Website
Modulhandbuch ab 2016

Modul MA4660-KP05

Prognosemodelle (ProMoKP05)

Dauer:


1 Semester
Angebotsturnus:


Unregelmäßig
Leistungspunkte:


5
Studiengang, Fachgebiet und Fachsemester:
  • Bachelor Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Mathematik, 5. oder 6. Fachsemester
  • Master Mathematik in Medizin und Lebenswissenschaften 2016 (Wahlpflicht), Mathematik, 1., 2. oder 3. Fachsemester
Lehrveranstaltungen:
  • MA4660-Ü: Prognosemodelle (Übung, 1 SWS)
  • MA4660-V: Prognosemodelle (Vorlesung, 2 SWS)
Workload:
  • 40 Stunden Selbststudium
  • 15 Stunden Prüfungsvorbereitung
  • 35 Stunden Präsenzstudium
  • 30 Stunden Programmieren
  • 30 Stunden Eigenständige Projektarbeit
Lehrinhalte:
  • Ziele und Anwendungsmöglichkeiten von Prognosemodellen
  • Allgemeines Vorgehen bei der Entwicklung von validen Prognosemodellen
  • Klassische statistische Verfahren zur Modellentwicklung (Variablenselektion, Schätzung von Risiken, Modellierung und Identifikation von Interaktionen, Identifikation und Modellierung nichtlinearer Effekte)
  • Verfahrung zur Validierung von Modellen: interne Validierung (Kreuzvalidierung, Bootstrapping), temporale Validierung, externe Validierung
  • Generalisierung, Kalibrierung
  • Penalisierte Regressionsmethoden: Lasso, Ridge Regression, elastic net
  • Bootstrap aggregating (Bagging) Regressionsmodelle
  • Boosting: Adaboost, Gradientenboosting, Likelihoodboosting
Qualifikationsziele/Kompetenzen:
  • Die Studierenden können das allgemeine Vorgehen zur Entwicklung valider prognostischer Modelle beschreiben.
  • Sie können die Methoden zur Validierung von Prognosemodellen erläutern.
  • Sie können Risiken in binären Regressionsmodellen von Hand und mit dem Computer schätzen.
  • Sie können Interaktionen interpretieren, modellieren und unter Verwendung statistischer Standardsoftware mit dem Computer schätzen.
  • Sie können nichtlineare Effekte mit Splines und fraktionellen Polynomen modellieren und unter Verwendung statistischer Standardsoftware mit dem Computer schätzen.
  • Sie können das geeignete Modell mit Interaktionen und nichtlinearen Effekten auswählen.
  • Sie können das binäre Modell kalibrieren.
  • Sie können penalisierte Regressionsmodelle schätzen.
  • Sie können die Ergebnisse penalisierter Regressionsmodelle interpretieren.
  • Sie können verschiedene Bagging- und Boosting-Verfahren beschreiben.
  • Sie können Bagging- und Boosting-Verfahren schätzen und deren Ergebnisse interpretieren.
Vergabe von Leistungspunkten und Benotung durch:
  • Mündliche Prüfung oder Klausur
Modulverantwortlicher:
  • Prof. Dr. rer. nat. Andreas Ziegler
Lehrende:
  • Prof. Dr. rer. biol. hum. Inke König
  • Prof. Dr. rer. nat. Andreas Ziegler
Literatur:
  • Harrel, Frank E. (2001): Regression modeling strategies - New York: Springer
  • Royston, Patrick; Sauerbrei, Willi (2008): Multivariable Model-Building: A Pragmatic Approach to Regression Analysis Based on Fractional Polynomials for Continuous Variables - Chichester: John Wiley & Sons
Sprache:
  • Englisch, außer bei nur deutschsprachigen Teilnehmern
Bemerkungen:

Prerequisite tasks for taking the exam can be announced at the beginning of the semester. If any prerequisite tasks are defined, they must be completed and passed before taking the exam for the first time.

Letzte Änderung:
17.7.2019