040690 UK Generalized Linear Model (UK) (2023S)
Continuous assessment of course work
Labels
Summary
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
- Registration is open from Mo 13.02.2023 09:00 to We 22.02.2023 12:00
- Deregistration possible until Fr 17.03.2023 23:59
Registration information is available for each group.
Groups
Group 1
max. 35 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Thursday 02.03. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 09.03. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 16.03. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 23.03. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 30.03. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 20.04. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 27.04. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 04.05. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 11.05. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 25.05. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 01.06. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 15.06. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Thursday 22.06. 16:45 - 18:15 Hörsaal 5 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Wednesday 28.06. 15:00 - 16:30 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Aims, contents and method of the course
Group 2
max. 35 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Thursday 02.03. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 09.03. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 16.03. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 23.03. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 30.03. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 20.04. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 27.04. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 04.05. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 11.05. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 25.05. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 01.06. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 15.06. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Thursday 22.06. 15:00 - 16:30 Hörsaal 7 Oskar-Morgenstern-Platz 1 1.Stock
- Wednesday 28.06. 15:00 - 16:30 Hörsaal 4 Oskar-Morgenstern-Platz 1 Erdgeschoß
Aims, contents and method of the course
Ziele:
Praxisnahe Vermittlung von fortgeschrittenen Methoden der angewandten Statistik, insbesondere von verschiedenen Regressionsmodellen. Vermitteln eines Grundverständnisses für die statistische Modellierung. Durchführung von praxisorientierten Datenanalysen mittels R.Inhalte:
1. Verallgemeinerte lineare Modelle; Modelle für stetige und binomiale Zielvariablen, Zähldaten.
2. Lineare und verallgemeinerte lineare gemischte Modelle.
3. Nicht-parametrische Regression.Methoden:
Vorlesung mit kombinierter Übung.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.
Praxisnahe Vermittlung von fortgeschrittenen Methoden der angewandten Statistik, insbesondere von verschiedenen Regressionsmodellen. Vermitteln eines Grundverständnisses für die statistische Modellierung. Durchführung von praxisorientierten Datenanalysen mittels R.Inhalte:
1. Verallgemeinerte lineare Modelle; Modelle für stetige und binomiale Zielvariablen, Zähldaten.
2. Lineare und verallgemeinerte lineare gemischte Modelle.
3. Nicht-parametrische Regression.Methoden:
Vorlesung mit kombinierter Übung.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.
Information
Assessment and permitted materials
Es gibt zwei Hausarbeiten: eine zum Thema 1 und eine zu den Themen 2 und 3. Die Bearbeitungszeit der Hausarbeiten ist 1 Woche. Die erste Hausarbeit wird am 20.04.2023 vergeben, die zweite am 15.06.2023.
Zusätzlich, wird es eine schriftliche Prüfung in Präsenz zu den theoretischen Inhalten am 28.06.2023 um 15.00 im HS4 geben.
Zusätzlich, wird es eine schriftliche Prüfung in Präsenz zu den theoretischen Inhalten am 28.06.2023 um 15.00 im HS4 geben.
Minimum requirements and assessment criteria
Die maximale Anzahl der Punkte:
40 Punkte Schriftliche Prüfung
30 Punkte Hausarbeit zum Thema 1
30 Punkte Hausarbeit zu den Themen 2 und 3
Die Note ermittelt sich nach dem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
40 Punkte Schriftliche Prüfung
30 Punkte Hausarbeit zum Thema 1
30 Punkte Hausarbeit zu den Themen 2 und 3
Die Note ermittelt sich nach dem Schema: 4 ab 50 Punkten, 3 ab 63 Punkten, 2 ab 75 Punkten, 1 ab 87 Punkten.
Examination topics
Inhalte der behandelten Themen.
Reading list
Dobson, A.J. (2001) An introduction to generalised linear models
Fahrmeir, L., Kneib, T., Lang, S. (2007) Regression: Modelle, Methoden und Anwednungen
Nelder, J.A, McCullagh, P. (1989) Generalised linear models
Fahrmeir, L., Kneib, T., Lang, S. (2007) Regression: Modelle, Methoden und Anwednungen
Nelder, J.A, McCullagh, P. (1989) Generalised linear models
Association in the course directory
Last modified: Tu 14.03.2023 11:28
Praxisnahe Vermittlung von fortgeschrittenen Methoden der angewandten Statistik, insbesondere von verschiedenen Regressionsmodellen. Vermitteln eines Grundverständnisses für die statistische Modellierung. Durchführung von praxisorientierten Datenanalysen mittels R.Inhalte:
1. Verallgemeinerte lineare Modelle; Modelle für stetige und binomiale Zielvariablen, Zähldaten.
2. Lineare und verallgemeinerte lineare gemischte Modelle.
3. Nicht-parametrische Regression.Methoden:
Vorlesung mit kombinierter Übung.
Vorlesungsskript und Daten werden zur Verfügung gestellt.
Studierende müssen in statistischer Software am eigenen Rechner programmieren.