StatPlus

图书馆

图书馆

• Statistics 网上统计课程

自适应/组序列设计的临床试验 - 这课程会教你使用统计学合理的的原则，整合暂定数据，可能提前终止，并临时重新估计权和所需的样本量，设计，监测和分析，临床试验。它涵盖组序列的设计和样本量重新估计的自适应方法。

实验高级设计 - 课程的目的是展示不为注意的高阶的和重要的概念,如不规律的实验地区设计和平均值分析 (ANOM)。

高级采样方法- 课程扩大决策树应用范围，包括引导，决策树和置换（随机）检验。所有环节包括关键的评价方法和练习。参加者将学习分析实验设计，创造自己的统计，分析分类数据，以及组合分类和连续数据，开发和验证模式。

概率统计中的基本概念 - 课程通过一系列的实际应用，提供对统计和统计术语简单的介绍。一旦您完成学习，您能够对报告和报纸用统计与概率的数据进行总结和解释。您将使用模拟和重采样，以充分掌握 “统计学意义” 这困难的概念。

介绍Bayesian统计 – 本课程向您介绍Bayesian统计的基本概念. 您讲学习如何对二项比例，正态平均数，正态平均数差，比例差，简单线性回归进行Bayesian分析。

生物统计介绍 - 本课程涵盖用在生物统计学的主要的统计概念。回顾所有的统计分析的共同基本概念，详细讨论在生物统计中的重要概念。

分类数据的分析 - 本课程包括列联表数据分析（表格数据，其中表格计数代表计数或或分类类别）。内容包括独立性检验（比较比例以及卡方检验）,精确方法，有序数据的处理。双向表和三向表都包括在内。

临床试验的设计 - 本课程涵盖的基本概念对于设计严格随机对照临床试验以确保有效治疗的比较是必需的。

聚类分析 - 本课程将教导您如何利用各种聚类分析方法，在多元数据找出可能的集群。讨论的方法包括聚类分析， K -均值聚类，两步聚类，和连续变量的正态混合模型。

数据发掘介绍- 本课程涵盖数据发掘多数商业应用的两核心范例: 分类和预测。在这两种情况下，数据发掘采用已知的感兴趣的的一个变量，建立一个与之相关的模型预测一系列的变量。在分类中，感兴趣的变量是类别（ “购买”与“不购买” ） 。在预测中，感兴趣的变量是连续的（ “美元依赖” ） 。四种技术将被应用： K -最近邻，分类和回归树(CART)， Logistic回归和多元线性回归。课程还将包括使用分区划分数据为训练数据（用于建立一个模型的），验证数据（所用的数据，以评估不同的模型，或在某些情况下，微调模型）和测试数据（数据可用来预测的表现，最后的模型）。

数据发掘: 无监督技术- 本课程涵盖的关键无监督学习技术，关联规则，主成分分析，聚类分析。课程将包括一个整合的监督和无监督学习的技巧。

决策树和基于规则的分割 - 规则归纳是数据发掘一个重要的组成部分，包括两项产生规则的主要式样。

实验设计- 本课程DOE的应用而不是统计理论。通过12-step 清单，它涵盖全部和部分因子设计，Plackett-Burman, Box-Behnken, Box-Wilson and Teguchi 设计。

定向(循环)数据 – 定向数据（亦称为循环数据）是以重复度量的数据，最基本的例子是每天中的小时或角方向。 本课程涵盖探索和推理所需要的工具来分析这些数据，培训班学员将用软件实战。

工程统计 - 本课程涵盖的议题是工程师特别关注的。内容包括预测的时间间隔，公差间隔，校准间隔，测量误差，加速寿命试验，测量系统的评价，可靠性和寿命测试。

环境影响评估统计- 本课程向您介绍用在环境分析的统计方法。大多数方法将包括在一个标准的统计课程中，但有些涵盖在这里的内容将不包括在其中。

流行病学基础 - 这是一个流行病学介绍课程，强调基本概念和方法。涵盖的主题课程包括：研究设计（临床试验，队列研究，病例对照研究，横断面） ，疾病的频率和效果测量。

流行病学研究的偏性 -这是流行病学次级课程，强调基本概念和在流行病学研究中为解决有效性和偏性的。涵盖的主题包括：有效性和偏性概述，选择偏性，信息偏性，混淆偏性。

流行病学数据分析 - 这是流行病学次级课程，强调流行病学数据的分析方法。涵盖的主题课程包括：简单的分析2x2表，控制外在的变量（包括介绍Logistic回归） ，分层分析，匹配。

探索和分析DNA微阵列的数据- 本课程将让您从开始到结束熟悉微阵列数据挖掘过程。你将学到如何如何进行数据预处理，估计基因表达模式，聚类基因以检测目的基因表达模式，并在基因表达模基础上进行实验（项目）分类。在不同阶段的分析，统计所涉及的问题将使用从DNA微阵列实验真实数据说明。

混合效应模型与应用 - 本课程解释线性和非线性混合效应模型的基本理论。将概述用于主要是为通常涉及分布式错误的模型估计的算法，并会提供数据分析的例子。本课程旨在提供一个对混合效应模式基本的了解和认识，在实践中使用。

金融风险管理-模型衍生物 - 本课程介绍了基本金融衍生工具如期权和期货的随机模型-在风险管理的重要手段。课程结合理论和实践方面的期权定价和买卖，使用真实世界的例子作说明，并着重于离散时间模型，期权定价和交易。

广义线性模型 (GLM) - 本课程阐述 广义线性模型(GLM)的理论, 概述用于GLM估计算法，并解释对于特定的数据如何确定算法。GLM允许反应模型或采用计数、比例，二分法（1/0），阳性连续值，及符合正态高斯分布的自变量模型，Logistic, Poisson和负二项分布回归模型是三个最值得注意的GLM的成员。

潜变量生长曲线模型 - 本课程向您介绍潜变量生长曲线模型，对重复测量数据采用传统生长曲线反复模型，并扩大到包括通过结构方程模型（ S EM）等方法使用潜变量。

Logistic回归 – Logistic回归扩展普通最小二乘法（OLS）的方法到模二进制数据（是/否，成功/失败）的结果模型。， Logistic回归让您估计成功或失败的概率，而非直接估计结果

元分析- 本课程解释元分析- 本方法用于评价对同一项目的多个统计学研究进行评估并获得结论。

模型计数资料 - 本课程处理计数资料的回归模型，如反应或因变量以计数或比率的形式。课程涵盖计数模型的基础Poisson回归及对基础模型的延伸和修正。

纵向和面板数据模型- 本课程延伸广义线性模型到对纵向和群集的数据，所谓的面板数据模型。

队列理论 - 本课程提供队列分析的坚实的基础，优化队列，设计队列系统。虽然这个题目看似抽象，其实是非常实际，世界需要队列专家对从服务器的设计到交通流量分析，飞机和车辆的交通流量，呼叫管理及其他各种应用。

R介绍 – 这三周的课程提供对 R及其在统计和数据组织方面的应用。完成后，您能使用R进行数据输入、保存、募集、总结显示，模拟并测试假说。

在R和S-PLUS中模型 - 这三周的课程向您展示如何使用R和S-PLUS模型 用于分类和预测。同时介绍高级作图方法。模型技术包括OLS、 LAD、EIV 回归、分量回归和决策树。

实用 Rasch测量 – Rasch分析从观察评分如多选题反应、Likert评分和生活质量评估建立线性模型。本课程涵盖从数据建立、分析、输出解释、拟和分析、鉴别函数、维度和报告。

房地产价格和金融稳定- 本课程涵盖在建设商业和住宅房地产价格指数使用的统计方法，这是很重要金融机构可以使用的工具，以监察其暴露房地产市场的风险波动。它还涉及房地产价格和银行的盈利能力之间的关系，银行信贷，国内生产总值，股权价格和利率发挥在确定房地产价格的作用。

重采样方法介绍 – 本网上课程介绍重采样的基本概念和方法。参加者将使用重采样统计、 S-PLUS 或 R (取决于选择; 对于S-PLUS和R不熟悉者推荐使用重采样统计)进行区间估计， 1 ， 2和K -样本比较，相关性，以及其他一些最强大的统计。课程目标是给参加者信心和在他们自己的研究和在研究解释等实践中必要的统计工具。由Dr. Philip Good， "Resampling Methods" (Birkhauser) 和 "Permutation Tests" (Springer)的作者教授。

回归介绍 - 回归，也许是最广泛使用的统计技术，估计自变量（原因）和因变量（结果）的线性关系。回归模型可以用来帮助理解和解释变量之间的关系，他们也可以被用来预测实际结果。你将学到如何推导回归模型，使用软件来执行，了解标准回归模型的假设，了解如何测试您的数据是否符合这些标准的假设，并了解当假设不能满足时可以做些什么。

样本量和效能决定 - 本课程教您如何为试验、调查和长期试验决定检验效能和样本量。

地理信息系统 (GIS)中的空间统计分析 - 空间统计分析使用方法源于传统的统计，以解决空间位置是最重要的解释性变量的问题。课中会解释，并举例分析可以进行在一个地理信息系统如ArcGIS™ 或 Mapinfo™的分析。

统计过程控制（与在医疗保健中应用）- 本课程将解释使用控制图以监测和控制过程的理论和实践，重点是在医疗服务领域的应用。

统计介绍I: 单变量的推断 -本课程目的是通过一系列的实际应用提供统计和统计术语的简单介绍。一旦您完成课程，您可以检验比例和均数假说。您将使用模拟和重采样，以充分掌握“统计学意义”这困难的概念。

统计介绍II: 处理双变量数据- 本课程通过一系列的实际应用提供双变量推理的简单介绍。课程完成，您将能进行简单回归或比较比率或均值的假说检验。

结构方程模型 - 本课程涵盖结构方程模型的基本概念和理论-描述变量之间的关系。使用案例研究并介绍Amos软件。

高级结构方程模型 - 本课程通过实际练习涵盖许多常用高级结构方程模型。模型包括多重指标一多种原因模型（MIMIC） ，多组模型，多层次（HLM）模型，混合模型，结构化平均模型， 多特征-多方法模型，二阶因素模型，互动模式，以及动态因素模型。

调查设计和样本采集 - 本课程涵盖调查问题制作，设计问卷调查和在实践中不同的采样程序。涵盖了调查设计长期基本原则，并讨论答辩阻力趋向增加影响。

调查分析 - 本课程涵盖在调查中收集到的数据的分析。

生存分析 - 本课程描述用于生存数据或时间到事件数据的建模和评价的各种方法。

S-PLUS介绍 - 本课程介绍从如何使用S-PLUS统计包开始到书写S-PLUS脚本程序。内容包括基本的统计分析，网格图形，假设检验，蒙特卡罗模拟，交叉验证，引导，刀切，和元分析。

文本发掘 - 本课程会介绍文本发掘的关键技术，可理解为扩展数据发掘，对非结构化的文本标准预测方法。

时间序列预测 - 本课程将教您如何选择一个适当的时间序列模型，拟和模型，进行诊断，并使用模型预测。课程将着重于自回归（ AR ） ，移动平均线（ MA ）的，结合的ARMA，和 Box Jenkins模型。

毒理学风险评估 - 本课程涵盖用于有毒物质，主要是实验结果风险统计所用的程序分析。它涵盖趋势的显著性检验及其剂量反应关系的应用，量效关系模型建立，基准剂量估计，并在剂量反应模型纳入历史控制信息。