Modulbeschreibung MA3403

Modulbeschreibung

MA3403: Allgemeine Lineare Modelle

Fakultät für Mathematik

Modulniveau:
Master
Sprache:
Englisch
Semesterdauer:
Einsemestrig
Häufigkeit:
Wintersemester
Credits*:
9
Gesamt-
stunden:

270
Eigenstudiums-
stunden:

180
Präsenz-
stunden:

90
* Die Zahl der Credits kann in Einzelfällen studiengangsspezifisch variieren. Es gilt der im Transcript of Records oder Leistungsnachweis ausgewiesene Wert.
Beschreibung der Studien-/Prüfungsleistungen:
Die Prüfungsleistung wird in Form einer Klausur (90 Minuten) erbracht. In dieser wird überprüft, inwieweit die Studierenden die theoretischen Grundlagen allgemeiner linearer Modelle und moderne Regressionsmethoden kennen und in begrenzter Zeit bei Datenanalysen, Modellanpassungen und Validierung mit Hilfe der Statistiksoftware R anwenden können sowie die Ergebnisse angemessen analysieren und interpretieren können.
Wiederholungsmöglichkeit:
Im Folgesemester: Nein
Am Semesterende: Ja
(Empfohlene) Voraussetzungen:
MA1401 Einführung in die Wahrscheinlichkeitstheorie, MA2402 Statistik: Grundlagen (empfohlen: MA2409 Wahrscheinlichkeitstheorie, MA4401 Applied Regression)
Angestrebte Lernergebnisse:
At the end of the module students are able to apply the theory of modern regression methods, such as explorative data analysis, model fitting and validation, and to interprete the results. Students are able to analyse and interpret regression data using the statistical software R.
Inhalt:
The main topic of this course will be regression methods for non-normal response data. These generalized linear models (GLM) include regression models for binary, count, nominal and positive response data. Applications of these models can be found in finance, insurance, economics, medicine and biology. In addition to classical GLM's such as logistic, probit, Poisson, Gamma and log linear models, we will discuss extensions to adjust for overdispersion and models with random effects. Both theory and practice will be emphasized. Statistical software knowledge such as Splus, R or SAS will be expected.
Lehr- und Lernmethode:
Vorlesung, Übung, Übungsaufgaben zum Selbststudium
Das Modul wird als Vorlesung mit begleitenden Übungen angeboten. In der Vorlesung werden die Inhalte im Vortrag durch anschauliche Beispiele sowie durch Diskussion mit den Studierenden vermittelt. Die Vorlesung soll den Studierenden dabei auch als Motivation zur eigenständigen inhaltlichen Auseinandersetzung mit den Themen sowie zum Studium der Literatur dienen. Jeweils passend zu den Vorlesungsinhalten werden in den Übungsveranstaltungen Aufgabenblätter und deren Lösungen angeboten, die die Studierenden zur selbstständigen Kontrolle sowie zur Vertiefung der gelernten Methoden und Konzepte nutzen sollen.
Medienformen:
Tafelarbeit, moodle
Literatur:
Generalized Linear Models, Second Edition, Peter McCullagh und John A Nelder, Chapman and Hall, 1989.
An Introduction to Generalized Linear Models, Second Edition, A.J. Dobson, Chapman & Hall, 2002. Multivariate Statistical Modelling Based on Generalized Linear Models, 2nd Edition, L. Fahrmeir und G. Tutz, Springer Verlag, 2001.
Modern Applied Statistics with S. Fourth Edition, W. N. Venables and B.D. Ripley, Springer Verlag, 2002. Modelling Binary Data, D. Collett, Chapman and Hall, Second Edition, 2003. Generalized, Linear, and Mixed Models Charles E. McCulloch und Shayle R. Searle, Wiley, 2004.
Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models, Julian J. Faraway, CRC Press, 2006.
Modulverantwortliche(r):
Czado, Claudia; Prof. Ph.D.: czado@tum.de
Lehrveranstaltungen (Lehrform, SWS) Dozent(in):

240243010 Generalized Linear Models [MA3403] (4SWS VO, WS 2020/21)
Czado C, Hanebeck A, Tepegjozova M, Strieder D

240283358 Exercises for Generalized Linear Models [MA3403] (2SWS UE, WS 2020/21)
Czado C, Hanebeck A, Tepegjozova M, Strieder D