Kursplan för

Linjär och logistisk regression med datainsamling
Linear and Logistic Regression with Data Gathering

FMSN40, 9 högskolepoäng, A (Avancerad nivå)

Gäller för: Läsåret 2018/19
Beslutad av: Programledning I
Beslutsdatum: 2018-03-20

Allmänna uppgifter

Huvudområde: Teknik.
Alternativobligatorisk för: I3
Undervisningsspråk: Kursen ges på engelska

Syfte

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.

Som del i kursen ska man själv konstruera en enkät eller försöksplan för en valfri frågeställning, samla in data och analysera dem med lämplig regressionsmodell.

Mål

Kunskap och förståelse
För godkänd kurs skall studenten

Färdighet och förmåga
För godkänd kurs skall studenten

Värderingsförmåga och förhållningssätt
För godkänd kurs skall studenten

Kursinnehåll

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. Enkätkonstruktion och försöksplanering.

Kursens examination

Betygsskala: TH - (U,3,4,5) - (Underkänd, Tre, Fyra, Fem)
Prestationsbedömning: Skriftlig och muntlig projektredovisning, kamratgranskning och 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.

Delmoment
Kod: 0117. Benämning: Tentamen.
Antal högskolepoäng: 3. Betygsskala: TH. Prestationsbedömning: Muntlig tentamen
Kod: 0217. Benämning: Projekt 1.
Antal högskolepoäng: 1,5. Betygsskala: UG. Prestationsbedömning: Skriftlig projektrapport och kamratgranskning Delmomentet omfattar: Linjär regression
Kod: 0317. Benämning: Projekt 2.
Antal högskolepoäng: 1,5. Betygsskala: UG. Prestationsbedömning: Skriftlig projektrapport och kamratgranskning Delmomentet omfattar: Logistisk regression
Kod: 0417. Benämning: Projekt 3.
Antal högskolepoäng: 2,5. Betygsskala: UG. Prestationsbedömning: Skriftlig projektplan, datainsamling och muntlig projektpresentation. Delmomentet omfattar: Eget regressionsproblem
Kod: 0517. Benämning: Laborationer.
Antal högskolepoäng: 0,5. Betygsskala: UG. Prestationsbedömning: Datorlaborationer

Antagningsuppgifter

Förkunskapskrav:

Begränsat antal platser: Nej
Kursen överlappar följande kurser: FMSN30, MASM22

Kurslitteratur

Kontaktinfo och övrigt

Studierektor: Anna Lindgren, studierektor@matstat.lu.se
Hemsida: http://www.maths.lth.se/matstat/kurser/fmsn40/