Онлайн курсы по статистике

Если корреляционный анализ позволяет количественно оценить силу и направление связи между двумя величинами, то построение регрессионных моделей дает более широкие возможности. При помощи регрессионного анализа можно количественно описывать поведение изучаемых величин в зависимости от переменных-предикторов и получать предсказания на новых данных. Вы узнаете, как строить простые и множественные линейные модели с использованием языка R. У всякого метода есть свои ограничения, поэтому мы поможем вам разобраться, в каких ситуациях можно, а в каких нельзя применять линейную регрессию, и научим вас методам диагностики подобранных моделей. Специальное место в курсе отводится глубинной анатомии регрессионного анализа: вы освоите операции с матрицами, которые лежат в основе линейной регрессии, чтобы получить возможность разбираться в более сложных разновидностях линейных моделей.

Если вы сталкиваетесь с необходимостью поиска и описания взаимосвязей между теми или иными явлениями, которые могут быть измерены количественно, тогда этот курс - хорошая возможность понять, как устроены простая и множественная линейная регрессия, узнать о возможностях и ограничениях этих методов.

Курс рассчитан на тех, кто уже знаком с базовыми приемами анализа данных с использованием языка R и с созданием простейших .html документов при помощи rmarkdown и knitr.

Oдним из условий применимости обычных линейных моделей является независимость наблюдений друг от друга, на основе которых подбирается модель. Однако на  практике часто встречаются ситуации, когда дизайн сбора материала таков, что нарушение этого условия неизбежно. Представьте, что вы решили построить модель, описывающую связь успеваемости по физкультуре и величины IQ теста у студентов. Для решения этой задачи вы сделали многочисленные выборки в нескольких институтах. Можно ли объединить такие данные в один анализ, построенной по традиционной схеме? Конечно нет. Студенты в каждом вузе могут быть в чем-то сходными друг с другом. Даже характер связи между изучаемыми величинами может быть несколько разным. Такого рода данные, в которых присутствуют внутригрупповые корреляции, стоит анализировать при помощи смешанных линейных моделей. Мы покажем, что некоторые предикторы стоит включать в модель в качестве так называемых “случайных факторов”. Вы узнаете, что случайные факторы могут быть иерархически соподчинены. Мы обсудим, как такие смешанные модели могут быть построены для зависимых переменных подчиняющихся разным типам распределений. Кроме того, мы покажем, что случайная часть модели может быть устроена еще сложнее - в ней может быть компонент, моделирующий поведение дисперсии в ответ на влияние ковариаты. В конце курса вас ждет проект, в котором вы сможете потренироваться в построении смешанных моделей, выбрав один из нескольких датасетов. На основе анализа этих данных вы сможете создать отчет, выдержанный в традициях воспроизводимого исследования.

Требования

Чтобы легче осваивать материалы курса, вам пригодятся:

• базовые представления о линейных моделях (общих и обобщенных);
• базовые знания R;
• умение создавать простейшие .html документы при помощи rmarkdown и knitr.

Курс рассчитан на тех, кто освоил базовые приемы регрессионного анализа с использованием языка R, знаком с методом максимального правдоподобия и с обобщенными линейными моделями.

Необходимость описать закономерности изменения количественной переменной в нескольких группах возникает часто, например, если перед вами данные эксперимента. Дисперсионный анализ — это один из методов, который позволяет эффективно решать такие задачи, особенно, если таких групп больше чем две (однофакторный дисперсионный анализ), или группировка задается несколькими факторами (многофакторный дисперсионный анализ). В этом курсе вы узнаете, что в рамках парадигмы линейных моделей вполне можно работать не только с непрерывными, но и с дискретными предикторами — а иногда это даже приходится делать одновременно (как в ковариационном анализе и др.). Мы разберем несколько вариантов представления дискретных предикторов в линейных моделях и последствия разных способов кодирования для интерпретации модели. Вы научитесь подбирать линейные модели со взаимодействием факторов, чтобы описывать ситуации, когда характер действия фактора меняется в разных группах.

В этом курсе для анализа и визуализации линейных моделей мы будем использовать язык статистического программирования R. Его богатейшие возможности позволят вам разобраться в тонкостях внутреннего устройства линейных моделей с дискретными и непрерывными предикторами.

Курс «Эконометрика: Анализ временных рядов» подготовлен сотрудниками экономического факультета и Центра эконометрики и бизнес-аналитики Санкт- Петербургского государственного университета.

Целью курса является обучение студентов современным методам эконометрического моделирования одномерных временных рядов. Задачами курса являются: формирование у студентов представления о методологии эмпирического исследования и возможностях эконометрических моделей и границ их применения, а также выработка навыков работы с реальными экономическими данными.

Курс включает четыре модуля.

В первом модуле представлены основные определения, понятия и модели, связанные с временными рядами.

Во втором модуле, посвященном методам анализа и прогнозирования стационарных и интегрированных временных рядов, рассматриваются модели ARMA и ARIMA.

Третий и четвертый модули посвящены теории нестационарных процессов, а также методам тестирования гипотезы о нестационарности (или стационарности) временного ряда.

Видеосюжеты курса содержат теоретический материал и разбор практических кейсов. В дополнительных материалах слушатели могут найти практические кейсы, выполненные в пакетах R, Stata и Gretl.

Курс содержит индивидуальный проект, выполнение которого позволит закрепить и обобщить полученные знания. Курс будет полезен бакалаврам, магистрантам, аспирантам, аналитикам данных и всем интересующимся данной тематикой.