Ajustando Modelos Estatísticos para Dados com Python

coursera.inc

coursera.inc

Ajustando Modelos Estatísticos para Dados com Python

Descrição

Descrição do curso

Neste curso, vamos expandir nossa exploração de técnicas de inferência estatística focando na ciência e na arte de ajustar modelos estatísticos aos dados. Vamos nos basear nos conceitos apresentados no curso de Inferência Estatística (Curso 2) para enfatizar a importância de conectar as questões de pesquisa aos nossos métodos de análise de dados. Também nos concentraremos em vários objetivos de modelagem, incluindo fazer inferências sobre relacionamentos entre variáveis ​​e gerar previsões para observações futuras. Este curso apresentará e explorará várias técnicas de modelagem estatística, incluindo regressão linear, regressão logística, modelos lineares generalizados, modelos hierárquicos e de efeitos mistos (ou multinível) e técnicas de inferência bayesiana. Todas as técnicas serão ilustradas usando uma variedade de conjuntos de dados reais, e o curso enfatizará diferentes abordagens de modelagem para diferentes tipos de conjuntos de dados, dependendo do projeto de estudo subjacente aos dados (referindo-se ao Curso 1, Entendendo e visualizando dados com Python).

 

Habilidades que você terá:

  • Estatística Bayesiana
  • Programação em Python
  • Modelo Estatístico
  • Regressão Estatística

 

Instrutor: Brenda Gunderson, Docente IV e Bolseiro de Investigação – Departamento de Estatística

Instrutor: Kerby Shedden, Professor – Departamento de Estatística

Instrutor: Brady T. West, Professor Associado de Pesquisa – Instituto de Pesquisa Social

Módulos e Conteúdo

SEMANA 1 - VISÃO GERAL E CONSIDERAÇÕES PARA MODELAGEM ESTATÍSTICA
- Começamos este terceiro curso da especialização em Estatística com Python com uma visão geral do que significa “ajustar modelos estatísticos aos dados”. Nesta primeira semana, apresentaremos os principais conceitos de ajuste de modelo, incluindo a distinção entre variáveis ​​dependentes e independentes, como explicar projetos de estudo ao ajustar modelos, avaliar a qualidade do ajuste de modelo, explorar como diferentes tipos de variáveis ​​são tratados na modelagem estatística , e definindo claramente os objetivos dos modelos de ajuste.

SEMANA 2 - AJUSTANDO MODELOS A DADOS INDEPENDENTES
- Nesta segunda semana, apresentaremos os fundamentos de dois tipos de regressão: regressão linear e regressão logística. Você terá a chance de pensar sobre como ajustar modelos, como avaliar o quão bem esses modelos se ajustam e considerar como interpretar esses modelos no contexto dos dados. Você também aprenderá como implementar esses modelos no Python.

SEMANA 3 - MODELOS DE AJUSTE A DADOS DEPENDENTES
- Na terceira semana deste curso, desenvolveremos os conceitos de modelagem discutidos na Semana 2. Modelos multiníveis e marginais serão nosso principal tópico de discussão, pois esses modelos permitem que os pesquisadores considerem dependências em variáveis ​​de interesse introduzidas por projetos de estudo . Abordaremos por que e quando ajustamos esses modelos alternativos, testes de razão de verossimilhança, bem como efeitos fixos e suas interpretações.

SEMANA 4: TÓPICOS ESPECIAIS
- Nesta última semana, apresentamos tópicos especiais que ampliam o currículo das semanas anteriores e os cursos ainda mais. Abordaremos uma ampla gama de tópicos, como vários tipos de variáveis ​​dependentes, explorando métodos de amostragem e se devemos ou não usar pesos de pesquisa ao ajustar modelos e estudos de caso aprofundados utilizando técnicas bayesianas para obter informações dos dados. Você também terá a oportunidade de aplicar técnicas bayesianas em Python.

Pré-requisitos

Avaliações

Avaliações

Não há avaliações ainda.

Seja o primeiro a avaliar “Ajustando Modelos Estatísticos para Dados com Python”

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Institucional

PHP Code Snippets Powered By : XYZScripts.com