.
Atkārtotu mērījumu un longitudinālo datu analīze
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:5.00
Kursa apraksta apstiprināšanas datums:14.03.2024 11:50:07
| Par studiju kursu | |||||||||
| Kursa kods: | SL_113 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Matemātika; Varbūtību teorija un matemātiskā statistika | Mērķauditorija: | Dzīvās dabas zinātnes | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Ziad Taib | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Statistikas mācību laboratorija | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Baložu iela 14, Rīga, statistika rsu[pnkts]lv, +371 67060897 | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 6 | Lekciju ilgums (akadēmiskās stundas) | 2 | Kopā lekciju kontaktstundas | 12 | ||||
| Nodarbības (skaits) | 4 | Nodarbību ilgums (akadēmiskās stundas) | 3 | Kopā nodarbību kontaktstundas | 12 | ||||
| Kopā kontaktstundas | 24 | ||||||||
| Nepilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 6 | Lekciju ilgums (akadēmiskās stundas) | 1 | Kopā lekciju kontaktstundas | 6 | ||||
| Nodarbības (skaits) | 4 | Nodarbību ilgums (akadēmiskās stundas) | 2 | Kopā nodarbību kontaktstundas | 8 | ||||
| Kopā kontaktstundas | 14 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Zināšanas par dažiem matemātikas un statistikas pamatjēdzieniem un datorprasmes. | ||||||||
| Mērķis: | Šis kurss sniedz zināšanas atkārtotu mērījumu jomā, kas ir kļuvuši par nepieciešamu rīku tādu datu analīzei, kas ietver, piemēram, gadījuma ietekmes, korelatīvus novērojumus un trūkstošus datus. Uzsvars tiek likts uz nepārtrauktiem garengriezuma datiem un uz to, kā izmantot „SAS” un „R”, lai modelētu un analizētu atkārtotus modeļus. Tomēr tiks apspriesti arī citi atkārtotu mērījumu veidi, piemēram, hierarhiskie modeļi. Šī kursa mērķis ir sniegt priekšstatu par un rīkus jaukto modeļu metodēm. Šādas metodes var izmantot dažādās situācijās, kurās iesaistīti korelatīvi dati, piemēram, garengriezuma datos, grupētos datos, atkārtotos mērījumos un hierarhiskā analīzē. Īsumā tiks apskatīti arī vispārinātie modeļi. Kursa mērķis ir iemācīt studentiem noformulēt jauktu modeli, definēt un interpretēt iespējamos novērtējumus un īstenot jaukta modeļa analīzi, piemēram, atkārtotu mērījumu pētījumā. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Atkārtotu mērījumu datu un normālu jaukto modeļu definīcijas un ievads. Modeļa pielāgošana, novērtēšana un hipotēzes pārbaude. | Lekcijas | 1.00 | auditorija | |||||
| 2 | Normāli jauktie modeļi: Beijesa pieeja nejaušības efektam. Programmatūra jauktu modeļu pielāgošanai: jauktu modeļu pielāgošanas pakotnes. | Lekcijas | 1.00 | auditorija | |||||
| 3 | 1. laboratorijas darbs: Ievads „SAS” un „R” jauktajos modeļos, un novērtēšana un testēšana „SAS” un „R”. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Vispārinātie lineārie jauktie modeļi kategoriālajiem datiem. | Lekcijas | 1.00 | auditorija | |||||
| 5 | 2. laboratorijas darbs: jauktā loģistiskā regresija. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Kovariācijas struktūras jauktiem modeļiem un izlases apjoma novērtēšana. | Lekcijas | 1.00 | auditorija | |||||
| 7 | Trūkstoši dati un daudzkārtēja imputācija. Atlikumi un labākās atbilstības koeficients jauktajos modeļos. | Lekcijas | 1.00 | auditorija | |||||
| 8 | 3. laboratorijas darbs: izlases apjoma novērtēšana, trūkstoši dati un daudzkārtēja imputācija. | Nodarbības | 1.00 | datorklase | |||||
| 9 | Gadījuma koeficientu modeļi un atkārtošana / sagatavošanās eksāmenam. | Lekcijas | 1.00 | auditorija | |||||
| 10 | 4. laboratorijas darbs: Gadījuma koeficientu modeļi. | Nodarbības | 1.00 | datorklase | |||||
| Tēmu saraksts (nepilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Atkārtotu mērījumu datu un normālu jaukto modeļu definīcijas un ievads. Modeļa pielāgošana, novērtēšana un hipotēzes pārbaude. | Lekcijas | 1.00 | auditorija | |||||
| 2 | Normāli jauktie modeļi: Beijesa pieeja nejaušības efektam. Programmatūra jauktu modeļu pielāgošanai: jauktu modeļu pielāgošanas pakotnes. | Lekcijas | 1.00 | auditorija | |||||
| 3 | 1. laboratorijas darbs: Ievads „SAS” un „R” jauktajos modeļos, un novērtēšana un testēšana „SAS” un „R”. | Nodarbības | 1.00 | datorklase | |||||
| 4 | Vispārinātie lineārie jauktie modeļi kategoriālajiem datiem. | Lekcijas | 1.00 | auditorija | |||||
| 5 | 2. laboratorijas darbs: jauktā loģistiskā regresija. | Nodarbības | 1.00 | datorklase | |||||
| 6 | Kovariācijas struktūras jauktiem modeļiem un izlases apjoma novērtēšana. | Lekcijas | 1.00 | auditorija | |||||
| 7 | Trūkstoši dati un daudzkārtēja imputācija. Atlikumi un labākās atbilstības koeficients jauktajos modeļos. | Lekcijas | 1.00 | auditorija | |||||
| 8 | 3. laboratorijas darbs: izlases apjoma novērtēšana, trūkstoši dati un daudzkārtēja imputācija. | Nodarbības | 1.00 | datorklase | |||||
| 9 | Gadījuma koeficientu modeļi un atkārtošana / sagatavošanās eksāmenam. | Lekcijas | 1.00 | auditorija | |||||
| 10 | 4. laboratorijas darbs: Gadījuma koeficientu modeļi. | Nodarbības | 1.00 | datorklase | |||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | • Patstāvīgais darbs ar kursa materiālu un obligāto literatūru, gatavojoties 6 lekcijām pēc plāna. • 4 datorprojekti – individuāls darbs pāros ar datorā veicamiem uzdevumiem. Studējošie analizēs datus, lai izpildītu noteiktos uzdevumus ar kursa gaitā apgūtajiem jauktajiem modeļiem. Lai izvērtētu studiju kursa kvalitāti kopumā, studentam jāaizpilda studiju kursa novērtēšanas anketa Studējošo portālā. | ||||||||
| Vērtēšanas kritēriji: | Novērtējums 10 ballu skalā saskaņā ar RSU Studiju reglamentu: • Aktīva dalība lekcijās, uzdevumos un datorlaboratorijās – 20%. • Rakstisks gala pārbaudījums – 40%. • Referātu par obligātajiem 4 datorprojektiem sagatavošana – 40%. | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens (Rakstisks) | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | Eksāmens (Rakstisks) | ||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Pēc kursa apgūšanas studējošie padziļināti pārzinās jauktos modeļus ar uzsvaru uz pielietojumu biomedicīnā atkārtotu mērījumu un garengriezuma datu apstrādei. Tas ietver „SAS” un „R” izmantošanu praktisko nodarbību laikā, lai analizētu reālus datus. | ||||||||
| Prasmes: | Studējošie spēs: • rakstīt un interpretēt jauktos modeļus dažādu pētījumu plānu garengriezuma datiem; • kritiski novērtēt un interpretēt jaukto modeļu un garengriezuma datu statistiskos secinājumus; • izvēlēties, pielietot un darboties ar jauktu modeļu statistisko programmatūru. | ||||||||
| Kompetences: | Pēc kursa nokārtošanas studējošais būs kompetents izmantot jaukto modeļu struktūru, kvalitatīvi aprakstīt un analizēt izplatītākos pētījumu veidus un modeļus ar garengriezuma datiem vai kā citādi saistītus novērojumus, veikt atbilstošu statistisko analīzi par kursā apskatītajiem modeļiem, izmantojot standarta programmatūru, jaunākās zinātnes atziņas, radošus un inovatīvus risinājumus dažādām mērķa grupām. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Brown, H. and Prescott, R. Applied Mixed Models in Medicine. 3rd edition, 2015. | ||||||||
| Papildu literatūra | |||||||||
| 1 | Verbeke, G. and Molenbergs, G. Linear mixed models for longitudinal. Springer Verlag, New York, 2008. | ||||||||
| 2 | Crawley, M. J. The R Book. 2nd edition. John Wiley&Sons, Ltd. 2013. | ||||||||
