Regression analysis is widely used in many fields to build elegant models that describe how some variables, called explanatory variables, influence another variable, called the response variable. The focus of this course is on the important special cases of (multiple) linear regression (for continuous explanatory variables such as weight) and the classical Analysis of Variance ANOVA (for categorical explanatory variables such as disease category). Besides, we introduce non-linear regression to handle cases in which linearity assumptions do not hold. We approach the subject from a theoretical perspective. We build on the course Mathematical Statistics (2WS30) and show how to construct parameter estimators, confidence intervals, and statistical tests to analyze multivariate data. We discuss how to verify model assumptions and perform model selection. We pair theory with the use of the R programming language to perform statistical analyses of datasets
Doelstellingen
het kunnen categoriseren van lineaire en niet-lineaire regressiemodellen aan de hand van definities, aannamen en basiseigenschappen
het kunnen toepassen van de wiskundige theorie die ten grondslag ligt aan lineaire regressie
schattingsprocedures en hypothesetoetsen kunnen uitvoeren voor lineaire regressie
het kunnen vinden van geschikte regressiemodellen door middel van modelselectie
deze modellen kunnen evalueren door middel van modelvalidatie
het kunnen analyseren van lineaire en niet-lineaire regressiemodellen met behulp van statistische software
een geschikt model kunnen definiëren in een gegeven praktijksituatie
het kunnen beantwoorden van modelleringsvragen over praktijksituaties met lineaire en niet-lineaire regressie