Bayesianska metoder
Kort om kursen
Utforska Bayesiansk statistik och lär dig hur du kombinerar data med tidigare kunskap för att bygga effektiva modeller. Du får praktisk erfarenhet av moderna MCMC och arbetar med din egen data genom hela analysprocessen. Efter kursen kan du självständigt utveckla och utvärdera avancerade statistiska modeller för forskning och verkliga problem.
Om utbildningen
Bayesiansk statistisk analys och frekventistisk statistisk analys är inte samma sak. Det finns både filosofiska och praktiska skillnader. Det bayesianska angreppssättet integrerar formellt ny evidens med befintligexpertis.
Kursen inleds med en introduktion till det filosofiska ramverket och kontrasten mellan den bayesianska användningen av sannolikhet och den traditionella definitionen av sannolikhet som en långsiktigfrekvens.
Därefter skiftar fokus till bayesiansk beräkning och bayesianskt arbetsflöde, med uppbyggnad från enkla exempel till Generalized Linear Mixed Models för att illustrera mångfalden av bayesiansk modellering. Särskild uppmärksamhet ägnas åt att passa regressionsmodeller med Hamiltonian Markov Chain Monte Carlo, bedöma konvergens och utvärdera modellanpassning. Du får praktisk erfarenhet genom att arbeta med din egen datamängd och forskningsfråga.
Behörigheter och urval
Behörighet
Behörighetskraven för kursen är en kandidatexamen om minst 180 högskolepoäng inom hälsovetenskapligt, ekonomiskt, naturvetenskapligt, eller ingenjörsvetenskapligt huvudområde. Vidare krävs R-programmering om minst 5 högskolepoäng eller motsvarande, Introduktion till biostatistik (STA110) eller kurs i matematisk statistik och/eller sannolikhetsteori om minst 9 högskolepoäng eller motsvarande, Engelska B/Engelska 6 eller motsvarande, och Matematik 3b/3c eller motsvarande.
Urval
Högskolepoäng, max 165 hp
Efter studierna
MCMC är en allmän metod som möjliggör passning av både standardregressionsmodeller med det typiska valet av fördelningar och länkfunktioner samt skräddarsydda modeller. Programvaran och arbetsflödet som visas i kursen är lätt anpassade till en bredare uppsättning fördelningar, inklusive hurdle-modeller och zero inflated-fördelningar.
Denna kurs täcker inte alternativa algoritmer såsom Integrated Nested Laplace-approximationer, men den allmänna principen för modellutvärdering genom posteriori-prediktiva kontroller gäller.
Denna kurs täcker inte adaptiva försökssdesign, men resultaten från kursen ger väsentlig kunskap och färdigheter för att studera bayesianska adaptiva försök.
Så är det att plugga
Undervisningen
Denna kurs undervisas på campus. Det primära läsmaterialet består av kursanteckningar som tillhandahålls till studenterna. Dessa kommer att utgöra grunden för diskussioner i workshops. Deltagande i dessa workshops är obligatoriskt.
