Budgetår
Institution
MAIExaminator
Martin SingullSchemablock
HalvterminHT2: block 3
Huvudområden
MatematikTillämpad matematik
Nivå
A1XTidsfördelning
6,0HPSchemalagd tid: 44 timmar
Självstudietid: 116 timmar
SNY har ordet
Det finns inga aktuella kommentarer för kursen. Om du har läst kursen får du gärna kontakta SNY med en kommentar för att förbättra kommande upplagor av Y-arens guide till galaxen.Innehåll
Linjära modeller. ANOVA och MANOVA. Multipel linjär regression. Modellanpassning och diagnostik. Modellvalidering.Icke-linjär regression. Generaliserade linjära modeller och logistisk regression. Regressionsmetoder för högdimensionella data (Ridge, Lasso). Blandade linjära modeller. Upprepade mätningar. PLS-modellering och principalkomponentregression (PCR).
Mål
Kursen avser att lära den studerande förstå och utnyttja olika regressionsmodeller för att analysera data från olika tillämpningar, det vill säga ge studenten kännedom om statistiska begrepp och verktyg för att relatera en eller flera responsvariabler till möjliga förklarande variabler. Modeller och metoder för två olika tillämpningsområden diskuteras: i) klassisk statistisk modellering, där man har relativt få förklarande variabler samt förhållandevis många observationer vilket leder till olika typer av (multivariata) regressionsmodeller; samt ii) högdimensionella modeller, när det finns många fler förklarande variabler än observationer, vilket leder till prediktions- och klassificeringsalgoritmer för högdimensionella data.
Efter fullgjord kurs förväntas studenten:
- känna till statistiska egenskaperna hos punktskattningar som används inom olika regressionsmodeller,
- lista och kunna redogöra för antagandena bakom de standardparametriska regressionsmodellerna,
- bedöma modellanpassning av en regressionsmodell till data och veta hur man identifierar, diagnostiserar och åtgärder potentiella problem,
- identifiera och utveckla regressionsmodelleringsstrategier som är lämpliga för såväl små som stora och massiva datamängder,
- förklara hur den multipla linjära regressionen kan generaliseras för att hantera en responsvariabel som är binär eller kategorisk,
- använda generaliserade linjära modeller för att analysera data, samt tolka och kritiskt granska resultaten av analyserna,
- förstå behovet av blandade linjära modeller och använda dessa i statistiska analyser,
- självständigt kunna analysera ett verkligt datamaterial utifrån ovanstående sammanhang.
Examinationsmoment
TEN1 - 4,0 HPSkriftlig tentamen (U, 3, 4, 5)
UPG1 - 2,0 HP
Projektuppgift (U, G)
Organisation
Undervisningen består av föreläsningar, lektioner/datorlektioner samt en projektuppgift.
Litteratur
Böcker
Dobson, A. J., & Barnett, A., (2008) An introduction to generalized linear models CRC pressHastie, T., Tibshirani, R., & Friedman, J., (2017) The Elements of Statistical Learning 2 SpringerJames, G., Witten, D., Hastig, T., & Tibshirani, R., (2013) An introduction to statistical learning SpringerKompendier
Kompletterande material utgivet av institutionen.
Relaterade profiler
Matematisk statistik och optimeringslära
MSO - MAI |
Rekommenderade förkunskaper
Sannolikhetslära
TAMS14 - 4,0 HP - VT1 block 1 | VT2 block 4 |
Statistisk teori, grk
TAMS24 - 4,0 HP - HT1 block 4 |
Kommentarer
Logga in för att kunna läsa och skriva kommentarer. |