閉めているのと、家の中のwifiスポットが仕事部屋から距離があるので、wifiが少し弱い。。。
もともと、docomo持っていますが、月々の上限が数ギガなので、あまり使いたくない。
そこで、先日、契約したばかりの「Rakuten UN-LIMIT」をポケットwifiみたく、仕事部屋に設置しました。
テザリング無料なのと、普通に使うぶんには遅いと感じることなく使えています。
新規に契約した楽天モバイルの使い道がなかったのですが、ここにきて大活躍です。
【新型コロナウィルス】PCR検査を増やすとどうなるか? [時事 / ニュース]
ニュースを見ていると、「もっと感染者数がいるはずだ、このままでは、やばい!」という煽りニュースをよく見ます。
日本での致死率は、2.5%くらい。
感染者数が不明なので、この率にはあまり意味はない。
日本やばいというニュースを流している人の理論は、
・感染者巣は、今の10倍、20倍いるはずだ
↓
・死亡率は変わらないはずだ
↓
・もっと人が死んでニューヨークとかイタリアみたいになるだろう
となっています。
しかし、感染者数が増えると、死亡率はもっと低くなるはず。
つまり、1万人の感染者数がいて、250人死んでいるから、致死率が2.5%
もっと、ウィルス検査を増やすとどうなるか?
おそらく、10倍くらい感染しているはずなので、10万人くらいの感染者数がいるはず。
感染者数はあてにならないが、死亡者数というのは、ある程度信頼できる。
死亡した場合、さすがに隠蔽できないので、それなりの信頼度があると考えられます。
でも、新型コロナウィするで死亡している人は250人から10倍になるわけではなく、250人程度。
そうなると、死亡率が、250 / 100,000 = 0.25%程度。
この数字は、インフルエンザの死亡率と対して変わりません。
日本での致死率は、2.5%くらい。
感染者数が不明なので、この率にはあまり意味はない。
日本やばいというニュースを流している人の理論は、
・感染者巣は、今の10倍、20倍いるはずだ
↓
・死亡率は変わらないはずだ
↓
・もっと人が死んでニューヨークとかイタリアみたいになるだろう
となっています。
しかし、感染者数が増えると、死亡率はもっと低くなるはず。
つまり、1万人の感染者数がいて、250人死んでいるから、致死率が2.5%
もっと、ウィルス検査を増やすとどうなるか?
おそらく、10倍くらい感染しているはずなので、10万人くらいの感染者数がいるはず。
感染者数はあてにならないが、死亡者数というのは、ある程度信頼できる。
死亡した場合、さすがに隠蔽できないので、それなりの信頼度があると考えられます。
でも、新型コロナウィするで死亡している人は250人から10倍になるわけではなく、250人程度。
そうなると、死亡率が、250 / 100,000 = 0.25%程度。
この数字は、インフルエンザの死亡率と対して変わりません。
【新型コロナウィルス】免疫持つ人の割合調査 NYで無作為の抗体検査へ [時事 / ニュース]
抗体検査をして、何割の人が感染しているかを正確に判定しようというもの。
もともと、各国から出てくる致死率とか、感染者数って、どれだけ検査をしたか、どんな人を対象にするかで全然異なってきます。
つまり、その数字自体にあまり意味はないが、報道で「今日の感染者数は」とか、「累計、○人突破」などという数字が出てくる。
これらの数字は、あまり意味がなく、ただ、こういった数字に、日々踊らされています。
どれくらいの怖いのは分からないので、新型コロナウィルスに対し、過度に恐怖を持ってしまい、経済活動をストップする。
そして、新型コロナウィルスによる直接的な死の他に経済活動が死ぬことで間接的に死んでしまう人も増えてくる。
新型コロナウィルスに感染して直接死ぬ場合は、分かりやすいのでニュースになりやすい。
一方、自殺とかして死んだ場合、それが新型コロナウィルスによるものであっても周りは分からないので、なかなかニュースに出てこない。
自殺数を時系列としてカウントすればそれは分かりますが、時間もかかる。
今回、ニューヨーク州がランダムに人を選んで抗体検査をすることで、統計的に感染率や死亡率がわかってくるでしょう。
個人的な感覚として、インフルエンザよりかは感染力は強い、また、高齢者や持病持っている人の致死率も高い。
それ以外の人は、インフルみたいなもの?という感覚ですが、実際はどうなんでしょうね。
もともと、各国から出てくる致死率とか、感染者数って、どれだけ検査をしたか、どんな人を対象にするかで全然異なってきます。
つまり、その数字自体にあまり意味はないが、報道で「今日の感染者数は」とか、「累計、○人突破」などという数字が出てくる。
これらの数字は、あまり意味がなく、ただ、こういった数字に、日々踊らされています。
どれくらいの怖いのは分からないので、新型コロナウィルスに対し、過度に恐怖を持ってしまい、経済活動をストップする。
そして、新型コロナウィルスによる直接的な死の他に経済活動が死ぬことで間接的に死んでしまう人も増えてくる。
新型コロナウィルスに感染して直接死ぬ場合は、分かりやすいのでニュースになりやすい。
一方、自殺とかして死んだ場合、それが新型コロナウィルスによるものであっても周りは分からないので、なかなかニュースに出てこない。
自殺数を時系列としてカウントすればそれは分かりますが、時間もかかる。
今回、ニューヨーク州がランダムに人を選んで抗体検査をすることで、統計的に感染率や死亡率がわかってくるでしょう。
個人的な感覚として、インフルエンザよりかは感染力は強い、また、高齢者や持病持っている人の致死率も高い。
それ以外の人は、インフルみたいなもの?という感覚ですが、実際はどうなんでしょうね。
【R stan】ベイズモデル その1:シンプルな線形回帰モデル [データサイエンス、統計モデル]
普段は、bayesmを使うことが良いのですが、stanを使ってみようということで、stanで色々なベイズモデルを作りました。
まずは、データの説明から。
Rに元々bayesmというパッケージについているcheeseというデータを使います。
RETAILERによって、回帰係数のばらつきが大きいので、通常の線形回帰モデルだと、VOLUMEの変動をうまく説明できていません。
決定係数は0.0982ととても小さいです。
次に、stanを使ったベイズモデルを作っていきます。
まずは、「ベイズモデル:個体差なしの線形回帰モデル」から。
「通常の線形回帰モデル」をベイズモデルに展開しただけなので、RETAILERの個体差を取り込めていないモデルとなります。
得られた係数は、「通常の線形回帰モデル」とほぼ同じ。
まぁ、最尤法で解くかベイズで解くかの違いくらいです。
決定係数、RMSE、MAEなどの精度ももほとんど変わりません。
model 1: ベイズモデル:個体差なしの線形回帰モデル
RMSE: 6377
MAE: 2818
でした。
やはり、個体差(RETAILERによる違い)をモデルに取り込まないとダメみたいですね。
まずは、データの説明から。
Rに元々bayesmというパッケージについているcheeseというデータを使います。
library("bayesm")
library("rstan")
data(cheese)
> head(cheese)
RETAILER VOLUME DISP PRICE
1 LOS ANGELES - LUCKY 21374 0.16200000 2.578460
2 LOS ANGELES - RALPHS 6427 0.12411257 3.727867
3 LOS ANGELES - VONS 17302 0.10200000 2.711421
4 CHICAGO - DOMINICK 13561 0.02759109 2.651206
5 CHICAGO - JEWEL 42774 0.09061273 1.986674
6 CHICAGO - OMNI 4498 0.00000000 2.386616
#### 通常の線形回帰モデル ####
model.lm <- lm(log(cheese$VOLUME)~cheese$DISP + log(cheese$PRICE), data=cheese)
summary(model.lm)
pred.reg <- predict(outreg,interval="prediction")
plot(log(cheese$VOLUME),pred.reg[,1],xlim=c(5,13),ylim=c(5,13),xlab="実測値",ylab="推定値")
abline(0,1)
RETAILERによって、回帰係数のばらつきが大きいので、通常の線形回帰モデルだと、VOLUMEの変動をうまく説明できていません。
決定係数は0.0982ととても小さいです。
次に、stanを使ったベイズモデルを作っていきます。
まずは、「ベイズモデル:個体差なしの線形回帰モデル」から。
「通常の線形回帰モデル」をベイズモデルに展開しただけなので、RETAILERの個体差を取り込めていないモデルとなります。
#### ベイズモデル:個体差なしの線形回帰モデル ####
data_stan <- list(N=nrow(cheese), DISP=cheese$DISP, PRICE=cheese$PRICE, VOLUME=log(cheese$VOLUME))
res_stan <- stan(file="./stan/cheese_model1.stan", data=data_stan, seed=123)
## heese_model1.stan ##
data{
int N;
real DISP[N];
real PRICE[N];
real VOLUME[N];
}
parameters{
real b0;
real b1;
real b2;
real sigma;
}
model{
for(n in 1:N){
VOLUME[n] ~ normal(b0+b1*DISP[n]+b2*PRICE[n], sigma);
}
// Leave out prior distribution. Uninformative prior will be used.
}
得られた係数は、「通常の線形回帰モデル」とほぼ同じ。
まぁ、最尤法で解くかベイズで解くかの違いくらいです。
決定係数、RMSE、MAEなどの精度ももほとんど変わりません。
model 1: ベイズモデル:個体差なしの線形回帰モデル
RMSE: 6377
MAE: 2818
でした。
やはり、個体差(RETAILERによる違い)をモデルに取り込まないとダメみたいですね。
【R stan】ベイズモデル その2:個体差を取り込んだモデル [データサイエンス、統計モデル]
【R stan】ベイズモデル その1:シンプルな線形回帰モデル
https://skellington.blog.ss-blog.jp/2020-04-20
↑
こちらの続き
前回のmodel1は、個体差を考慮しない線形回帰モデル。
ベイズ(MCMC)を使っていますが、通常のlm(線形回帰モデル)と同じでした。
model2とmodel3ですが、どちらも個体差(RETAILER_ID)を取り込んだモデルとなっています。
model2_aとmodel2_bはやっていることはほぼ同じですが、model2_bの方が少しだけ計算が早いです。
model2ですが、個体差を考慮してはいるものの、メカニズムを考慮していません。
階層ベイズモデルではないです。
model3では、RETAILER_IDに共通のメカニズムを考慮した階層ベイズモデルとなっています。
精度比較です。
model 1: ベイズモデル:個体差なしの線形回帰モデル
RMSE: 6377
MAE: 2818
model 2a: 個体差を考慮した線形回帰モデル
RMSE: 3502
MAE: 943
model 2b: 個体差を考慮した線形回帰モデル b
RMSE: 3500
MAE: 942
model 3: 階層ベイズ線形モデル
RMSE: 3637
MAE: 970
model2とmodel3は、model1に比べて劇的に精度が向上しています。
model2とmodel3は、あまり変わりませんでした。
その原因ですが、cheeseのデータですが、各RETAILERのサンプルサイズがかなり大きいです。
なので、共通のメカニズムを考えなくでも、個別のRETAILERごとに線形回帰モデルを作っても十分な精度が出ている。
かりに、サンプルサイズが数件しかないようなデータであった場合、model2で作ってしまうとオーバーフィットしてしまう可能性があり、model3のような書き方をする方が良いかと思います。
https://skellington.blog.ss-blog.jp/2020-04-20
↑
こちらの続き
前回のmodel1は、個体差を考慮しない線形回帰モデル。
ベイズ(MCMC)を使っていますが、通常のlm(線形回帰モデル)と同じでした。
model2とmodel3ですが、どちらも個体差(RETAILER_ID)を取り込んだモデルとなっています。
model2_aとmodel2_bはやっていることはほぼ同じですが、model2_bの方が少しだけ計算が早いです。
model2ですが、個体差を考慮してはいるものの、メカニズムを考慮していません。
階層ベイズモデルではないです。
model3では、RETAILER_IDに共通のメカニズムを考慮した階層ベイズモデルとなっています。
精度比較です。
model 1: ベイズモデル:個体差なしの線形回帰モデル
RMSE: 6377
MAE: 2818
model 2a: 個体差を考慮した線形回帰モデル
RMSE: 3502
MAE: 943
model 2b: 個体差を考慮した線形回帰モデル b
RMSE: 3500
MAE: 942
model 3: 階層ベイズ線形モデル
RMSE: 3637
MAE: 970
model2とmodel3は、model1に比べて劇的に精度が向上しています。
model2とmodel3は、あまり変わりませんでした。
その原因ですが、cheeseのデータですが、各RETAILERのサンプルサイズがかなり大きいです。
なので、共通のメカニズムを考えなくでも、個別のRETAILERごとに線形回帰モデルを作っても十分な精度が出ている。
かりに、サンプルサイズが数件しかないようなデータであった場合、model2で作ってしまうとオーバーフィットしてしまう可能性があり、model3のような書き方をする方が良いかと思います。
ストライダーの教え方 [ファミリー]
1歳8ヶ月になった息子がストライダーに興味を持ったので、練習してきました。
このストライダーは、長男、長女と引き継がれ、今は次男の練習道具となっています。
かれこれ10年くらい使っていますw
ストライダーですが、最初、ストライダーに乗る時、子供ってサドルに座るのではなく、立ったままヨチヨチ歩いているだけですよね。
長男の時も長女の時もそうでした。
サドルに座って足で地面を蹴って、と教えてもやっぱり歩き出します。
何度教えてもダメなんですが、気がつくと、いつのまにかサドルに座って乗れるようになっていました。
おそらく、ストライダー不安定なうちは、サドルに座ろうとしない。
倒れそうな方向にハンドルを切るという自転車に乗っているような感覚を体で覚えるようになると勝手に座るようになるんだと思いました。
なので、ストライダーの教え方のポイントとしては
・乗りたい時に好きなように乗せる
・親があれこれ教えない
・ハンドル操作を体で覚えたら勝手に乗れるようになる
・個人差があるので、うまく乗れない日が続いても暖かく見守り続ける
ということだと思います。
このストライダーは、長男、長女と引き継がれ、今は次男の練習道具となっています。
かれこれ10年くらい使っていますw
ストライダーですが、最初、ストライダーに乗る時、子供ってサドルに座るのではなく、立ったままヨチヨチ歩いているだけですよね。
長男の時も長女の時もそうでした。
サドルに座って足で地面を蹴って、と教えてもやっぱり歩き出します。
何度教えてもダメなんですが、気がつくと、いつのまにかサドルに座って乗れるようになっていました。
おそらく、ストライダー不安定なうちは、サドルに座ろうとしない。
倒れそうな方向にハンドルを切るという自転車に乗っているような感覚を体で覚えるようになると勝手に座るようになるんだと思いました。
なので、ストライダーの教え方のポイントとしては
・乗りたい時に好きなように乗せる
・親があれこれ教えない
・ハンドル操作を体で覚えたら勝手に乗れるようになる
・個人差があるので、うまく乗れない日が続いても暖かく見守り続ける
ということだと思います。
【新型コロナウィルス】ニューヨーク州の14%に抗体確認 [時事 / ニュース]
NY州の14%に抗体確認
米ニューヨーク州のクオモ知事は23日の会見で、州内で無作為に選んだ3000人に新型コロナウイルスの抗体検査を行った結果、14%近くの人が抗体を持っていることがわかったと発表した。
4/18 カリフォルニア・サンタクララ郡 (人口189万人)での抗体検査の結果
カリフォルニア州サンタクララ郡 で、Facebookなどを通じて募った3,330人を実施した。50人 (1.5%)が陽性で、郡全体の人口分布で調整した推計の陽性率は2.81% (36人に1人)、推計陽性者数は4.8万人から8.1万人となった。
その他にもオーストラリアやドイツなど、世界各国で抗体検査がが進められています。
背景として
・ロックダウンをしたけど、感染者数は思ったほど減って来ない
・経済が死にまくっている
となっています。
経済活動を復活させたいが、どれくらい抗体ができているか不明。
そこそこ抗体を持った人が増えているなら、ロックダウンを解除して経済を復活させたい、という思いがあるようです。
この無作為抽出(ランダムサンプリング)の結果、面白いことがわかってきました。
思ったより多くの人が感染していて、すでに抗体を持っているということです。
致死率 = 死亡した人 / 感染した人
分子の死亡した人の数は、それほど変わらない
分母の感染した人の数は、50倍とか数十倍と考えられる
この結果から致死率が、想定しているよりかは、かなり低いものとして考えることができます。
わかりやすく言えば、インフルエンザとほぼ同程度の致死率と言えます。
もちろん、高齢者や抵抗力がない人は進行が早く、重篤化しやすい、といったインフルエンザにはない特徴もあります。
また、子供は感染してもほとんどウイルスを出さないが、高齢者ほどウィルスをたくさん出すということもわかってきています。
このような事実を整理していくと、子供から高齢者まで、一律同じように自粛を求めるのではなく、誰に自粛を強く求めていくのかということがわかってきます。
日本はこのあたりのことはなかなか率先してできない国なのですが、他の国がコロナウィルスに対する対応を変えてくると思うので、日本も追従していく形になるかと思います。
日本の致死率は低く、個人的には、良い対応をしていると考えています。
【新形コロナウィルス】1分間チャレンジ 鉛筆何本たてられるかな? #StayAtHome [ファミリー]
小学校から「1分間チャレンジ 鉛筆何本たてられるかな?」というものが送られてきました。
日々、記録が更新されているのですが、最初は、30本とかでした。
子供達は、普通に鉛筆を立てていくのですが、数秒に1本しか立てられないので、頑張って30本くらい。
ルールをよく読むと、特に、これをしたらダメというものはなかったです。
そこで、一休さんみたいに考えたのが、家にある鉛筆を全部持ってきて、輪ゴムで縛る。
それを立てれば、一気に60本くらいは余裕で立ちました。w
最近では、裏技に気がついた子供たちが、60本を超える本数を申請している子供も出てきているみたい。
家にある鉛筆の数の勝負になっているようです。w
日々、記録が更新されているのですが、最初は、30本とかでした。
子供達は、普通に鉛筆を立てていくのですが、数秒に1本しか立てられないので、頑張って30本くらい。
ルールをよく読むと、特に、これをしたらダメというものはなかったです。
そこで、一休さんみたいに考えたのが、家にある鉛筆を全部持ってきて、輪ゴムで縛る。
それを立てれば、一気に60本くらいは余裕で立ちました。w
最近では、裏技に気がついた子供たちが、60本を超える本数を申請している子供も出てきているみたい。
家にある鉛筆の数の勝負になっているようです。w
【モンスト】エヴァコラボ第4弾 [ゲーム]
モンストとエヴァのコラボですが、2017年10月(4周年)に開催されたエヴァコラボ以来の2年半ぶりの開催。
2017年は、全然キャラを持っていなくてどうしようもなかったのですが、今はかなりの手持ちが増えてきています。
超究極クエストは発表されていませんが、どんな超究極でもクリアしてみたいですw
過去のコラボの使徒も全然集められていないので、この機会に集めようかなぁ♪
Two for allが獣神化しましたが、、、持っていなかった。
https://youtu.be/RJ2jj94sPDc
2017年は、全然キャラを持っていなくてどうしようもなかったのですが、今はかなりの手持ちが増えてきています。
超究極クエストは発表されていませんが、どんな超究極でもクリアしてみたいですw
過去のコラボの使徒も全然集められていないので、この機会に集めようかなぁ♪
Two for allが獣神化しましたが、、、持っていなかった。
https://youtu.be/RJ2jj94sPDc
頻度論とベイズ統計の主な考え方の違い 〜最尤法を理解する〜 [データサイエンス、統計モデル]
最近、ベイズ統計を教えたり自分で使ったりしていますが、最尤法の理解は避けて通れません。
そこで、最尤法の原理を理解するコードを作りました。
その前に、頻度論とベイズ統計の主な考え方の違いについて。
頻度論(ロナルド・フィッシャー)の世界
データが生成される確率分布のパラメータは点であると考える
(パラメータは定数で、データは確率分布)
ベイズ統計の世界
データが生成される確率分布を形成するパラメータも確率分布であると考える
(データは定数で、パラメータは確率分布)
ロナルド・フィッシャー(1890-1962)は、実験計画法、分散分析、最尤法といった現代の統計学の基礎を作った人です。
ところが、⼤のベイズ嫌いで、ベイズ統計は統計学ではないと言って駆逐しようとしました。w
続いて、最尤推定の理解について。
まず、パラメータは定数として、最初に神様が決めます。
その与えられたパラメータに従ってデータが観測されるのですが、確率分布として観測されるので、毎回同じ値が出てくるわけではないというのが基本思想となります。
例えば、平均0、分散1の正規分布からある値が出てきました。
その値が観測される確率は、
観測された値 0 → dnorm(0, 0, 1) = 0.3989423
観測された値 5 → dnorm(5, 0, 1) = 1.48672e-06
平均が0の正規分布なので、"0"が観測される確率は高く、0.398となっています。
"5"のような分布の端にある値が観測される確率は低く、1.48672e-06です。
今、平均と分散が分からない正規分布からデータが20個のデータを発生しました。
この時、平均と分散をどう推定したら良いか?
ちなみに、真の値ですが、
a <- 6
b <- 1
で設定しました。
そこで、最尤法の原理を理解するコードを作りました。
その前に、頻度論とベイズ統計の主な考え方の違いについて。
頻度論(ロナルド・フィッシャー)の世界
データが生成される確率分布のパラメータは点であると考える
(パラメータは定数で、データは確率分布)
ベイズ統計の世界
データが生成される確率分布を形成するパラメータも確率分布であると考える
(データは定数で、パラメータは確率分布)
ロナルド・フィッシャー(1890-1962)は、実験計画法、分散分析、最尤法といった現代の統計学の基礎を作った人です。
ところが、⼤のベイズ嫌いで、ベイズ統計は統計学ではないと言って駆逐しようとしました。w
続いて、最尤推定の理解について。
まず、パラメータは定数として、最初に神様が決めます。
その与えられたパラメータに従ってデータが観測されるのですが、確率分布として観測されるので、毎回同じ値が出てくるわけではないというのが基本思想となります。
例えば、平均0、分散1の正規分布からある値が出てきました。
その値が観測される確率は、
観測された値 0 → dnorm(0, 0, 1) = 0.3989423
観測された値 5 → dnorm(5, 0, 1) = 1.48672e-06
平均が0の正規分布なので、"0"が観測される確率は高く、0.398となっています。
"5"のような分布の端にある値が観測される確率は低く、1.48672e-06です。
今、平均と分散が分からない正規分布からデータが20個のデータを発生しました。
この時、平均と分散をどう推定したら良いか?
###################### 最尤推定の理解 ######################
# y = β0 + ε, ε~N(μ, σ2) から発生したモデルを推定する
# a <- ??? # 真の値
# b <- ??? # 真の値
# set.seed(1234)
# sample_dat <- round(rnorm(20, a, b), 3)
sample_dat <- c(6.415, 5.525, 6.066, 5.498, 5.174, 6.167, 5.104, 6.168, 6.355, 5.948,
5.804, 5.351, 4.890, 6.849, 6.022, 6.831, 4.756, 6.169, 6.673, 5.974)
sample_dat
# 自分で、a, bを推定する
a <- 0 # 仮に適当な数字を入れる
b <- 1 # 仮に適当な数字を入れる
# N(a, b)の時に、sample_dat(20レコード)が同時に観測される確率を計算する
# 尤度を計算
lhf <- dnorm(sample_dat, a, b)
lhf
prod(lhf) # 非常に小さい値
# 対数尤度を計算
sum(log(lhf))
# # 自分で対数尤度関数が最大となるa, bを見つける
a <- 0 # 仮に適当な数字を入れる
b <- 1 # 仮に適当な数字を入れる
# 対数尤度を計算
lhf <- dnorm(sample_dat, a, b)
sum(log(lhf))
ちなみに、真の値ですが、
a <- 6
b <- 1
で設定しました。
「所得格差大きすぎる」が約70% 20年前より増 NHK世論調査 [時事 / ニュース]
定期的に出てくるこの手の話題。。。
格差を計算する際によく使われるのがジニ係数と言われているものです。
このジニ係数が大きくなれば格差社会となり、小さくなれば格差があまりない社会となります。
このジニ係数を見ると、20年前より大きくなっています。
つまり、この数字を見るだけで、「格差が広がった、安倍政権のせいだ〜!」と言い出す人が出てきます。
本当にそうでしょうか?
まず、年代別にジニ係数を見るとこうなっています。
Q14 日本では格差の問題はどのようになっていますか|選択する未来 - 内閣府
https://www5.cao.go.jp/keizai-shimon/kaigi/special/future/sentaku/s3_2_14.html
高齢者と若者の間で格差は広がっているが、40歳〜70歳くらいは格差は広がっていないとなっています。
さらに、
と書かれています。
つまり、格差が広がっているように感じるのは、気のせいですね。
元zozoの前澤さんとか孫さんみていると、格差を感じてしまうのかもしれません。
それなりに給料もらっている人(世間で言われる高所得者たち)も、実際はものすっごい税金払っているし、子ども手当とかの補助が削減されているので、実際はそれほど裕福じゃないと感じる人も多いとおもいます。
直接的な金額だけでなく、こういったもろもろの制度が有効に機能しているってことだと思います。
テレビ的には、あまりこういうニュースは面白くなく、格差社会が広がっている!って煽った方が視聴率取れるからなのか、こういう報道が多いです。
ただ、気になるのが、若者のジニ係数も広がっているところ。
正社員になれずに、パートとか派遣として働いている人が増えています。
正社員 = 勝ち組でななく、ちょっとした物の見方、仕事に対する考え方を変えるだけで、自分で起業したり、経営者になったりできるものなんですが、日本では、まだまだ厳しいんでしょうか。
会社としても正社員となると、社会保険料が高かったり、個人に支払っている以上のお金がかかってしまいます。
そうなると、パートとか派遣という流れになってしまいがち。
ということで、まとめると
・「所得格差大きすぎる」が約70% 20年前より増
→ たぶん気のせい
・格差を感じたら、努力をして偉くなる、または起業する
格差を計算する際によく使われるのがジニ係数と言われているものです。
このジニ係数が大きくなれば格差社会となり、小さくなれば格差があまりない社会となります。
このジニ係数を見ると、20年前より大きくなっています。
つまり、この数字を見るだけで、「格差が広がった、安倍政権のせいだ〜!」と言い出す人が出てきます。
本当にそうでしょうか?
まず、年代別にジニ係数を見るとこうなっています。
Q14 日本では格差の問題はどのようになっていますか|選択する未来 - 内閣府
https://www5.cao.go.jp/keizai-shimon/kaigi/special/future/sentaku/s3_2_14.html
高齢者と若者の間で格差は広がっているが、40歳〜70歳くらいは格差は広がっていないとなっています。
さらに、
社会保障制度などを通じた再分配後のジニ係数はほぼ横ばいとなっており、社会保障制度などが再分配機能を発揮していることがわかる。
と書かれています。
つまり、格差が広がっているように感じるのは、気のせいですね。
元zozoの前澤さんとか孫さんみていると、格差を感じてしまうのかもしれません。
それなりに給料もらっている人(世間で言われる高所得者たち)も、実際はものすっごい税金払っているし、子ども手当とかの補助が削減されているので、実際はそれほど裕福じゃないと感じる人も多いとおもいます。
直接的な金額だけでなく、こういったもろもろの制度が有効に機能しているってことだと思います。
テレビ的には、あまりこういうニュースは面白くなく、格差社会が広がっている!って煽った方が視聴率取れるからなのか、こういう報道が多いです。
ただ、気になるのが、若者のジニ係数も広がっているところ。
正社員になれずに、パートとか派遣として働いている人が増えています。
正社員 = 勝ち組でななく、ちょっとした物の見方、仕事に対する考え方を変えるだけで、自分で起業したり、経営者になったりできるものなんですが、日本では、まだまだ厳しいんでしょうか。
会社としても正社員となると、社会保険料が高かったり、個人に支払っている以上のお金がかかってしまいます。
そうなると、パートとか派遣という流れになってしまいがち。
ということで、まとめると
・「所得格差大きすぎる」が約70% 20年前より増
→ たぶん気のせい
・格差を感じたら、努力をして偉くなる、または起業する
【新型コロナウィルス】いつまで緊急事態宣言を続けるか? [時事 / ニュース]
テレビの報道を見ていて、よく感染症の偉い人が
・感染者数が全然落ちていない
・一桁にならないと解除は難しいのでは?
・8割接触を減らしましょう
といったことを言っています。
テレビのコメンテーターも、直接的なコロナによる死を減らすには確かに自粛をした方が良いので、「みんなで頑張って自粛しましょう。」というコメンテーターが多い。
医療崩壊ではなく、経済が崩壊するのでそちらとのバランスが必要、と言える人もいます。
3月から始まった自粛ですが、中小企業だとけっこうギリギリの水準になっていると思われます。
ゴールデンウィーク明けに再開したとしても既に倒産や失業者はかなり多い。
これが6月まで延長となると、医療崩壊ではなく経済崩壊によって自殺する人がどんどん出てくるでしょう。
海外(欧米)では、日本の100陪以上の致死率・死者数を出していますが、もはや経済がもたないということで、自粛をやめ始めています。
医療崩壊以前に、経済崩壊すると経済崩壊からの医療崩壊がはじまってしまいます。
そうなると、コロナで直接死ぬ人も増えるし、自殺者が増えて、間接的に死ぬ人も増えてくる。
緊急事態宣言などを決定する際に、医療関係の人の意見が強すぎるのではないでしょうか?
・感染者数が全然落ちていない
・一桁にならないと解除は難しいのでは?
・8割接触を減らしましょう
といったことを言っています。
テレビのコメンテーターも、直接的なコロナによる死を減らすには確かに自粛をした方が良いので、「みんなで頑張って自粛しましょう。」というコメンテーターが多い。
医療崩壊ではなく、経済が崩壊するのでそちらとのバランスが必要、と言える人もいます。
3月から始まった自粛ですが、中小企業だとけっこうギリギリの水準になっていると思われます。
ゴールデンウィーク明けに再開したとしても既に倒産や失業者はかなり多い。
これが6月まで延長となると、医療崩壊ではなく経済崩壊によって自殺する人がどんどん出てくるでしょう。
海外(欧米)では、日本の100陪以上の致死率・死者数を出していますが、もはや経済がもたないということで、自粛をやめ始めています。
医療崩壊以前に、経済崩壊すると経済崩壊からの医療崩壊がはじまってしまいます。
そうなると、コロナで直接死ぬ人も増えるし、自殺者が増えて、間接的に死ぬ人も増えてくる。
緊急事態宣言などを決定する際に、医療関係の人の意見が強すぎるのではないでしょうか?
楽天モバイル(UN-LIMIT)をWiMAXルーターW05で使う [よもやま日記]
auのWiMAXルーターW05があったので、楽天モバイルのsimを入れました。
結果、使えるといえば使えます。
ただし、1ヶ月5ギガ制限で、使い切ったら、1Mbpsまで低下します。
無制限で利用するには、Band3が必要でファームウェアをダウングレードする必要がありそうです。
まぁ、できなくはないのですが、怪しいサイトからファイルをダウンロードしたりするので、ちょっとリスクが高いです。
そこまでして、使おう!という気にはなれない。
楽天モバイルはテザリングできるので、余っているスマートフォンをwifiルーターとして使う方が設定が簡単だし、リスクも少ないかなって思いました。
iPadに楽天モバイルのsimを入れたら、即利用できたので、こちらを親機として使っても良いかもしれませんね。
結果、使えるといえば使えます。
ただし、1ヶ月5ギガ制限で、使い切ったら、1Mbpsまで低下します。
無制限で利用するには、Band3が必要でファームウェアをダウングレードする必要がありそうです。
まぁ、できなくはないのですが、怪しいサイトからファイルをダウンロードしたりするので、ちょっとリスクが高いです。
そこまでして、使おう!という気にはなれない。
楽天モバイルはテザリングできるので、余っているスマートフォンをwifiルーターとして使う方が設定が簡単だし、リスクも少ないかなって思いました。
iPadに楽天モバイルのsimを入れたら、即利用できたので、こちらを親機として使っても良いかもしれませんね。
椚田遺跡公園 [ファミリー]
椚田遺跡公園
https://www.city.hachioji.tokyo.jp/kankobunka/003/005/p005307.html
駐車場はないのですが、広い公園でした。
遊具とかもないです。
人があんまりいないので、のんびりと遊べてオススメです!
https://www.city.hachioji.tokyo.jp/kankobunka/003/005/p005307.html
昭和50年(1975年)に区画整理事業に伴い発掘された遺跡で、縄文時代中期の典型的な集落として保存状態が非常によかったため、国の史跡に指定されました。長期にわたって人々が住み続けた結果、多数の住居跡が重複した状態で発見されています。建て替えや拡張した痕跡のある住居跡もあります。
駐車場はないのですが、広い公園でした。
遊具とかもないです。
人があんまりいないので、のんびりと遊べてオススメです!