Build your ultimate AI agent
Kursbeschreibung
Dieser Kurs beginnt mit einer Wiederholung von Steigungen und Achsenabschnitten in linearen Regressionen und führt anschließend Zufallseffekte ein. Du lernst, was ein Zufallseffekt ist und wie du ihn zur Modellierung deiner Daten verwendest. Als Nächstes behandelt der Kurs lineare gemischte Modelle. Diese leistungsstarken Modelle ermöglichen es dir, Daten mit einer komplexeren Struktur zu untersuchen als bei einer einfachen linearen Regression. Danach lernst du verallgemeinerte lineare gemischte Modelle kennen. Sie erlauben dir, weitere Datentypen zu modellieren, darunter binäre Antworten und Zähldaten. Zum Schluss geht es um die Analyse von Messwiederholungen als Sonderfall gemischter Modelle. Solche Daten entstehen, wenn Probanden über die Zeit hinweg beobachtet und in Intervallen gemessen werden. Im gesamten Kurs arbeitest du mit realen Daten und beantwortest spannende Fragen mit gemischten Modellen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Überblick und Einführung in hierarchische und gemischte Modelle
Das erste Kapitel zeigt ein Beispiel dafür, wann man ein gemischtes Modell einsetzt, und erläutert die Bestandteile einer Regression. Außerdem wird ein Datensatz mit Testergebnissen von Schülern mit verschachtelter Struktur untersucht, um gemischte Effekte zu veranschaulichen.
- Was ist ein hierarchisches Modell?50 XP
- Beispiele für hierarchische Datensätze100 XP
- Mehrstufige Schülerdaten100 XP
- Mehrere Ebenen erkunden: Klassen und Schulen100 XP
- Bestandteile einer Regression50 XP
- Achsenabschnitte100 XP
- Steigungen und multiple Regression100 XP
- Random-Effects in Regressionen mit Schuldaten50 XP
- Random-Effect-Intercepts100 XP
- Steigungen mit Zufallseffekten100 XP
- Das Schulmodell aufbauen100 XP
- Das Schulmodell interpretieren100 XP
2
Lineare gemischte Modelle
Dieses Kapitel führt in lineare gemischte Modelle ein. Es behandelt verschiedene Arten von Zufallseffekten, beschreibt, wie man die Ergebnisse linearer gemischter Modelle interpretiert, und stellt unterschiedliche Methoden zur statistischen Inferenz mit gemischten Modellen anhand von Kriminalitätsdaten aus Maryland vor.
3
Verallgemeinerte lineare gemischte Modelle
Dieses Kapitel erweitert lineare gemischte Modelle um nicht-normalverteilte Fehlert erme mithilfe verallgemeinerter linearer gemischter Modelle. Durch die Anpassung des Modells um einen nicht-normalverteilten Fehlerterm kannst du weitere Datentypen mit nichtlinearen Antworten modellieren. Nach einem Überblick über verallgemeinerte lineare Modelle werden binäre Daten und Zähldaten im Kontext gemischter Modelle betrachtet.
4
Messwiederholungen
Dieses Kapitel zeigt, wie die Analyse von Messwiederholungen ein Sonderfall gemischter Modellierung ist. Es beginnt mit einer Wiederholung von gepaarten t-Tests und Varianzanalysen mit Messwiederholung. Anschließend untersucht ein lineares gemischtes Modell Daten aus einer Schlafstudie. Zum Schluss wird ein verallgemeinertes lineares gemischtes Modell verwendet, um Hasskriminalitätsdaten aus dem Bundesstaat New York im Zeitverlauf zu analysieren.
R
Hierarchische und gemischte Effekte-Modelle in R
Kurs
abgeschlossen
