Kursa kods MateD001

Kredītpunkti 3

Lietišķās daudzvariāciju metodes II

Zinātnes nozareMatemātika

Zinātnes apakšnozareSkaitliskā analīze

Kopējais stundu skaits kursā81

Lekciju stundu skaits16

Semināru un praktisko darbu stundu skaits16

Studenta patstāvīgā darba stundu skaits49

Kursa apstiprinājuma datums04.09.2019

Atbildīgā struktūrvienībaDatoru sistēmu un datu zinātnes institūts

Kursa izstrādātāji

author prof.

Līga Paura

Dr. agr.

author prof.

Irina Arhipova

Dr. sc. ing.

Priekšzināšanas

MateD005, Lietišķās daudzvariāciju metodes I

Kursa anotācija

Doktoranti apgūst daudzvariāciju datu apstrādes metodes, kā arī metožu pieņēmumu izpildes pārbaudi. Studiju kurss orientēts uz daudzvariāciju metožu izvēles principu apgūšanu un metožu salīdzināšanu. Metožu apgūšanai pielietos reālos piemērus saistītos ar bioloģijas, lauksamniecības u.c. zinātnēm. Uzdevumu atrisināšanai izmantos statistisko analīžu datorprogrammas. Kursā ir ietvertas sekojošās tēmas: dispersijas analīze, kovariācijas analīze, principālo komponentu analīze, faktoru analīze, klāsteru analīze, divgrupu diskriminantu analīze, daudzvariāciju dispersiju analīze.

Kursa rezultāti un to vērtēšana

Pēc studiju kursa studijām doktorantam būs:
• zināšanas par daudzvariāciju datu apstrādes metožu aktuālajām zinātniskajām teorijām, atziņām un to pielietošanu doktora pētījumos saistītos ar profesionālo jomu (praktiskās nodarbības laikā analizētas nepieciešamās daudzvariāciju metodes promocijas darba hipotēzes pārbaudei);
• prasmes patstāvīgi izvērtēt un izvēlēties zinātniskiem pētījumiem atbilstošas daudzvariāciju metodes, īstenojot būtiska apjoma oriģinālu pētījumu, no kura daļa ir starptautiski citējamu publikāciju līmenī (praktiskās nodarbības laikā izvēlētas nepieciešamās daudzvariāciju metodes promocijas darba datu analīzei);
• kompetences sadarbībā ar promocijas darba vadītāju veikt patstāvīgu, kritisku analīzi, un izvērtēšanu, risināt nozīmīgus pētnieciskus vai inovāciju uzdevumus, patstāvīgi izvirzīt pētījuma ideju (izstrādāts un praktiskās nodarbības laikā aizstāvēts mājas darbs).

Kursa saturs(kalendārs)

Pilna laika klātiene
1.Regresijas analīze [L/P - 2h].
2.Daudzfaktora regresijas analīze [L/P - 2h].
3.Regresijas analīze un dispersijas analīze (ANOVA) [L/P - 2h].
4.Regresijas modeļu funkcionālās formas [L/P - 2h].
5.Regresijas modeļa pieņēmumu pārbaude [L/P - 2h].
6.Kovariācijas analīze (ANCOVA) [L/P - 2h]..
7.Kovariācijas analīze un regresijas analīze [L/P - 2h].
8.Divgrupu diskriminantu analīze [L/P - 2h].
9.Daudzgrupu diskriminantu analīze [L/P - 2h].
10.Diskriminantu analīze un dispersijas analīze [L - 2h].
11.Daudzdimensiju dispersijas analīze (MANOVA) [L/P - 2h].
12.Faktoru analīzes metodoloģija [L - 2h].
13.Faktoru analīze un galveno komponenšu analīze [P - 2h].
14.Klasteru analīze. Hierarhiskā klasterizācija [L/P - 2h].
15.Klasteru analīze. Nehierarhiskā klasterizācija [L/P - 2h].
16.Mājas darba aizstāvēšana [P - 2h].

Prasības kredītpunktu iegūšanai

Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto vismaz trīs dažādas statistiskās metodes reālo datu apstrādei.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Patstāvīgā darba organizācija semestra laikā notiek patstāvīgi studējot literatūru, izmantojot mācībspēka konsultācijas.

Studiju rezultātu vērtēšanas kritēriji

Studiju rezultātu vērtējums ir atkarīgs no mājas darba izstrādes pakāpes. Minimālā studiju rezultātu vērtējuma iegūšanai nepieciešams, balstoties uz promocijas darba datiem, formulēt un pārbaudīt hipotēzes, izmantojot vismaz 3 statistiskās metodes: dispersijas, regresijas, kovariācijas, diskriminantu, daudzdimensiju dispersijas analīze, faktoru vai klasteru analīze.

Obligātā literatūra

1. Are Hugo Pripp. (2013) Statistics in food science and nutrition. New York : Springer, 66 pp.
2. François Chollet & J.J. Allaire (2018) Deep learning with R. Shelter Island, NY: Manning Publications Co., 335 pp.
3. James Gareth, at al. (2017) An introduction to statistical learning: with applications in R. New York : Springer, 426 pp.
4. Joseph F. Hair, Jr., William C. Black, Barry J. Babin, Rolph E. Anderson (2014) Multivariate data analysis. Harlow, Essex: Pearson, 734 pp.
5. Robert I. Kabacoff (2015) R in action: data analysis and graphics with R. Shelter Island, NY: Manning, 579 pp.

6. Siegmund Brandt. (2014) Data analysis: statistical and computational methods for scientists and engineer. Springer, 523 pp.

Papildliteratūra

1. John H. Schuenemeyer, Lawrence J. Drew. (2011). Statistics for Earth and Environmental Scientists. Hoboken, New Jersey: John Wiley & Sons, 407 pp.
2. Joseph F. Hair [et al.] (2010) Multivariate data analysis: a global perspective. Upper Saddle River [etc.]: Pearson, 800 pp.
3. Klaus Backhaus, Bernd Erichson, Wulff Plinke, Rolf Weiber (2000) Multivariate Analysemethoden: eine anwendungsorientierte Einführung. Berlin etc.: Springer, 661 pp.
4. Massimiliano Bonamente. (2013) Statistics and analysis of scientific data. New York: Springer, 301 pp.

5. Nathabandu T. Kottegoda, Renzo Rosso (2008) Applied statistics for civil and environmental engineers. Oxford; Malden, MA: Blackwell Publishing, 718 pp.

Periodika un citi informācijas avoti

1. Statistical Analysis and Data Mining.Hoboken, Wiley-Blackwell. ISSN:1932-1864. E-ISSN:1932-1872

2. Electronic Journal of Applied Statistical Analysis. ESE - Salento University Publishing. ISSN:2070-5948

Piezīmes

izvēles kurss LLU doktora studiju programmām.