Nazwa:
Jak wystrzec się błędnych wniosków z analizy statystycznej? – profesjonalny przewodnik dla początkujących
Poziom:
Typ:
Warsztaty
Data:
25.10.2018 - 26.10.2018
Tryb:
Dzienne
Język:
polski
Liczba godzin:
8 godz.
Wstęp:
płatny
Miasto:
Adres:
Rakowicka 1
Cena:
250 zł
kontakt i zapisy:
Użyj formularza aby:
- dopytać o szczegóły szkolenia
- zarejestrować się na to szkolenie
Opis:
Tytuł sprintu: Jak wystrzec się błędnych wniosków z analizy statystycznej? – przewodnik dla początkujących
Czas trwania: 8 godzin (łącznie z przerwami)
Data: 25-26.10 godz: 16:00-20:00
Dla kogo: Zapraszamy wszystkich, którzy chcieliby rozpocząć naukę programowania w języku R. Kurs dedykowany jest dla osób bez doświadczenia w programowaniu.
Wymagania: Własny laptop z zainstalowanym R oraz środowiskiem RStudio. W razie trudności będzie można pobrać i zainstalować oprogramowanie na początku spotkania.
Kurs będzie obejmował następujące zagadnienia:
- Założenia klasycznego modelu regresji liniowej i estymacja jego parametrów. Weryfikacja założeń modelu w celu sprawdzenia poprawności jego specyfikacja dla rozpatrywanego zbioru danych. Postępowanie przy naruszeniu poszczególnych założeń modelu,
- Błędna specyfikacja zmiennych objaśniających w KMNRL i jej wpływ na obciążenie estymatora KMNK jego parametrów. Zjawisko randomizacji i wpływ próby o dużej liczebności na redukcję obciążenia estymatora parametrów modelu,
- Jak definiować obserwacje odstające (outliery)? Czy dana obserwacja jest w każdej sytuacji outlierem?
- Wybrane estymatory odporne (na występowanie outlierów w próbie).
- Wpływ obserwacji odstających (outlierów) na oszacowania parametrów liniowego modelu regresji.
- Problem regresji pozornej w przypadku niestacjonarnych (zintegrowanych) szeregów czasowych. Procedura analityczna umożliwiająca wychwycenie zależności pozornej. Analiza kointegracyjna, jako sposób na uniknięcie problemu pozornej zależności.
- Regresja dla niejednorodnych zbiorów danych. Błąd we wnioskowaniu wynikający z zastosowania modelu regresji łącznej dla próby niejednorodnej. Mieszanka modeli regresji jako rozwiązanie problemu.