Build your ultimate AI agent
Opis kursu
Pracując z danymi, często chcemy budować modele do przewidywania przyszłych zdarzeń, ale zależy nam też na głębszym zrozumieniu tego, jak dane są ze sobą powiązane i ustrukturyzowane. W tym kursie poznasz metody badania powiązań w danych przy użyciu strukturalnego modelowania równań (SEM) w języku R z pakietem lavaan. SEM wprowadzi cię w pojęcia zmiennych utajonych i obserwowalnych oraz pokaże, jak tworzyć modele pomiarowe, oceniać ich dokładność i poprawiać modele słabo dopasowane. W trakcie kursu będziesz pracować z klasycznymi zbiorami danych SEM – Holzingera i Swineford (1939) oraz Bollena (1989). Przeprowadzisz też analizę przypadku wieloczynnikowego modelu opartego na Skali Inteligencji Dorosłych Wechslera. Po ukończeniu kursu będziesz potrafić dogłębnie eksplorować swoje dane i lepiej rozumieć, jak wszystkie elementy do siebie pasują.
Wymagania wstępne
Program kursu
Plan kursu
1
Modele jednoczynnikowe
W tym rozdziale zaczniesz tworzyć swój pierwszy model strukturalnego modelowania równań w lavaan. Poznasz kluczową terminologię, nauczysz się budować i uruchamiać modele. Zbudujesz jednoczynnikowy model zdolności umysłowych na podstawie klasycznego zbioru danych Holzingera i Swineford (1939).
- Specyfikacja modelu50 XP
- Zbuduj model szybkości tekstowej100 XP
- Zbuduj model demokracji politycznej100 XP
- Analiza modelu50 XP
- Analiza modelu szybkości czytania100 XP
- Podsumowanie demokracji politycznej50 XP
- Ocena modelu50 XP
- Analiza standaryzowanych ładunków100 XP
- Analiza wskaźników dopasowania100 XP
- Analiza demokracji politycznej100 XP
2
Modele wieloczynnikowe
W tym rozdziale rozwiniesz swoje umiejętności w lavaan i przejdziesz do tworzenia modeli wieloczynnikowych. Udoskonalimy modele jednoczynnikowe z poprzedniego rozdziału, wprowadzając wiele zmiennych utajonych w klasycznym zbiorze danych Holzingera i Swineford (1939).
3
Rozwiązywanie błędów modelu i tworzenie diagramów
Modele strukturalnego modelowania równań nie zawsze działają bez problemów. W tym rozdziale nauczysz się rozwiązywać przypadki Heywood – typowe błędy pojawiające się w SEM. Dowiesz się też, jak tworzyć diagramy modelu w R przy użyciu biblioteki semPlot.
4
Pełny przykład i rozszerzenie
W tym rozdziale przyjrzysz się Skali IQ WAIS-III i jej właściwościom strukturalnym. Wykorzystasz umiejętności zdobyte w trzech poprzednich rozdziałach, aby tworzyć różne modele WAIS-III, rozwiązywać błędy w tych modelach i tworzyć diagramy modelu końcowego.
R
Strukturalne modelowanie równań z lavaan w R
Kurs
ukończony
