Генерализовани линеарни модели - курс 3600 руб. са Отворене едукације, обука 3 недеље, око 6 часова недељно, датум 29.11.2023.
мисцеланеа / / December 01, 2023
Један од услова за применљивост конвенционалних линеарних модела је независност посматрања једних од других, на основу којих се бира модел. Међутим, у пракси се често дешавају ситуације да је дизајн прикупљања материјала такав да је кршење овог услова неизбежно. Замислите да сте одлучили да изградите модел који описује однос између учинка физичког васпитања и резултата ИК теста међу ученицима. Да бисте решили овај проблем, направили сте бројне узорке у неколико институција. Да ли је могуће комбиновати такве податке у једну анализу, изграђену према традиционалној шеми? Наравно да не. Студенти на сваком универзитету могу бити слични једни другима на неки начин. Чак и природа односа између величина које се проучавају може бити нешто другачија. Ову врсту података, у којима постоје унутаргрупне корелације, треба анализирати коришћењем линеарних мешовитих модела. Показаћемо да неке предикторе треба укључити у модел као такозване „случајне факторе“. Научићете да случајни фактори могу бити хијерархијски подређени. Разговараћемо о томе како се такви мешовити модели могу изградити за зависне варијабле које прате различите типове дистрибуција. Поред тога, показаћемо да случајни део модела може бити још сложенији – може имати компоненту која моделира понашање варијансе као одговор на утицај коваријате. На крају курса, наћи ћете пројекат у којем можете вежбати изградњу мешовитих модела одабиром једног од неколико скупова података. На основу анализе ових података, можете направити извештај у традицији поновљивог истраживања.
Ванредни професор Катедре за зоологију бескичмењака Биолошког факултета Санкт Петербургског државног универзитета, др.
Научна интересовања: структура и динамика морских бентосних заједница, просторне размере, сукцесија, интерспецифичност и интраспецифичност биотичке интеракције, раст и репродукција морских бескичмењака, демографска структура популација, микроеволуција, биостатистика.
Курс се састоји од 4 модула:
1) Увод у генерализоване линеарне моделе
Генерализовани линеарни модели (ГЛМ) вам омогућавају да моделирате понашање величина које не прате нормалну дистрибуцију. Да бисмо вам олакшали прве кораке у свету ГЛМ-а, анализираћемо њихову структуру на примеру ГЛМ-а за нормално распоређене количине – на овај начин можете повући паралеле са једноставним линеарним моделима. Научићете шта је функција везе, како функционише максимална вероватноћа и како тестирати ГЛМ хипотезе користећи Валдове тестове и тестове односа вероватноће.
2) Проблем избора модела
У овом модулу ћемо говорити о методолошким питањима везаним за изградњу модела. Модел је поједностављена репрезентација стварности, а бирање између различитих конкурентских метода таквог поједностављења је чест задатак за аналитичара. У овом модулу ћете научити да упоредите моделе користећи критеријуме информација. Разговараћемо о главним опцијама за анализу при избору модела и разговараћемо о потешкоћама које настају у вези са скривеним мноштвом модела. Коначно, научићемо вас да препознате главне врсте злоупотреба избора модела (дата-фисхинг, п-хацкинг).
3) Генерализовани линеарни модели за бројање података
У овом модулу ћемо разговарати о основним методама за моделовање пребројивих величина. Прво ћемо размотрити зашто конвенционални линеарни модели нису погодни за бројање података. Својства пребројивих дистрибуција ће вам помоћи да разумете разлике између типова ГЛМ-а за пребројиве податке и карактеристике њихове дијагностике. Видећете функцију везе на делу када визуелизујете ГЛМ предвиђања на скали функције везе и на скали променљиве одговора.
4) Генерализовани линеарни модели са бинарним одговором
Понекад постоји потреба да се симулира да ли се неки догађај десио или не, да ли је фудбалски тим или изгубио, да ли се пацијент опоравио након лечења или не, да ли се клијент починио купити или не. Конвенционални линеарни модели нису погодни за моделирање таквих бинарних података (догађаја са два исхода), али се то лако може урадити коришћењем генерализованих линеарних модела. У овом модулу ћете научити да моделирате вероватноће догађаја тако што ћете их представити као квоте. Погледаћемо како функционише логит линк функција и како се тумаче ГЛМ коефицијенти када се користи. Коначно, моћи ћете да вежбате анализу генерализованих линеарних модела са различитим дистрибуцијама тако што ћете завршити пројекат анализе података. Резултате ове анализе треба представити као извештај у хтмл формату, написан помоћу рмаркдовн/книтр.
• Научите које вештине су потребне да бисте започели са аналитиком и науком о подацима• Научите да користите Екцел, СКЛ, Повер БИ, Гоогле Дата Студио за рад са податке и напишите свој први код у Питхон-у• Добијте водич корак по корак и научите како да уђете у поље науке о подацима и изаберете улогу у науци о подацима
4,4
1 490 ₽