Gäller för: 2024/25
Fakultet: Lunds tekniska högskola
Beslutad av: Programledning I
Beslutsdatum: 2024-04-16
Ikraftträdande: 2024-05-08
Fördjupning: Avancerad nivå, kurs/er som inte kan klassificeras
Valfri för: BME4, D4, E4-ae, F4, F4-fm, F4-mai, I4, L4-fe, MMSR1, Pi4-fm, Pi4-biek, Pi4-bam, R4
Undervisningsspråk: Kursen ges på engelska
Regression handlar om att modellera hur en egenskap (längd, vikt, pris, koncentration, etc) samvarierar med en eller flera andra egenskaper (kön, boyta, omsättning, temperatur, etc). Linjär regression introduceras i grundkursen i matematisk statistik men här fyller vi på med, bl.a., "hur kontrollerar jag om modellen passar till data", "vad gör jag om den inte passar", "hur osäker är den" och "hur använder jag den för att dra slutsatser om verkligheten".
När man t.ex. gjort en enkätundersökning där folk kan svara ja/nej eller lite/lagom/mycket eller bil/cykel/buss eller något annat kategoriindelat kan man inte använda linjär regression. Då behövs logistisk regression istället. Andra halvan av kursen handlar om detta.
Om man har ett eget datamaterial som lämpar sig för linjär eller logistisk regression kan man få analysera detta som en del av projektet.
Kunskap och förståelse
För godkänd kurs skall studenten
Färdighet och förmåga
För godkänd kurs skall studenten
Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten
Minsta-kvadrat- och maximum-likelihood-metoden; Oddskvoter; Multipel linjär och logistisk regression; Matrisformulering; Metoder för modellvalidering, residualer, outliers, inflytelserika observationer, multikolinjäritet, variabeltransformationer; Val av regressorer, Ftest, likelihood-kvot-test; Konfidensintervall och prediktion. Något om korrelerade fel, poissonregression samt multinomial och ordinal logistisk regression.
Betygsskala: TH - (U, 3, 4, 5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Skriftlig och muntlig projektredovisning, kamratgranskning av projekt samt muntlig tentamen.
Om så krävs för att en student med varaktig funktionsnedsättning ska ges ett likvärdigt examinationsalternativ jämfört med en student utan funktionsnedsättning, så kan examinator efter samråd med universitetets avdelning för pedagogiskt stöd fatta beslut om alternativ examinationsform för berörd student.
Moduler
Kod: 0317. Benämning: Projekt 2.
Antal högskolepoäng: 1.5. Betygsskala: UG - (U, G).
Prestationsbedömning: Skriftlig projektrapport och kamratgranskning
Modulen omfattar: Logistisk regression
Kod: 0417. Benämning: Projekt 3.
Antal högskolepoäng: 1.0. Betygsskala: UG - (U, G).
Prestationsbedömning: Muntlig projektredovisning
Modulen omfattar: Andra regressionsmodeller
Kod: 0117. Benämning: Tentamen.
Antal högskolepoäng: 3.0. Betygsskala: TH - (U, 3, 4, 5).
Prestationsbedömning: Muntlig tentamen.
Kod: 0217. Benämning: Projekt 1.
Antal högskolepoäng: 1.5. Betygsskala: UG - (U, G).
Prestationsbedömning: Skriftlig projektrapport och kamratgranskning
Modulen omfattar: Linjär regression
Kod: 0517. Benämning: Laborationer.
Antal högskolepoäng: 0.5. Betygsskala: UG - (U, G).
Prestationsbedömning: Datorlaborationer
Förkunskapskrav:
Studierektor: Johan Lindström,
studierektor@matstat.lu.se
Kursadministratör: Susann Nordqvist,
expedition@matstat.lu.se
Lärare: Anna Lindgren,
anna.lindgren@matstat.lu.se
Hemsida: https://www.maths.lu.se/utbildning/civilingenjoersutbildning/matematisk-statistik-paa-civilingenjoersprogram/