Generaliserte lineære modeller (STA600)

Emnet gir en innføring i generaliserte lineære modeller (GLM), som er en naturlig generalisering av vanlig (multippel) lineær regresjon for normalfordelte responser til responser fra en større klasse av fordelinger, spesielt diskrete fordelinger. Teori for generaliserte lineære modeller blir gjennomgått med anvendelser bl.a. på regresjonsmodeller for normalfordelte data, logistisk regresjon for binære og multinomiske data, Poisson-regresjon og levetidsanalyse. Prinsipper for statistisk modellering, estimering og inferens. Likelihoodteori. Anvendelser og analyse av datasett vektlegges.


Dette er emnebeskrivelsen for studieåret 2024-2025. Merk at det kan komme endringer.

Fakta

Emnekode

STA600

Versjon

1

Vekting (stp)

10

Semester undervisningsstart

Vår

Antall semestre

1

Vurderingssemester

Vår

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20. januar for vårsemesteret, kan dette medføre at emnet ikke tilbys.

Emnet gir en innføring i generaliserte lineære modeller (GLM), som er en naturlig generalisering av vanlig (multippel) lineær regresjon for normalfordelte responser til responser fra en større klasse av fordelinger, spesielt diskrete fordelinger. Teori for generaliserte lineære modeller blir gjennomgått med anvendelser bl.a. på regresjonsmodeller for normalfordelte data, logistisk regresjon for binære og multinomiske data, Poisson-regresjon og levetidsanalyse. Prinsipper for statistisk modellering, likelihoodteori, estimering og inferens, bayesianske metoder. Anvendelser og analyse av datasett vektlegges.

Læringsutbytte

Etter å ha tatt dette emnet skal studenten:

  • Kjenne til teori for generaliserte lineære modeller
  • Kjenne til hvordan regresjon med binære, multinomiske, Poisson- og levetidsresponser kan gjøres
  • Forstå bruk av likelihoodestimering generelt og spesielt for generaliserte lineære modeller
  • Kunne benytte teorien til å analysere datasett.

Forkunnskapskrav

MAT100 Matematiske metoder 1, MAT200 Matematiske metoder 2, STA100 Sannsynlighetsregning og statistikk 1
eller tilsvarende emner.

Anbefalte forkunnskaper

STA500 Sannsynlighetsregning og statistikk 2

Eksamen / vurdering

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Muntlig eksamen 1/1 45 Minutter Bokstavkarakterer Ingen hjelpemidler tillatt

Muntlig eksamen er indviduell.

Vilkår for å gå opp til eksamen/vurdering

To obligatoriske innleveringer
Obligatoriske regneøvinger må være godkjent for å få avlegge eksamen.

Fagperson(er)

Emneansvarlig:

Jörn Schulz

Emneansvarlig:

Arild Buland

Emneansvarlig:

Tore Selland Kleppe

Instituttleder:

Bjørn Henrik Auestad

Arbeidsformer

Fire timer forelesning og to timer regneøvinger per uke.

Åpent for

Byplanlegging - master i teknologi Computational Engineering - master i teknologi/siv.ing. Datateknologi - master i teknologi/siv.ing. Miljøteknologi - master i teknologi/siv.ing. Industriell økonomi - master i teknologi/siv.ing. Konstruksjons- og maskinteknikk - master i teknologi/siv.ing. Matematikk og fysikk - masterstudium Matematikk og fysikk - femårig integrert master Industriell teknologi og driftsledelse - master i teknologi/siv.ing. Marin- og offshoreteknologi - master i teknologi/siv.ing. Petroleumsteknologi - master i teknologi/siv.ing.

Emneevaluering

Det skal være en tidligdialog mellom emneansvarlig, studenttillitsvalgt og studentene. Formålet er tilbakemelding fra studentene for endringer og justering i emnet inneværende semester.I tillegg skal det gjennomføres en digital emneevaluering minimum hvert tredje år. Den har som formål å innhente studentenes erfaringer med emnet.

Litteratur

Søk etter pensumlitteratur i Leganto