Углубленные методы моделирования взаимосвязи в SPSS
Цель проведения тренинга "Углубленные методы моделирования взаимосвязи в IBM SPSS Statistics" – освоение методов моделирования взаимосвязи на базе широкого спектра линейных и нелинейных моделей. В курсе рассматривается модели регрессии с зависимыми и имеющими непостоянную дисперсию остатками, когда не применимы классические линейные модели регрессии. Кроме того рассматриваются модели для данных повторных измерений, с фиксированными и случайными эффектами, модели с зависимой переменной в различной шкале измерения с распределением, отличным от нормального распределения, а также модели с разными связующими функциями.
После обучения на тренинге Вы будете уметь:
- Строить модели регрессии в случае нарушения предпосылок классической регрессии
- Строить модели регрессии для данных повторных измерений
- Строить модели регрессии с различным видом связующей функции
- Строить модели регрессии для разных типов измерения зависимой переменной
Продолжительность тренинга: 2 дня с 10:00 до 17:00
Программа тренинга:
Тема 1. Обобщенные линейные модели
- Предпосылки для построения обобщенной линейной модели
- Общий вид обобщенной линейной модели
- Функция плотности распределения вероятности
- Функция распределения
- Основные виды распределений зависимой переменной
- Нормальное распределение
- Обратное Гауссовское распределение
- Биномиальное распределение
- Распределение Пуассона
- Гамма распределение
- Отрицательное биномиальное распределение
- Полиномиальное распределение
- Выбор связывающей функции
- Процедура Обобщенная линейная модель
- Задание зависимой переменной и предикторов
- Задание взаимодействия предикторов
- Задание вложений предикторов
- Методы оценки параметров обобщенной линейной модели
- Задание вывода характеристик модели
- Исследование различий между уровнями предикторов
- Сохранение результатов
- Экспорт модели и скоринг данных
- Критерии качества подгонки модели
- Проверка значимости влияния предикторов
- Интерпретация параметров модели
- Исследование остатков модели
Тема 2. Обобщенные уравнения оценки
- Условия применения обобщенных уравнений оценки
- Общий вид модели обобщенного уравнения оценки
- Процедура Обобщенные уравнения оценки
- Задание эффекта повторных измерений
- Анализ структуры рабочей корреляционной матрицы
- Задание предикторов в модели
- Задание шкалы измерения зависимой переменной
- Задание вида распределения зависимой переменной
- Задание функции связи в модели
- Задание взаимодействия предикторов
- Задание вложений предикторов
- Методы оценки параметров обобщенной линейной модели
- Настройка параметров вывода
- Попарные сравнения различий между уровнями предикторов
- Сохранение результатов
- Экспорт модели и скоринг данных
- Результаты процедуры Обобщенные уравнения оценки
Тема 3. Смешанная линейная модель
- Обобщенная линейная модель взаимосвязи
- Требования к остаткам обобщенной линейной модели
- Гетероскедастичность и автокоррелированость остатков
- Ковариационная матрица остатков и анализ ее структуры
- Процедура Смешанная линейная модель
- Задание повторных измерений и структуры ковариационной матрицы
- Задание зависимой переменной и предикторов
- Настройка фиксированных эффектов
- Настройка случайных эффектов
- Выбор метода оценивания параметров модели
- Настройка характеристик описания модели
- Вывод попарных сравнений различий между уровнями предикторов
- Параметры сохранения модели
- Результаты процедуры Смешанная линейная модель
- Информационные критерии качества модели
Тема 4. Обобщенная линейная смешанная модель
- Условия и предпосылки построения модели
- Процедура Обобщенная линейная смешанная модель
- Задание структуры данных
- Определение целевой переменной
- Задание распределения целевой переменной
- Задание связывающей функции
- Настройка фиксированных эффектов
- Настройка случайных эффектов
- Задание весов и смещения
- Настройка дополнительных параметров процедуры
- Сравнение средних и контрастов
- Сохранение результатов процедуры
- Результаты процедуры Обобщенная линейная смешанная модель
- Редактор моделей и работа с ним
- Оценка качества подгонки модели
- Анализ информации о структуре данных
- График предсказанных значений и остатков
- Таблица классификаций
- Проверка значимости фиксированных эффектов
- Интерпретация коэффициентов модели
- Анализ случайных эффектов