Umělá inteligence |
Vícerozměrné metody pro analýzu a klasifikaci dat |
Statistické modelování |
Teorie a praxe jádrového vyhlazování |
Regresní modelování |
Opakování základů biostatistiky |
Statistické hodnocení biodiverzity |
Výstupy z výukové jednotky |
Motivace kurzu - účel regresního modelování |
Data, jejich popis a vizualizace |
Náhodná veličina, rozdělení pravděpodobnosti a reálná data |
Bodové a intervalové odhady |
Statistická inference |
Literatura |
Lineární regresní model |
Výstupy z výukové jednotky |
Motivace |
Jak definujeme lineární regresní model? |
Praktické otázky vícenásobné lineární regrese |
Lineární regresní model |
Normálně rozdělený výsledek |
Odhady parametrů regresního modelu |
Základní statistické testy v regresním modelu |
Koeficient determinace |
Předpoklady regresních modelů |
Prediktory různých datových typů |
Příklady základních biostatistických modelů |
Řešený praktický příklad: závislost koncentrace vitamínu na BMI |
Problémy k řešení |
Literatura |
Výstupy z výukové jednotky |
Interakce proměnných |
Multikolinearita |
Chybějící data |
Problémy k řešení |
Literatura |
Modelovací strategie a ověření předpokladů modelu |
Problémy k řešení |
Výstupy z výukové jednotky |
Kauzalita |
Modelovací strategie |
Ověření předpokladů modelu |
Řešený praktický příklad: Spotřeba automobilů |
Literatura |
Logistický regresní model a jiné zobecněné lineární modely |
Základní informace |
Výstupy z výukové jednotky |
Vztah dvou binárních proměnných – měření účinku |
Proč používáme zobecněné lineární modely? |
Logistický regresní model |
Definice logistického regresního modelu |
Interpretace koeficientů logistického regresního modelu |
Ověření správnosti logistického regresního modelu |
Řešený praktický příklad: Rizikové faktory srdeční choroby |
Analýza deviance |
Poissonův regresní model |
Definice Poissonova regresního modelu |
Interpretace koeficientů Poissonova regresního modelu |
Ověření správnosti Poissonova regresního modelu |
Nadměrný rozptyl – overdispersion |
Problémy k řešení |
Literatura |
Vztah dvou binárních proměnných – měření účinku
Jak bylo řečeno v úvodu, klíčovým cílem této výukové jednotky je seznámit čtenáře s modelováním binárních výsledků (mohou nabývat hodnoty ano/ne). Klíčovou veličinou, která nám pomůže kvantifikovat vliv konkrétních prediktorů na takový výsledek je tzv. poměr šancí (odds ratio).
S definicí poměru šancí se seznámíte v této výukové jednotce: Asociace ve čtyřpolní tabulce