Build your ultimate AI agent
Opis kursu
Kurs rozpoczyna się od przypomnienia nachyleń i wyrazów wolnych w regresji liniowej, a następnie przechodzi do efektów losowych. Dowiesz się, czym jest efekt losowy i jak wykorzystać go do modelowania danych. Kolejna część kursu poświęcona jest liniowym modelom mieszanym. Te wszechstronne modele pozwolą ci analizować dane o bardziej złożonej strukturze niż standardowa regresja liniowa. Kurs omawia też uogólnione liniowe modele mieszane, które umożliwiają modelowanie szerszej gamy danych – w tym odpowiedzi binarnych i danych zliczeniowych. Na końcu poznasz analizę powtarzanych pomiarów jako szczególny przypadek modelowania mieszanego. Ten rodzaj danych pojawia się wtedy, gdy obiekty badania są obserwowane w czasie, a pomiary są zbierane w regularnych odstępach. Przez cały kurs będziesz pracować z prawdziwymi danymi i odpowiadać na ciekawe pytania przy użyciu modeli mieszanych.
Wymagania wstępne
Program kursu
Plan kursu
1
Przegląd i wprowadzenie do modeli hierarchicznych i mieszanych
Pierwszy rozdział pokazuje, kiedy warto zastosować model mieszany, i omawia składowe regresji. Rozdział analizuje też zbiór danych z wynikami testów uczniów o zagnieżdżonej strukturze, aby zilustrować działanie modeli mieszanych.
- Czym jest model hierarchiczny?50 XP
- Przykłady hierarchicznych zbiorów danych100 XP
- Wielopoziomowe dane uczniów100 XP
- Eksploracja wielu poziomów: klasy i szkoły100 XP
- Elementy regresji50 XP
- Wyrazy wolne100 XP
- Nachylenia i regresja wielokrotna100 XP
- Efekty losowe w regresji na danych szkolnych50 XP
- Losowe wyrazy wolne100 XP
- Losowe nachylenia100 XP
- Budowanie modelu szkolnego100 XP
- Interpretacja modelu szkolnego100 XP
2
Liniowe modele mieszane
Ten rozdział stanowi wprowadzenie do liniowych modeli mieszanych. Omawia różne rodzaje efektów losowych, wyjaśnia, jak interpretować wyniki liniowych modeli mieszanych, oraz przedstawia różne metody wnioskowania statystycznego – na podstawie danych o przestępczości z Maryland.
3
Uogólnione liniowe modele mieszane
Ten rozdział rozszerza liniowe modele mieszane o niestandardowe składniki błędu, wprowadzając uogólnione liniowe modele mieszane. Dzięki modyfikacji modelu możliwe jest analizowanie szerszego zakresu danych z nieliniowymi odpowiedziami. Po przypomnieniu uogólnionych modeli liniowych rozdział omawia dane dwumianowe i zliczeniowe w kontekście modeli mieszanych.
4
Pomiary powtarzane
Ten rozdział pokazuje, że analiza powtarzanych pomiarów jest szczególnym przypadkiem modelowania mieszanego. Zaczyna się od przypomnienia sparowanych testów t oraz jednoczynnikowej analizy wariancji dla pomiarów powtarzanych. Następnie liniowy model mieszany zostaje zastosowany do analizy danych z badania snu. Na koniec uogólniony liniowy model mieszany posłuży do zbadania danych o przestępstwach z nienawiści w stanie Nowy Jork na przestrzeni czasu.
R
Hierarchiczne i mieszane modele efektów w R
Kurs
ukończony
