Hopp til hovedinnhold

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 2022-2023. Merk at det kan komme endringer.

Fakta
Emnekode

STA600

Versjon

1

Vekting (Sp)

10

Semester undervisningsstart

Vår

Antall semestre

1

Vurderingssemester

Vår

Undervisningsspråk

Engelsk

Innhold
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.
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 kurs.
Anbefalte forkunnskaper
STA500 Sannsynlighetsregning og statistikk 2
Eksamen / vurdering
Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Muntlig eksamen 1/1 45 Minutter Bokstavkarakterer Ingen hjelpemidler tillatt

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
Matematikk og fysikk, bachelor 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. Robotteknologi og signalbehandling - Master i teknologi/siv.ing. Konstruksjons- og maskinteknikk, master i teknologi/siv.ing. Matematikk og fysikk, master Matematikk og fysikk, femårig integrert master Offshore Field Development Technology, master i teknologi/siv.ing. Industrial Asset Management - Master's Degree Programme Marin- og offshoreteknologi, master i teknologi/siv.ing. Offshore Technology - Master's Degree Programme Petroleum Geosciences Engineering, master i teknologi/siv.ing. Petroleumsteknologi, master i teknologi/siv.ing. Teknisk samfunnssikkerhet, master i teknologi/siv.ing. Risk Management, Master's Degree Programme (master i teknologi/siviling.)
Emneevaluering
Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer.
Litteratur
Søk etter pensumlitteratur i Leganto