属性数据分析
分享
课程详情
课程评价
spContent=属性数据分析广泛应用于社会科学、行为科学、生物医学、公共卫生、市场营销、教育和农业科学等许多领域,本课程仅仅要求学生具有基础统计课程的知识,包括参数统计、假设检验、回归分析模型及方差分析模型,欢迎前来学习! 《属性数据分析》课程主要介绍用于分析属性数据的统计模型,是面向本科生开设的介绍属性数据分析引论的课程,主要覆盖属性数据的介绍,列联表分析,广义线性模型,并重点介绍 logistic 回归模型和 logit 模型等。 本课程教师讲授是主要的课堂教学方式,同时加入程序指导操作的环节,引导学生进行实践练习。在学期末要求学生提交 1 篇课程论文。课程采用双语教学的方式,课程课件为英文,中文讲述,有助于学生双语学习和紧跟研究前沿。
—— 课程团队
课程概述

    《属性数据分析》课程主要介绍用于分析属性数据的统计方法,是面向本科生开设的介绍属性数据分析引论的课程,主要覆盖属性数据的介绍,列联表分析,广义线性模型,并重点介绍 logistic 回归模型和 logit 模型等。


       本课程采用教师讲授、学生实践相结合的实验教学形式,努力形成教师和学生双向互动,理论学习结合实践运用,达到学以致用的结果。教师讲授是主要的课堂教学方式,同时加入程序指导操作的环节,引导学生进行实践练习。在学期末要求学生提交 1 篇课程论文。课程采用双语教学的方式,课程课件为英文,中文讲述,有助于学生双语学习和紧跟研究前沿。


       通过本课程的学习,学生可掌握与属性数据有关的统计学基础知识,如学会何处理、建模、分析属性数据,并学会通过用广义线性模型、logistic 回归模型等理论分析属性数据。通过课堂讲授让学生具有坚实的理论基础,通过对大量典型例子的介绍和分析, 使学生掌握基本方法,并在课后的习题练习中掌握使用软件分析属性数据的方法,具有思考和分析问题,并能实际解决问题的能力。      

      

授课目标

属性数据分析主要介绍用于分析属性数据的统计模型,是面向本科生开设的介绍属性数据分析引论的课程,主要覆盖属性数据的介绍,列联表分析,广义线性模型,并重点介绍 logistic 回归模型和 logit 模型等。


授课目标为:通过本课程的学习,学生可掌握与属性数据有关的统计学基础知识,如学会何处理、建模、分析属性数据,并学会通过用广义线性模型、logistic 回归模型等理论分析属性数据。通过课堂讲授让学生具有坚实的理论基础,通过对大量典型例子的介绍和分析, 使学生掌握基本方法,并在课后的习题练习中掌握使用软件分析属性数据的方法,具有思考和分析问题,并能实际解决问题的能力。

课程大纲
预备知识

要求学生具有基础统计课程的知识,如数理统计,回归分析等,不需要微积分、矩阵代数等高等数学的知识。

证书要求

本课程考试用百分制计算,具体考试及计分方法如下:

1.     作业(30%

1)完成作业,但未参与互评的学生所得最终作业分数为本人作业实际分数的50%

2)完成作业并参与互评,但未全部完成5次互评的学生所得最终作业分数为本人作业实际分数的80%

3)完成作业并全部完成互评的学生将100%得到本人作业实际分数。

备注:随堂练习不计入最终成绩。


2. 期中考试(35%

1)试题设置:共分为五道大题,每道大题有2~3个问题,共计100分,题型与单元作业题型设置类似,均为计算题和简答题。

2)期中考试开放时间为 2019年10月29日10:30 -- 114日晚23:30,即在这一时段都内可以进行期中考试答题。

 

3. 课程论文(35%

本课程期末考试的形式是,要求在截止时间前提交一份课程论文

1)课程论文提交截止时间为:2019年12月20日23:302019年11510:30起至2019年12月2023:30之间都可以提交课程论文(word, PDF文档)。

2)课程论文要求,格式和评分细则等请见课程发表内容中的《课程论文要求和细则》  


最终成绩为60分及以上为合格,85分及以上为优秀。最终成绩合格的同学可以根据实际需求申请认证证书,认证证书是收费的,费用为100/人。



 


参考资料

选用教材 
An Introduction to Categorical Data Analysis. Second Edition. Alan  Agresti (2007). John Wiley & Sons.

参考书目与文献 
(1) Analysis of Categorical Data. Agresti, A., New York: Wiley, 2002. 

(2) Generalized Linear Models. 2nd Ed. McCullagh P. and Nelder J.,  London: CRC Publishers, 1989. 

(3)《属性数据分析引论(第二版)》张淑梅  王睿  曾莉 译,  高等 教育出版社. 

(4)《实用多元统计方法与 SAS 系统》高惠璇,北京大学出版社. 

常见问题

Q :  课程的教材是什么?


A :  选用教材 

An Introduction to Categorical Data Analysis. Second Edition. Alan  Agresti (2007). John Wiley & Sons.


参考书目与文献 

(1) Analysis of Categorical Data. Agresti, A., New York: Wiley, 2002. 

(2) Generalized Linear Models. 2nd Ed. McCullagh P. and Nelder J.,  London: CRC Publishers, 1989. 

(3)《属性数据分析引论(第二版)》张淑梅  王睿  曾莉 译,  高等 教育出版社. 

(4)《实用多元统计方法与 SAS 系统》高惠璇,北京大学出版社. 


Q : 课程的时间是什么时候?

A :  每周二 10:30 固定发布课程内容和更新


Q :  课程难度如何?

A :   属性数据分析主要介绍用于分析属性数据的统计模型,是面向本科生开设的介绍属性数据分析引论的课程,主要覆盖属性数据的介绍,列联表分析,广义线性模型,并重点介绍 logistic 回归模型和 logit 模型等。要求学生具有基础统计课程的知识,如数理统计,回归分析等,不需要微积分、矩阵代数等高等数学的知识。



Q :  有问题怎么办?

A :  课程配备多位老师和助教,大家有问题可以在留言板块中提问,老师和助教会及时回复和解答。



Q :  课程考核方式是怎样的?

A :  本课程考试用百分制计算,最终成绩为60分及以上为合格,85分及以上为优秀。最终成绩合格的同学可以根据实际需求申请认证证书,认证证书是收费的,费用为100/人。具体考试及计分方法如下:

1.     作业(30%

1)完成作业,但未参与互评的学生所得最终作业分数为本人作业实际分数的50%

2)完成作业并参与互评,但未全部完成5次互评的学生所得最终作业分数为本人作业实际分数的80%

3)完成作业并全部完成互评的学生将100%得到本人作业实际分数。

备注:随堂练习不计入最终成绩。


2. 期中考试(35%

1)试题设置:共分为五道大题,每道大题有2~3个问题,共计100分,题型与单元作业题型设置类似,均为计算题和简答题。

2)期中考试开放时间为 2019年10月29日10:30 -- 114日晚23:30,即在这一时段都内可以进行期中考试答题。

 

3. 课程论文(35%

本课程期末考试的形式是,要求在截止时间前提交一份课程论文

1)课程论文提交截止时间为:2019年12月20日23:302019年11510:30起至2019年12月2023:30之间都可以提交课程论文(word, PDF文档)。

2)课程论文要求,格式和评分细则等请见课程发表内容中的《课程论文要求和细则》