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，成绩达到 60 分以上（含60分）者为合格，成绩大于等于85分者为优秀，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 2018年10月29日10：30 -- 11月11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：2018年12月30日23:30。2018年11月12日起至2018年12月30日23:30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》  

 


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 :  每周一 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 :  课程的考核方式是什么？  

A :  本课程考试用百分制计算，成绩达到 60 分以上（含60分）者为合格，成绩大于等于85分者为优秀，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 2018年10月29日10：30 -- 11月11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：2018年12月30日23:30。2018年11月12日起至2018年12月30日23:30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》