Kursplan för

Linjär och logistisk regression
Linear and Logistic Regression

FMSN30, 7,5 högskolepoäng, A (Avancerad nivå)

Gäller för: Läsåret 2019/20
Beslutad av: Programledning I
Beslutsdatum: 2019-04-01

Allmänna uppgifter

Valfri för: BME4, D4, F4, F4-mai, I4, L4-fe, Pi4-fm, Pi4-biek, Pi4-bam
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.

Om man har ett eget datamaterial som lämpar sig för linjär eller logistisk regression kan man få analysera detta som en del av projektet.

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.

Kursens examination

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.

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: 1. Betygsskala: UG. Prestationsbedömning: Muntlig projektredovisning Delmomentet omfattar: Andra regressionsmodeller
Kod: 0517. Benämning: Laborationer.
Antal högskolepoäng: 0,5. Betygsskala: UG. Prestationsbedömning: Datorlaborationer

Antagningsuppgifter

Förkunskapskrav:

Begränsat antal platser: Nej
Kursen överlappar följande kurser: MASM22, FMSN40

Kurslitteratur

Kontaktinfo och övrigt

Studierektor: Johan Lindström, studierektor@matstat.lu.se
Hemsida: http://www.maths.lth.se/matstat/kurser/masm22/
Övrig information: Kursen ges även på naturvetenskaplig fakultet med kurskoden MASM22.