Смешанные линейные модели

От: Coursera

41 занятия для изучения смешанных линейных моделей от СПбГУ. Курс длится 1 месяц и предполагает 10 часов занятий в неделю. Будет полезен аналитикам с базовыми знаниями языка R. В программе: моделирование структуры дисперсии в смешанных моделях, счётные и бинарные данные. Студенты научатся строить модели со случайными факторами для величин с разными типами распределений. Обратная связь по заданиям от эксперта и сертификат по окончании.

Сводка

Цена
0₽
Рассрочка
от 200₽
Статус
Идет набор
Длительность
28 дней
Язык
ru

Описание курса

Строить модели со случайными факторами для величин с разными типами распределений

- Включать некоторые предикторы в модель в качестве так называемых “случайных факторов”
- Добавлять случайные факторы в иерархическую систему
- Строить смешанные модели для зависимых переменных, подчиняющихся разным типам распределений
- Выбирать один из нескольких датасетов для построения смешанной модели
- Моделировать поведение счётных величин при помощи обобщённых смешанных линейных моделей
- Создавать отчёты, выдержанные в традициях воспроизводимого исследования

О школе

Coursera
Отзывы 0
Информация
Компания основана в 2012 году. Официальный сайт https://ru.coursera.org. Мы собрали и проверили более 17 отзывов об онлайн курсах Coursera.

Программа курса

Знакомство со смешанными линейными моделями
В этом модуле вы сделаете первый шаг в мир смешанных линейных моделей. Вы познакомитесь с понятием случайного фактора. Вы увидите примеры дизайнов сбора данных, когда использование таких факторов становится необходимым и поймете, что происходит с моделями, если такие факторы не учитывать или учитывать нерационально. Вам предстоит построить смешанную модель, предполагающую, что переменная-отклик подчиняется нормальному распределению. На этом примере вы научитесь трактовать результаты построения смешанных моделей и визуализировать их. Вы увидите, что подходы к работе со смешанными моделями существенно отличаются от более привычных нам форм регрессионного и дисперсионного анализа.
Моделирование структуры дисперсии в смешанных моделях
Одним из ключевых ограничений при работе с моделями, основанными на нормальном распределении переменной отклика, является отсутствие гетероскедастичности. Тем не менее признаки неравенства дисперсии для разных значений ковариат выявляются очень часто. Если гетерогенность дисперсий не учитывать, это может привести к неадекватной трактовке результатов подбора модели. В этом модуле мы рассмотрим один из возможных подходов к решению этой проблемы - моделирование структуры дисперсии. Вы познакомитесь с нескольким способами моделирования связи между варьированием переменной отклика и непрерывными или дискретными предикторами, которые называются ковариаты дисперсии. Мы рассмотрим как можно ввести такой компонент, как в простую, так и смешанную линейную модель.
Смешанные линейные модели для счетных данных
В этом модуле вы научитесь моделировать поведение счетных величин при помощи обобщенных смешанных линейных моделей (GLMM). В основе этих моделей будет лежать распределение Пуассона или отрицательное биномиальное распределение. Мы вместе вспомним, что такое связывающей функция, и каким образом она обеспечивает связь между предиктором и счетной зависимой переменной. GLMM для счетных данных требуют, чтобы связь среднего и дисперсии в данных соответствовала ожидаемой для выбранного распределения. Вы научитесь оценивать степень избыточности дисперсии и бороться с ней, если она присутствует. Мы встретим и обсудим случаи, когда функции языка R не будут способны подобрать модель по техническим причинам, и рассмотрим некоторые методы устранения таких проблем. Наконец, мы обсудим особенности трактовки результатов GLMM: интерпретацию коэффициентов моделей, основанных на распределениях для счетных данных, методы тестирования гипотез, пост-хок тесты и способы визуализации результатов.
Смешанные линейные модели для бинарных данных
В последнем модуле этой специализации мы применим весь имеющийся нашем арсенале набор средств для построения модели, в которой зависимая переменная имеет бинарную природу. Мы повторим принципы работы с бинарными переменными: переход от вероятностей к шансам и логитам. Далее мы обсудим материал, в котором несколько случайных факторов находятся в иерархическом соподчинении. На примере модели для этих данных мы рассмотрим разнообразные подводные камни, которые имеются при работе со смешанными моделям с бинарной переменной-откликом.
Инструменты
R
Markdown

Отзывы

Еще не добавили ни одного отзыва