Website
Modulhandbuch ab 2016

Modul MA4962-KP05

Verallgemeinerte Lineare Modelle (VLModKP05)

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:
  • MA4962-V: Verallgemeinerte Lineare Modelle (Vorlesung, 2 SWS)
  • MA4962-Ü: Verallgemeinerte Lineare Modelle (Übung, 1 SWS)
Workload:
  • 35 Stunden Präsenzstudium
  • 15 Stunden Prüfungsvorbereitung
  • 45 Stunden Programmieren
  • 25 Stunden Selbststudium
  • 30 Stunden Eigenständige Projektarbeit
Lehrinhalte:
  • Allgemeine Uebersicht über verallgemeinerte lineare Modelle (GLM): - Link- und Responsefunktion, - GLM-Algorithmen: Newton-Raphson, Fisher Scoring, iterierte gewichtete kleinste Quadrate, - Konvergenz, - Güte der Anpassung, - Residuen
  • Stetige Zielvariablen: Normal, log-normal, Gamma, log-Gamma für Überlebenszeiten, inverse normal
  • Binäre Zielvariablen: logit, probit, cloglog
  • Zählgrössen: Poisson, negativ Binomial mit Über-/Unterstreuung
  • Ordinale Zielvariablen: Proportional Odds Modell
  • Ungeordnet kategoriale Zielvariablen: Multinomiales logit und probit-Modell
  • Zensierte stetige Zielvariablen: Tobitmodell
Qualifikationsziele/Kompetenzen:
  • Die Studierenden können die theoretischen Grundlagen des verallgemeinerten linearen Modells (GLM) benennen.
  • Sie können die Anwendungsmöglichkeiten des GLMs benennen.
  • Sie können das geeignete GLM auswählen.
  • Sie können GLMs in R schätzen.
  • Sie können den R-Programmcode in einer Präsentation erläutern.
  • Sie können die Ergebnisse von GLMs in R kritisch beurteilen.
  • Sie können algorithmische Probleme von GLMs bewerten.
  • Sie können konzeptuelle Probleme von GLMs mit kategoriellen Zielvariablen benennen.
  • Sie können ein GLM selbstständig in R implementieren.
  • Sie können Regressionsdiagnostik für GLMs durchführen und die Ergebnisse bewerten.
  • Sie können die zentralen Algorithmen zur Schätzung von GLMs beschreiben.
  • Sie können die statistischen Eigenschaften von GLMs auflisten.
Vergabe von Leistungspunkten und Benotung durch:
  • Mündliche Prüfung oder Klausur
Setzt voraus:
Modulverantwortlicher:
  • Prof. Dr. rer. nat. Andreas Ziegler
Lehrende:
  • Prof. Dr. rer. nat. Andreas Ziegler
Literatur:
  • Dobson, Annette J & Barnett, Adrian: An Introduction to Generalized Linear Models, 3rd ed. - Chapman & Hall/CRC: Boca Raton (FL), 2008
  • Hardin, James W & Hilbe, Joseph M: Generalized Linear Models and Extensions, 3rd ed. - College Station (TX), Stata Press, 2012
Sprache:
  • Englisch, außer bei nur deutschsprachigen Teilnehmern
Bemerkungen:

Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vor- leistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

Letzte Änderung:
17.7.2019