Bayesianische Statistik: Techniken und Modelle Das Universitätsnetzwerk

Beschreibung

Dies ist der zweite Teil einer Zwei-Gänge-Sequenz, in der die Grundlagen der Bayes'schen Statistik vorgestellt werden. Es baut auf dem Kurs Bayesianische Statistik: Vom Konzept zur Datenanalyse auf, in dem Bayes'sche Methoden unter Verwendung einfacher konjugierter Modelle vorgestellt werden. Daten aus der realen Welt erfordern häufig komplexere Modelle, um realistische Schlussfolgerungen zu ziehen. Dieser Kurs zielt darauf ab, unsere „Bayes'sche Toolbox“ um allgemeinere Modelle und entsprechende Computertechniken zu erweitern. Insbesondere werden wir Markov-Ketten-Monte-Carlo-Methoden (MCMC) einführen, mit denen Proben aus posterioren Verteilungen entnommen werden können, für die es keine analytische Lösung gibt. Wir werden die Open-Source-Software R (einige Erfahrung wird vorausgesetzt, z. B. Abschluss des vorherigen Kurses in R) und JAGS (keine Erfahrung erforderlich) verwenden. Wir werden lernen, wie man Bayes'sche statistische Modelle konstruiert, anpasst, bewertet und vergleicht, um wissenschaftliche Fragen zu beantworten, die kontinuierliche, binäre und Zähldaten beinhalten. Dieser Kurs kombiniert Vorlesungsvideos, Computerdemonstrationen, Lesungen, Übungen und Diskussionsrunden, um eine aktive Lernerfahrung zu schaffen. Die Vorlesungen bieten einige grundlegende mathematische Entwicklungen, Erklärungen zum statistischen Modellierungsprozess und einige grundlegende Modellierungstechniken, die häufig von Statistikern verwendet werden. Computerdemonstrationen bieten konkrete, praktische Anleitungen. Durch Abschluss dieses Kurses erhalten Sie Zugriff auf eine Vielzahl von Bayes'schen Analysewerkzeugen, die an Ihre Daten angepasst werden können.