Vrije University - Summer graduate programs

R 数据分析暑期课程

最后的申请机会！

第一周致力于学习如何使用 R 和回归分析。我们首先将数据读入 R、描述性统计和数据的可视化表示，这是统计分析的第一步。然后，我们介绍线性回归模型，这是一种广泛使用的模型，有两个主要目的：建模变量之间的关系和预测未来的观察结果。

第二周，我们将线性模型扩展到广义线性框架，以分析离散因变量。事实证明，您将使用的 Logit 回归对于理解课程的其余部分：分类很有用。您将学习如何使用主成分分析和聚类分析来减少数据维度，以及如何使用学习到的方法进行预测。

每天都有简短的讲座，其中包含示例和练习，您可以立即应用所学知识。练习和作业的重点是 R 中的编码以及如何应用和解释广义线性回归模型。课后，你应该完成一项作业，将你在课堂练习中学到的知识整合起来。该作业将被评分。

第1周

第一天：简介

我们首先解释 R 环境和 Rstudio 的基础知识。您将学习如何使用 R 中的主要数据类型：向量、因子、矩阵、列表和数据框。您将学习创建变量、选择案例和变量以及如何使用绘图。介绍了计算平均值和标准差的简单函数。

第 2 天：数据和功能

您将把一个数据文件读入 R，并且您将学习如何在 R 中计算描述性统计量和频率。昨天讨论的函数将应用于此调查数据集。此外，还讨论了允许您在整个数据集上运行复杂任务的各种循环命令。我们引入矢量化作为循环的替代方案。尽管循环更直观，但矢量化速度要快得多。在整个课程中，我们将通过编写 t 检验、线性回归和对数似然比检验函数来练习这些技能。

第三天：简单回归

我们将讨论线性模型与 t 检验的关系。您将学习如何使用一个独立的虚拟变量或区间变量解释结果，以及如何测试线性回归的假设。

第四天：回归假设

你将学习如何用一个独立的区间变量来解释结果，以及如何检验线性回归的假设。线性回归的假设是建立在信任估计值和标准误差的基础之上的。你将学习如何检验这些假设，以及违反这些假设的后果。

第 5 天：多元回归

这一天的课程以第三天为基础，第三天我们讨论了简单回归。多元回归模型还增加了“其他条件不变”的概念。我们还将讨论混杂效应和交互作用，以及何时以及如何使用均值中心化。

第2周

第 6 天：逻辑回归

我们将引入逻辑回归作为广义线性框架的一部分。我们将计算优势比并讨论它与卡方检验和逻辑回归的关系。此外，我们将讨论对数似然比检验来比较两个或多个模型。

第 7 天：分类/线性判别分析

许多数据集本质上是多维的，其中没有明确的因变量或自变量。你将学习如何应用线性（二次）判别分析作为数据缩减技术，以及如何绘制决策边界。

第 8 天：聚类分析

您将了解相似性度量、如何读取树状图、如何使用 K 均值算法进行分类以及如何在 R 中可视化聚类数据。

第 9 天：主成分分析/验证性因素分析

调查研究中的许多量表都是多项量表。您将学习这些量表的效度和信度问题，以及如何应用和解释验证性因子分析。我们将讨论因子载荷、因子相关性和项目方差。您将学习如何使用多组分析和中介分析来检验组间差异。

第 10 天：回顾和整理工作方法

最后一天将用于：

• 回顾一下材料
• 详细解释如何清理代码和改进工作流程，
• 完成你的任务。

如果您对自己的研究有任何疑问，而该疑问在课程中尚未得到解答（请随意使用问答来解决您自己的研究问题），欢迎您预约与我们单独会面。

在本课程结束时，学生将能够：

• 评估定量数据源的质量
• 根据数据源选择合适的分析方法
• 进行各种统计测试
• 使用广义线性框架分析数据
• 发展了编程技能