# 401-4626-00L  Advanced Statistical Modelling: Mixed Models

 Semester Frühjahrssemester 2023 Dozierende M. Mächler Periodizität 2-jährlich wiederkehrende Veranstaltung Lehrveranstaltung Findet dieses Semester nicht statt. Lehrsprache Englisch

### Lehrveranstaltungen

NummerTitelUmfangDozierende
401-4626-00 VAdvanced Statistical Modelling: Mixed Models
Findet dieses Semester nicht statt.
Offered for the last time in FS 2022
2 Std.M. Mächler

### Katalogdaten

 Kurzbeschreibung Mixed Models = (*| generalized| non-) linear Mixed-effects Models, extend traditional regression models by adding "random effect" terms.In applications, such models are called "hierarchical models", "repeated measures" or "split plot designs". Mixed models are widely used and appropriate in an aera of complex data measured from living creatures from biology to human sciences. Lernziel - Becoming aware how mixed models are more realistic and more powerful in many cases than traditional ("fixed-effects only") regression models. - Learning to fit such models to data correctly, critically interpreting results for such model fits, and hence learning to work the creative cycle of responsible statistical data analysis: "fit -> interpret & diagnose -> modify the fit -> interpret & ...."- Becoming aware of computational and methodological limitations of these models, even when using state-of-the art software. Inhalt The lecture will build on various examples, use R and notably the `lme4` package, to illustrate concepts. The relevant R scripts are made available online.Inference (significance of factors, confidence intervals) will focus on the more realistic *un*balanced situation where classical (ANOVA, sum of squares etc) methods are known to be deficient. Hence, Maximum Likelihood (ML) and its variant, "REML", will be used for estimation and inference. Skript We will work with an unfinished book proposal from Prof Douglas Bates, Wisconsin, USA which itself is a mixture of theory and worked R code examples.These lecture notes and all R scripts are made available from Link Literatur (see web page and lecture notes) Voraussetzungen / Besonderes - We assume a good working knowledge about multiple linear regression ("the general linear model') and an intermediate (not beginner's) knowledge about model based statistics (estimation, confidence intervals,..). Typically this means at least two classes of (math based) statistics, say 1. Intro to probability and statistics 2. (Applied) regression including Matrix-Vector notation Y = X b + E- Basic (1 semester) "Matrix calculus" / linear algebra is also assumed.- If familiarity with [R](Link) is not given, it should be acquired during the course (by the student on own initiative).

### Leistungskontrolle

 Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird) Leistungskontrolle als Semesterkurs ECTS Kreditpunkte 4 KP Prüfende M. Mächler Form Sessionsprüfung Prüfungssprache Englisch Repetition Die Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich. Prüfungsmodus mündlich 20 Minuten Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

### Lernmaterialien

 Keine öffentlichen Lernmaterialien verfügbar. Es werden nur die öffentlichen Lernmaterialien aufgeführt.

### Gruppen

 Keine Informationen zu Gruppen vorhanden.

### Einschränkungen

 Keine zusätzlichen Belegungseinschränkungen vorhanden.

### Angeboten in

StudiengangBereichTyp
Mathematik BachelorAuswahl: Wahrscheinlichkeitstheorie, StatistikW
Mathematik MasterAuswahl: Wahrscheinlichkeitstheorie, StatistikW
Statistik MasterFachbezogene WahlfächerW