Kursthemen

  • Blockkurs Gemischte Modelle

    Beschreibung

    Mit gemischten Modellen können Abhängigkeitsstrukturen in Daten modelliert werden, während herkömmliche lineare und generalisierte lineare Modelle gewöhnlich nur unabhängige Daten abbilden können.
    In der Vorlesung werden die Grundkonzepte der linearen und generalisierten gemischten Modelle eingeführt und frequentistische und bayesianische Inferenzmethoden dargestellt.
    Zudem werden Verbindungen zu Penalisierungsansätzen aufgezeigt.
    Die Anwendung der in der Vorlesung besprochenen Modellklassen und Inferenzmethoden wird an Fallstudien aus der Praxis illustriert.

    Zielgruppe 

    Die Vorlesung ist geeignet 

    • als Wahlpflichtveranstaltung für den Master Statistik ab dem 2. Semester 
    • als Wahlpflichtveranstaltung für den Master Biostatistik ab dem 2. Semester 
    • als Wahlpflichtveranstaltung für den Master mit wirtschafts- und sozialwissenschaftlicher Ausrichtung ab dem 2. Semester 
    • für den interessierten Hörer mit den geforderten Vorkenntnissen 

    Vorkenntnisse 

    • Vorlesung Lineare Modelle
    • Vorlesung Generalisierte Regression 
    • Vorlesung Schätzen und Testen I 
    • Grundkenntnisse in R


    Ankündigungen

  • Personen / Kontakt

    Prof. Dr. Sonja Greven (VL), David Rügamer (UE)

    • Organisation und Ablauf

      • Datum: 10.10.16 - 14.10.16 (Blockkurs) 
      • Uhrzeit: voraussichtlich 9:30 - 12:30 Uhr, ca. 1h Mittagspause, 13:30 - ca. 16:30 Uhr (Freitag bis ca. 15:30 Uhr)
      • Ort: Seminarraum (Institut für Statistik)
      • Notwendige Materialien: Bitte einen Laptop mitbringen

      • Materialien



         Thema  Vorlesung    Übung   Lösung      Zusatzmaterialien  
         Das lineare gemischte Modell  F. 1 - 33  Blatt 1  installPackages.R
         Beispiel 100-Meterlauf
         Likelihood-Schätzung für lineare gemischte Modelle  F. 32 - 58  Blatt 2  Aufg. 2-5 
         Rcode        		  simulation_sprint.R,
         simulation_blutdruck.R,
         Beispiel Shrinkage,
         Herleitung REML,
         Herleitung Kovarianzmatrix,
         Herleitung gem. Vtlg. 
         Likelihood-Inferenz im linearen gemischten Modell  F. 59 - 70  Blatt 3  Aufg. 2
         Rcode 
         Bayes-Schätzung für lineare gemischte Modelle  F. 71 - 91  Blatt 4  Aufg. 2
         Rcode
         Additive gemischte Modelle  F. 92 - 126  Blatt 5  Aufg. 2
         Rcode
         Das generalisierte lineare gemischte Modell  F. 127 - 158  Blatt 6  Aufg. 1
         Rcode        		  madras.csv
         Likelihood-Schätzung für generalisierte lineare gemischte Modelle        F. 159 - 177      Blatt 7   Aufg. 1
         Rcode
         Wiederholung    Blatt 8    Aufg. 1
         Rcode        		  amsterdam.txt,
         amstDesc.txt 


        • Literatur

          Primärliteratur:

          • Fahrmeir, L.; Kneib, T.; Lang, S. (2009).  Regression: Modelle, Methoden und Anwendungen (2. Auflage). Springer, Berlin. 
            (Begleitend zur Vorlesung. Erhältlich als Ebook bei der Unibib)
          • Pinheiro, J. C.; Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer, New York. 
            (Praxisorientierte Einführung in die Analyse gemischter Modelle und ausführliche Beschreibung des R-Pakets nlme für LMMs)
          • Wood, S. (2006). Generalized Additive Models: An Introduction with R. Chapman and Hall/CRC, Boca Raton, Florida. 
            (Verbindung gemischte Modelle und Penalisierung, R-Paket mgcv)

          Sekundärliteratur:

          • Demidenko, E. (2004). Mixed Models: Theory and Applications. Wiley Series in Probability and Statistics.
          • Diggle, P. J.; Heagerty, P.; Liang, K. L.; Zeger, S. L. (2002). Analysis of Longitudinal Data. Oxford University Press, Oxford.
          • McCulloch, C. E.; Searle, S. R. (2001). Generalized, Linear, and Mixed Models. John Wiley.
          • Ruppert, D.; Wand, M. P.; Carroll, R. J. (2003). Semiparametric Regression. Cambridge University Press.
          • Verbeke, G.; Molenberghs, G. (2000). Linear Mixed Models for Longitudinal Data. Springer, New York.

          • Abschlussprüfung

            Allgemeines

            Studierende aller Master-Studiengänge Statistik können durch erfolgreiches Bestehen der Prüfungen folgende ECTS-Punkte bekommen:

              • 3 ECTS-Punkte für Veranstaltung "Gemischte Modelle"
              • Prüfungsform: 60 Minuten Klausur

            Bringen Sie bitte folgende Unterlagen zur Klausur mit:

              • Studentenausweis und
              • Lichtbildausweis.

            Bitte beachten Sie auch die Regelungen zu Prüfungen des Instituts für Statistik.
            Sollten Sie aus nicht selbst zu vertretenden Gründen an der Teilnahme zur regulären Klausur verhindert (gewesen) sein, so machen Sie diese Gründe bitte vorab beim Prüfungsamt geltend (falls noch nicht geschehen).


             Datum / Uhrzeit Raum
             Klausur  07.11.2016 / 9 - 10 Uhr  A120 im Hauptgebäude
             Einsichtnahme Klausur   11.11.2016 / 10 - 11 Uhr
            		  Seminarraum Institut für Statistik 
             Nachklausur  19.12.2016 / 8 - 9 Uhr
            		  Seminarraum Institut für Statistik
             Einsichtnahme Nachklausur  tba  tba


            Hilfsmittel

            Als Hilfsmittel zur Klausur sind folgenden Hilfsmittel zugelassen.

              • Ein zum bayerischen Abitur zugelassener Taschenrechner
              • Ein Din-A4 Blatt mit handschriftlichen Notizen auf Vorder- und Rückseite
              • Bei Bedarf ein Wörterbuch

            Anmeldung