Bayesiánská biostatistika - MB162C03

• Anglický název: Bayesian biostatistics
• Český název: Bayesiánská biostatistika
• Zajišťuje: Katedra ekologie (31-162)
• Fakulta: Přírodovědecká fakulta
• Platnost: od 2015
• Semestr: zimní
• E-Kredity: 2
• Způsob provedení zkoušky: zimní s.:
• Rozsah, examinace: zimní s.:0/4, Z [DS]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: nevyučován
• Jazyk výuky: čeština
• Poznámka: povolen pro zápis po webu
• Garant: Mgr. Petr Keil, Ph.D.

Anotace

čeština

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

Cílem kurzu je seznámit studenty s moderní aplikovanou Bayesiánskou statistikou, vymanit mysl ze zajetých
škatulí běžné frekventistické statistiky a ukázat, že statistika může být "stavebnicí", kde znalost několika málo
stavebních kamenů umožňuje analýzu libovolně složitého problému. Důraz bude kladen více na praktické výhody
Bayesiánského přístupu a méně na teoretická či filozofická specifika. Během kurzu budou používané především
ekologické příklady, nicméně probírané metody mají univerzální uplatnění v celé biologii. Během kurzu se studenti
naučí pochopit, specifikovat, "fitovat" a hodnotit modely v prostředí BUGS (OpenBUGS, JAGS). Kurz předpokládá
elementární znalost R (tzn. "umím R spustit, načíst data, udělat jednoduchou regresi atd."). Znalost základů
programování je výhodou, ne však nutností. Kurz proběhne formou intenzivního a interaktivního 3-4 denního
blokového semináře.
Kurz může běžet jak v češtině, tak v angličtině (dle jazykových znalostí účastníků).

angličtina

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

The course is an introduction to modern applied Bayesian statistics. Its aim is to show that one can do statistics
outside of the classical frequentist categories, and that statistics can work as a modular kit in which several simple
blocks can be used to analyze problems of any complexity. The course will emphasize the practical adavantages
of Bayesian statistics rather than the theoretical or philosophical ones. We will use mainly ecological examples but
the methods are universally applicable throughout the whole biology. Particularly, participants will learn to specify,
fit and evaluate models in BUGS language (OpenBUGS, JAGS). The course assumes basic knowledge of R (i.e. "I
can launch R, load data into R, I can do a simple regression model" and so on). Basic programming skills will be
advantageous (but not critical). The course will have a form of a 3-4 days of intensive seminar-workshop. The
course can be taught either in Czech or English, depending on the language skills of the participants.

Literatura

čeština

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

Kéry M. (2010) Introduction to WinBUGS for Ecologists: Bayesian approach to regression, ANOVA, mixed models and related. Academic Press.

McCarthy M.A. (2007) Bayesian Methods for Ecology. Cambridge Univ. Press.

Clark J.S. (2007) Models for Ecological Data. Princeton Univ. Press.

Gelman A., Carlin J.B., Stern H.S. & Rubin D.B. (2004) Bayesian Data Analysis. Chapman & Hall.

Bolker B.M. (2008) Ecological Models and Data in R. Princeton Univ. Press.

OpenBUGS user manual: www.openbugs.info

Požadavky ke zkoušce

čeština

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

Zápočet bude udělen za účast a za vypracování jednoduché Bayesiánské analýzy.

angličtina

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

Students will be credited for attendance and for performing a simple Bayesian analysis.

Sylabus

čeština

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

1. Specifika Bayesovské statistiky, likelihood, dualita data-model.

2. Princip Markov Chain Monte Carlo (MCMC). Základy OpenBUGS a JAGS.

3. Jednoduché modely, bestiář pravděpodobnostních rozložení a jejich zápis v jazyce BUGS.

4. Zobecněné lineární modely - lineární regrese, logistická regrese, Poissonovská regrese, ANOVA a spol., vše v BUGS.

5. Hierarchické (mixed-effect, multilevel) modely, random effects vs. fixed effects, latentní proměnné, složitější modely, informative vs. neinformative priors.

6. Analýza časových řad, autokorelační funkce, hustotní závislost, náhodné procházky.

7. Analýza prostorových a geografických dat, prostorová autokorelace, modul GeoBUGS.

8. Výběr modelů, hodnocení modelů, informační kritéria, práce se spolehlivostí a nejistotou, intervaly spolehlivosti, predikční intervaly.

angličtina

Poslední úprava: RNDr. Veronika Sacherová, Ph.D. (15.04.2013)

1. Basics of Bayesian statistics, likelihood, duality of model and data.

2. Principle of Markov Chain Monte Carlo (MCMC) and basics of OpenBUGS and JAGS.

3. Simple Bayesian models, bestiary of probability distributions and their implementation in BUGS language.

4. Generalized linear models - linear regression, logistic regression, Poisson regression, ANOVA etc., all that in BUGS.

5. Hierarchical (mixed-effect, multilevel) models, random effects vs. fixed effects, latent variables, complex models, informative vs. non-informative priors.

6. Time series analysis, autocorrelation function, density dependence, random walks.

7. Modelling spatial and geographical data, spatial autocorrelation, GeoBUGS module.

8. Model selection, model evaluation, information theory criteria, handling uncertainty, Bayesian credible intervals, prediction intervals.