After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Dane kategoryczne otaczają nas wszędzie. Znajdziemy je w wynikach najnowszych sondaży opinii publicznej, w danych prowadzących do przełomowych odkryć w genomice oraz w ogromnych zbiorach danych gromadzonych przez firmy internetowe. W tym kursie poznasz techniki wyodrębniania sygnału z szumu – narzędzia pozwalające ocenić, kiedy struktura w danych odzwierciedla rzeczywiste zjawiska, a kiedy jest jedynie przypadkowym szumem.
Wymagania wstępne
Program kursu
Plan kursu
1
Wnioskowanie dla jednego parametru
W tym rozdziale nauczysz się przeprowadzać wnioskowanie statystyczne dla jednego parametru opisującego dane kategoryczne. Omówimy zarówno metody oparte na próbkowaniu, jak i metody aproksymacyjne stosowane dla pojedynczej proporcji.
- Ogólne Badanie Społeczne50 XP
- Eksploracja zmiennej consci100 XP
- Generowanie metodą bootstrap100 XP
- Tworzenie przedziału ufności100 XP
- Dlaczego więcej bootstrapów?50 XP
- Interpretacja przedziału ufności50 XP
- Przedziały ufności i poziom ufności50 XP
- SE przy mniejszej ilości danych100 XP
- SE przy różnych wartościach p100 XP
- Skrót aproksymacyjny50 XP
- Przedział ufności metodą aproksymacji100 XP
- Porównanie metod50 XP
2
Proporcje: testowanie i moc testu
Ten rozdział pogłębia wiedzę na temat testowania hipotez i tworzenia przedziałów ufności dla jednego parametru. Następnie nauczysz się przeprowadzać wnioskowanie dla różnicy między dwiema proporcjami. Na koniec rozdziału zbadasz, co się dzieje, gdy hipoteza zerowa jest prawdziwa.
3
Porównywanie wielu parametrów: niezależność
Ta część kursu uczy, jak stosować metody resamplingowe i klasyczne do testowania niezależności dwóch zmiennych kategorycznych. Rozdział obejmuje przeprowadzanie testu chi-kwadrat.
4
Porównywanie wielu parametrów: dobroć dopasowania
Kurs kończy się dwoma studiami przypadków z wykorzystaniem danych wyborczych. Nauczysz się stosować test chi-kwadrat do sprawdzania dobroci dopasowania. Przeanalizujesz wyniki wyborów z Iranu i Iowa oraz sprawdzisz, czy prawo Benforda obowiązuje dla tych zbiorów danych.
R
Wnioskowanie dla danych kategorycznych w R
Kurs
ukończony
