Hoppa till innehållet

Tillämpad Bayesiansk dataanalys

Publicerad: 4 maj 2017

Kursplan

Kursnamn: Tillämpad Bayesiansk dataanalys (Applied Bayesian Data Analysis)

Högskolepoäng: 7,5 Hp

Utbildningsnivå: Forskarnivå

Kursplan fastställd av:

Examinator: Professor Inge Söderkvist

Förkunskapskrav: Statistiska kunskaper motsvarande grundkursen S0001M eller S0008M på teknisk fakultet. Programmeringserfarenhet i t.ex. Julia, python, MATLAB, R eller liknande.

Mål/Förväntat studieresultat: Efter avslutad kurs ska kursdeltagaren kunna tillämpa dom Baysianska standardmodeller kursen behandlar på olika typer av data. Klargöra och tolka dom resultat som analysen ger samt validera hur bra modellen beskriver data.

1. Kunskap och förståelse

  • Känna till grundläggande Baysianska statistiska begrepp.
  • Känna till och identifiera de vanligaste fallgroparna som är förknippad
  • med dom beräkningssätt, modeller och metoder som kursen behandlar.

2. Färdighet och förmåga

  • Konstruera Bayesianska statistiska modeller för olika typer av experiment
  • och datatyper.
  • Kunna tillämpa dom statistiska analysmetoder som kursen behandlar
  • och kontrollera konvergens.
  • Tolka posteriorifördelningen.

3. Värderingsförmåga och förhållningssätt

  • Kunna bedöma när vilken typ av Baysiansk metod är tillämpbar.
  • Beskriva och motivera valet av apriorifördelning.
  • Validera hur bra modellen beskriver data med kända modellvalideringstekniker.

Kursinnehåll: Kursen behandlar olika metoder inom Bayesiansk dataanalys som kan användas för att dra slutsatser ur empiriska data i kombination med tidigare erfarenheter och kunskaper (om vi skulle ha tillgång till sådan information). Till skillnad från klassisk (frekventistisk) dataanalys: får du en robustare och rikare inferens, kan du dra sannolikhetsmässiga slutsatser runt dina parametrar givet det data material du har tillgång till, undviker du problemen med p-värden som ofta förekommer i klassisk analys (t.ex. att det beror på antalet test du tänkt göra).

Vi behandlar och tillämpar dom vanligaste Bayesianska standardmodellerna på olika typer av data, experiment och exempel. Vi tittar på fall med ingen tidigare information, med mycket tidigare information och det hierarkiska fallet där vi låter data informera oss om våra apriorifördelningar.

Undervisningens upplägg: Undervisningen består av föreläsningar och seminarier. Obligatoriska inlämningsuppgifter görs kontinuerligt under kursen.

Kursen kräver aktivt deltagande under seminarierna där individuella inlämningsuppgifter presenteras.

Examinationsform: Kursen kommer att examineras baserat på dom individuella inlämningsuppgifterna samt närvaro på seminarierna.

  • Skriftliga kursuppgifter 5.5 hp
  • Muntliga presentationer/kursuppgifter 2 hp

Betygsgrader: G eller U

Kurstid: LP1–LP2, 2019.

Ansökan till: Jesper Martinsson (jesper.martinsson@ltu.se)

Ansökan senast: 2019-06-15

Litteratur: John K. Kruschke (2014). Doing Bayesian Data Analysis: A tutorial with R, JAGS, and Stan. Elsevier Science, 2nd edition.

Kontaktperson: Jesper Martinsson (jesper.martinsson@ltu.se)