ST523: Statistisk modellering

• Have kendskab til lineær algebra, calculus, grundlæggende statistik
• Kunne anvende den statistiske software R

• Give kompetence til at håndtere modelopstillinger og/eller modelberegninger.
• Give færdigheder i at foretage statistisk analyse af data.
• Give teoretisk viden om og praktisk erfaring med at anvende metoder og modeller fra statistik.

• genkende de forskellige typer modeller og beskrive deres ligheder og forskelle, og gøre rede for den rolle som svarvariabel, forklarende variable, variansfunktion og linkfunktion spiller for statistisk modellering;
• manipulere de matematiske og statistiske elementer for lineære og generaliserede lineære modeller, så som parametre og principper for estimation, udledning af statistiske test baseret på standardfejl, devians og residual kvadratsum;
• udlede teoretiske egenskaber for nye modeller baseret på den generelle teori, samt skelne klart mellem eksakte og asymptotiske resultater;
• give overblik over de vigtigste eksempler på lineære og generaliserede lineære modeller, samt kunne identificere hvilke problemstillinger der kan løses ved hjælp af sådanne modeller; 
• anvende teoretiske resultater for lineære og generaliserede lineære modeller på konkrete eksempler, samt gøre rede for resultaternes praktiske fortolkning;
• erkende betydningen af og forskellen mellem regressionsparametre og dispersionsparameteren, og bruge denne viden i praktiske og teoretiske sammenhænge;
• udføre praktisk dataanalyse ved hjælp af statistisk modellering, herunder undersøge en models korrekthed ved hjælp af residualanalyse;
• udføre den statistiske analyse med brug af den statistiske software R, herunder kunne identificere og fortolke relevante oplysninger i programmets output;
• dokumentere resultaterne af en statistisk analyse i form af en skriftlig rapport.

• Lineære modeller, simple og multiple regressionsmodeller.
• Parameterestimation, hypotesetest og konfidensområder.
• Residualanalyse. 
• Transformation af variable, polynomiel regression. 
• Envejs ANOVA. 
• Modelopbygning og variabelselektion. 
• Prediktion. 
• Naturlige eksponentielle familier; momentfrembringende funktioner; variansfunktioner; 
• Dispersionsmodeller; 
• Likelihood teori; 
• Chi-i-anden, F-og t-test; deviansanalyse; 
• Iterativ mindste kvadraters algoritme; 
• Lineære normale modeller, 
• Logistisk regression, 
• Analyse af tælledata, positive data. 
• Anvendelse af statistisk modellering på forskellige datatyper, blandet andet med eksempler fra sundhedsvidenskab, biologi, økonomi, osv. 

På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

• Introfase: 48 timer
• Træningsfase: 32 timer, heraf: Eksaminatorie: 32 timer

I introfasen benyttes en modificeret udgave af klassisk forelæsning, hvor fagets grundbegreber og metoder præsenteres, med såvel teori som eksempler baseret på konkrete data. I disse timer er der mulighed for spørgsmål og diskussion.
I træningsfasen arbejdes der med regneopgaver og diskussionsemner, som relaterer sig til indholdet i de forudgående introfasetimer. I disse timer er der mulighed for at arbejde specifikt med særligt vanskelige emner.
I studiefasen arbejder de studerende selvstændigt med opgaver og forståelsen af fagets termer og begreber diskuteres. Der er efterfølgende mulighed for at bringe spørgsmål op i enten introfasetimerne eller træningsfasetimerne.

Aktiviteter i studiefasen 

• Arbejde de nye begreber.
• Øge deres forståelse af de emner der dækkes ved forelæsningerne.
• Løse relevante opgaver.
• Læs teksten bogkapitler og videnskabelige tidsskriftsartikler leveres som støtte til forelæsningerne