Mixed Models Applied in Agricultural Sciences II. A Course in Mixed Models for use in Research in Animal Nutrition and Physiology
|
|
- Gerda Bagge
- 8 år siden
- Visninger:
Transkript
1 Biometry Research Unit Internal Report Mixed Models Applied in Agricultural Sciences II Based on A Course in Mixed Models for use in Research in Animal Nutrition and Physiology Søren Højsgaard & Erik Jørgensen (editors) Danish Institute of Agricultural Sciences Research Centre Foulum
2 There are two publication series of Biometry Research Unit at the Danish Institute of Agricultural Science: Technical Reports and Internal Reports. Technical Reports: This series aims to cover the publication of pre-prints and research papers in an advanced stage of elaboration. The material published should have some original content, but reviews are also suitable. There are, in principle, no size limitations and extended versions with full details that are referenced later in the final publication are acceptable. The authors assume entirely the responsibility regarding the quality and validity of the published material. There are no editorial checks. The publication in the series does not disqualify the material for later presentation to a journal that requires originality. The preferred language in this series is English. The reports are distributed through a mailing list. Copies can be obtained from the editor. Internal Reports: This is an informal series intended to publish material of some interest that are not suitable for publishing in the technical report series. Typical articles are: documentation of useful programs or macros, pedagogic and divulgation articles in biostatistical methods, reports of interesting consultation cases, etc. The reports are distributed by the authors. An updated list of the reports and a complete collection of both series will be kept at the departments library and the central library at the Research Centre Foulum. Copies of the papers of both series can be obtained from the editor. The reports may also be downloaded in pdf-format from the webpage: Editor: Ulrich Halekoh Biometry Research Unit Danish Institute of Agricultural Sciences Research Centre Foulum
3 Internal Report Mixed Models Applied in Agricultural Sciences II Based on A Course in Mixed Models for use in Research in Animal Nutrition and Physiology Søren Højsgaard & Erik Jørgensen (editors) Ministry of Food, Agriculture and Fisheries Danish Institute of Agricultural Sciences Biometry Danish Institute Research of Unit Agricultural Sciences Research Centre Foulum Research Centre Foulum P.O. Box 50 DK-8830 Tjele Denmark
4 Mixed Models in Agricultural Science Preface The popularity of mixed models in agricultural (as well as in other) sciences has been steadily increasing over the last decade. This is due to several reasons: One is an increasing awareness among researches that measurements can often not be considered independent. Another reason is that software development in combination with cheap and powerful computers makes it possible to deal with non-independent data. The present report consists of project reports made by course participants in a course on mixed models given in the spring The participants were researchers and students from the Danish Institute of Agricultural Sciences (primarily from Department of Animal Nutrition and Physiology), Research Centre Foulum. A similar report exists from a previous aimed at researchers from Department of Animal Health and Welfare. The motivation behind making this compilation of the projects is to present to other researchers a series of examples of the use of mixed models in agricultural research. It is always important to be sceptical about (statistical) models. A famous saying among statisticians is that "all models are wrong, but some are usefull". This sentence also applies to what is presented in this report. Hence, when reading about a specific analysis, it is important to keep in mind that the analysis presented is just one of presumably many possible analyses of the given problem at hand. Another researcher may come up with a different analysis! Erik Jørgensen Søren Højsgaard Research Centre Foulum, /6/2002
5 Contents 1 Prædiktion af klinisk sygdom hos grise Niels Peter Baadsgård 7 2 Effect of feed structure and addition of formic acid to the diet on ph in the GIT of growing pigs at various times after feeding Nuria Canibe 19 3 Zink og kobber til fravænnede grise Mette S. Hedemann 35 4 Tilsætning af fedt og rapslecithin til smågrise: Effekt på fordøjeligheden Henry Jørgensen 43 5 NEOSPORA CANINUM - Variation i antistof respons afhængig af laktationsstadie og tidspunkt i drægtighed Anne Mette Kjeldsen, Dansk Kvæg 55 6 Ernæringens indflydelse på somælkens sammensætning Charlotte Lauritzen 65 7 Lactic acid to growing pigs Lene Lind Mikkelsen 89 8 Colour detection of colostrum Morten Damm Rasmussen 95 9 Søers varmeproduktion i relation til deres aktivitet Peter K. Theil 105 5
6 Mixed Models in Agricultural Science 10 Betydning af malkningsfrekvens og foderets energikoncentration på blodets indhold af glukose og insulin hos malkekøer i tidlig laktation Mogens Vestergaard /6/2002
7 Paper 1 Prædiktion af klinisk sygdom hos grise Niels Peter Baadsgård 7
8 Niels Peter Baadsgård: Klinisk sygdom hos grise Niels Peter Baadsgaard 1/ Afd for sundhed og velfærd Prædiktion af klinisk sygdom hos grise Baggrund I forbindelse med den regelmæssige sundhedskontrol i svinebesætninger foretager den praktiserende dyrlæge en klinisk undersøgelse af besætningen. Formålet med den kliniske undersøgelse er at resultaterne herfra bidrager til diagnosticering (dvs afklaring) af sygdomsagens i besætningen ligesom antallet af grise med kliniske symptomer kan give et kvantitativt mål for niveauet af klinisk sygdom over tid i en besætning. Dette er nødvendigt ved vurdering af behandlingseffekt samt ved besætningsprognosen dvs. ved prædiktion af sygdomsudviklingen. Det er formålet med denne analyse at vise hvorledes gentagne målinger af klinisk sygdom over tid hos grise kan modelleres over tid med henblik på prædiktion af sygdomsniveauet i en svinebesætning. Data Der er foretaget regelmæssige kliniske undersøgelser i 15 svinebesætninger hos fravænningsgrise i vægtintervallet 7-30 kg. Antallet af målinger (dvs. besøg) i besætningerne svingede fra Dataopsamlingsperioden var Der blev anvendt en stratificeret sampling med henblik på at sikre at clustering af klinisk sygdom i visse stier/ staldafsnit ikke skulle påvirke målingen i den enkelte besætning. Observationsenheden var besætning, da der ikke var gentagne målinger på den enkelte gris. De kliniske målinger på den enkelte gris blev registreret som binære tilstande. Der blev foretaget en systematisk klinisk undersøgelse af den enkelte gris, dvs der blev registreret en lang række af forskellige symptomer. Der er her valgt kun at anvende registrering af grise med forstyrret almenbefindende i den endelige statistiske analyse. Statistisk model Fig.1 viser forløbet af den observerede sygdomsfrekvens i 5 besætninger. Figuren viser at der ses en betydelig variation både mellem besætninger og indenfor samme besætning. Figuren viser endvidere at nogle besætninger udviser et konstant lavt niveau mens der er større variation indenfor andre. Der er endvidere en tendens til at målinger som ligger tættere på hinanden er korrelerede indenfor den enkelte besætning. Fig. 2 viser fordelingen af de observerede frekvenser af grise med forstyrret almenbefindende i de 15 besætninger. Figuren viser at det ikke vil være rimeligt at antage normalfordeling af data som jo er en væsentlig antagelse ved anvendelse af proc mixed. Disse resultater giver anledning til at overveje en transformation af data. Lad Y it i være indeks for besætninger hvor i=1,2,3.,k; hvor k=15. Lad endvidere t angive tidspunktet for den kliniske undersøgelse. Lad endvidere y it være det observerede antal grise med klinisk sygdom i den i te besætning til tiden t. Observationerne y it er da realisationer af de uafhængige tilfældige variable Y it. Da den enkelte gris registreres som klinisk syg/ikke syg vil det være rimeligt at antage: Y binomial( p, n ) it ~ it it 8 27/6/2002 1
9 Niels Peter Baadsgård: Klinisk sygdom hos grise hvor n it er sample størrelsen, og hvor n=150. p it er en stokastisk variabel som angiver sandsynligheden for at observere sygdom. Ved analyse af denne type data anvendes ofte logit transformationen p it η it = log = αi + βxit p (1 it ) α ~ i P ( α µ, σ Parameteren β ~ P(β) angiver en gennemsnitlig respons for alle besætninger, mens α i modificerer niveauet for en specifik besætning Fordelingen af y it /n it ved at logittransformationen er vist på figur 3. På basis af denne vil vi i det følgende vil vi antage en normalfordeling for data. i 2 ) På basis af de observerede data vil det være rimeligt at tage som udgangspunkt: η = µ + λ + ω it i it 2 hvor µ angiver et fælles intercept, iid λi ~ N(0, σ s ) angiver tilfældig effekt af besætning med fælles varians σ 2 2 s,og hvor ω it = ρ * ηit 1 + ε it. ε it ~ N(0, σ ), ρ ~ unif ( 1,1 ). Der gælder at E(ω it ) =0 for alle t dvs ω it ~ N(0,θ); hvor θ = σ 2 /(1- ρ 2 ). σ 2 s antages uafhængig af σ 2. Vi antager altså at observationerne indenfor besætning følger en 1.ordens autoregressiv process. Denne model antager at korrelationen mellem besætninger et tidstrin tilbage er givet ved ρ. To tidstrin tilbage er korrelationen givet ved ρ 2 ; 3 tidstrin tilbage er den givet ved ρ 3 etc. Processen følger således en markov process som siger at givet viden om tilstanden t-1 vil vores observation i dag være uafhængig af hvad der blev observeret t-2, t-3 etc. Denne egenskab kan benyttes ved prædiktion af sygdomsniveauet ved η it+1. 27/6/
10 Niels Peter Baadsgård: Klinisk sygdom hos grise Variansmatricen for η it for i=2 og for t=1,2,3 bliver derfor givet ved: V η = θ+ σ s 2 ρθ+ σ s 2 ρ 2 θ+ σ s 2 ρ θ+ σ s 2 θ+ σ s 2 ρ θ+ σ s 2 ρ 2 θ+ σ s 2 ρ θ+ σ s 2 θ+ σ s 2 0 θ+ σ s 2 ρ θ+ σ s 2 ρ 2 θ+ σ s 2 0 ρ θ+ σ s 2 θ+ σ s 2 ρθ+ σ s 2 ρ 2 θ+ σ s 2 ρ θ+ σ s 2 θ+ σ s 2 θ= σ 2 / (1- ρ 2 ) Ovennævnte model blev fittet i SAS version 8e med følgende syntaks proc mixed cl data=e ; class chrx visit ; model lpaltnew= /Outp=uddata1 solution cl ; random chrx/s; repeated visit / subject=chrx type=ar(1) r rcorr ; ods output FitStatistics=FS1 SolutionR=SR5; run; 10 27/6/2002 3
11 Niels Peter Baadsgård: Klinisk sygdom hos grise Resultater Følgende resultater blev opnået ved at fitte ovennævnte model i SAS. Tabel 1 Covariance Parameter Estimates Cov Parm Subject Estimate Alpha Lower Upper CHR AR(1) CHR Residual σ s 2 blev estimeret til 1.05 med 95% konfidensintervalllet ρ blev estimeret til 0.48 med 95% konfidensintervallet θ blev estimeret til 0.85 med 95% konfidensintervallet Tabel 2 The Mixed Procedure Solution for Fixed Effects Standard Effect Estimate Error DF t Value Pr > t Alpha Lower Upper Intercept < Solution for Random Effects Std Err Effect CHR Estimate Pred DF t Value Pr > t CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR CHR /6/
12 Niels Peter Baadsgård: Klinisk sygdom hos grise Intercept µ samt de individuelle estimater λ i for besætningsbidraget er angivet i Tabel 2. Fig 5 viser prædiktioner for modellen for en enkelt besætning. Prædiktionerne blev beregnet ved at successivt baglæns at slette observationerne fra en besætning. Sidste observation blev sat til missing, og det var derefter muligt at få SAS til at prædiktere denne observation. Diskussion og modelkontrol Under analysen blev flere forskellige variansstrukturer undersøgt, men det var ikke muligt at estimere mere komplekse variansstrukturer i dette datasæt. Det var heller ikke muligt at anvende random regression. Bartletts test for varianshomogenitet gav en p-værdi på <0.001 hvoraf det kan konkluderes at anatgelsen vedr. varianshomogenitet mellem besætninger ikke synes opfyldt. Resultat understreges af plotsene for de enkelte besætninger (Fig1). Akaikes informationscriterie var for ovennævnte model. En simpel model for data ville være at antage at observationerne lignede hinanden lige meget dvs ved anvende compound symmetry i modelformuleringen i SAS. Akaikes informationscriterie var for denne model hvorfor det kan konkluderes at autoregressive model giver et bedre fit til data. 2 Plot af den enkelte λ i viser at antagelsen vedr. iid λ i ~ N(0, σ s ) kan bevivles (Fig 6). Yderligere viser plots af residualer for de enkelte besætninger en uens fordeling af residualerne, hvilket er en understregning af de problemer der sås ved de individuelle plots af de observerede værdier (Fig 7). Da nogle besætninger erfaringsmæssigt ligger med et meget højt sygdomsniveau, vil det dog være betænkeligt blot at fjerne disse besætninger fra datasættet. Antagelse ρ ~ unif ( 1,1) kan ikke testes i mixed men ville kunne testes indenfor den bayesianske metodik ved at antage ρ ~ N(0.0,1000). Modellen vil naturligt overestimere niveauet ved faldende prævalens mens niveauet underestimeres ved stigende prævalens. Prædiktionen viser generelt den lidt forsinkede reaktion i modellen, da der jo betinges på den forudgående observation indenfor den enkelte besætning. Prædiktionerne vil dog være bedre end at antage den simple model med konstant korrelation. Da vores model kun husker et tidstrin tilbage vil der ikke kunne optages nogle systematiske trends i den enkelte besætning. Hertil er tidsrækkerne også for korte. Resultaterne fra vores prædiktion er er ikke meget bedre/dårligere end hvad der ville kunne opnås ved et simpelt rullende gennemsnit eller ved en simpel regression af Y it-1 samt Y it-2 på Y it /6/2002 5
13 Niels Peter Baadsgård: Klinisk sygdom hos grise Data kan analyseres direkte som en ikke lineær mixed model i ved at fitte modellen i proc nlmixed i SAS med anvendelse af følgende syntaks: proc nlmixed data=e; parms mu=-1 b1=0 herdvar=2; eta=mu+b1*ralt+herd; p=1/(1+exp(-eta)); model favalt~binomial(total,p); random herd~normal(0,herdvar) subject=chr; predict eta out=bin; run; Her angiver Ralt Y it-1. Som det vil være klart indgår variablen i desigmatricen og vi har kun mulighed for at modellere den tidsmæssige afhængighed som compound symmetry. Dette er som tidligere vist ikke en relevant model ligesom den heller ikke vil have praktisk anvendelighed. Konvergens blev opnået men prædiktion vil kræve simulering af de enkelte observationer. Prædiktion vil blive tæt på besætningsgennemsnit medmindre der er meget stor effekt af regressions coefficienten i alle besætninger. En alternativ mulighed indenfor denne tilgang ville være random regression: proc nlmixed data=e; parms mu=-1 b1=1 s1=0.1 s12=0.1 s2=0.1; eta=mu+b1*ralt+herd; p=1/(1+exp(-eta)); model favalt~binomial(total,p); random mu herd ~normal([0,0],[s1,s12,s2])subject=chr; predict eta out=bin; run; Konvergens kunne ikke opnås. 27/6/
14 Niels Peter Baadsgård: Klinisk sygdom hos grise Resultater til afleveringsopgave i mixed models Niels Peter Baadsgaard 0,7 0,6 0,5 Prævalens 0,4 0,3 0,2 0, Besøg nr Fig. 1. Observerede prævalens af grise med forstyrret almenbefindende i 8 besætninger. Fig, 2. Fordelingen af den observerede sygdomsprævalens i 15 svinebesætninger 14 27/6/2002
15 Niels Peter Baadsgård: Klinisk sygdom hos grise Fig. 3 Logit transformation af observeret sygdomsprævalens. Fig. 4 Arcsin transformation af observeret sygdomsprævalens. 27/6/
16 Niels Peter Baadsgård: Klinisk sygdom hos grise Prævalens 0,6 0,5 0,4 0,3 0,2 0, Besøg nr. Fig. 5 Observerede og prædikterede værdier for sygdomsfrekvens i en besætning. = prædikterede værdier, =observerede værdier. Fig. 6 Fordelingen af de individuelle estimater af besætningsbidragene 16 27/6/2002
17 Niels Peter Baadsgård: Klinisk sygdom hos grise Fig. 7 Plot af residualer sorteret for de enkelte besætninger i analysen 27/6/
18 Niels Peter Baadsgård: Klinisk sygdom hos grise 18 27/6/2002
19 Paper 2 Effect of feed structure and addition of formic acid to the diet on ph in the GIT of growing pigs at various times after feeding Nuria Canibe 19
20 Nuria Canibe: Feed structure and ph in GIT Mixed models course Nuria Canibe, Dept. of Animal Nutrition and Physiology Effect of feed structure and addition of formic acid to the diet on ph in the GIT of growing pigs at various times after feeding AIM A study was designed to investigate the effect of feed structure and addition of formic acid to the feed on ph of various segments of the gastrointestinal tract (GIT) of pigs at various times after feeding. MATERIALS AND METHODS A standard Danish pig diet was formulated and used to design the three experimental treatments: fine, heated and pelleted (A); course, non-heated and non-pelleted (B), fine, heated and pelleted added 1.8% formic acid (C). A total of 60 pigs (20 per diet) from 20 litters were used. Average initial body weight was ~30 kg. Three littermates of the same sex were allotted to each diet, with a total of three pens of five pigs each per series. There were four series. At a body weight of ~64 kg, the animals were sacrificed immediately after feeding, and at 2, 4, 6, and 8 hours after feeding. Animals from each pen were randomly slaughtered at the various times after feeding. The GIT was removed and divided in eight segments: stomach (1), three equally long segments of the small intestine (2-4), caecum (5), and three equally long segments of the colon including the rectum (6-8). ph was measured on digesta from all segments. Figure 1. Scheme of the experimental design for each of the four series. Pen 1 Pen 2 Pen 3 5 pigs 5 pigs 5 pigs * Time: Pigs from each pen are slaughtered at: 0, 2, 4, 6, 8 hours after feeding * Segment: From each pig eight segments are obtained 20 27/6/2002
21 Nuria Canibe: Feed structure and ph in GIT VISUAL EXAMINATION OF THE DATA Some graphs used to examine the raw data are shown in Figures 2 to 4. Figure 2 (segment x ph) shows a much higher variation of the data measured in the stomach compared to the results from the other segments in all three diets. The graph showing the data as time x ph shows a clear effect of time on ph measured in the stomach, whereas the ph from the other segments is difficult to see due to the scale of the graphs when the results from the stomach are included. Figure 3 shows the same data as Figure 1, and, again the high variation of the ph measured in the stomach is evident. No conclusions from the results obtained from the other segments can be drawn at this stage. Figure 4, shows plots where the data from the stomach were excluded, and the data shows a more homogeneous variance. Figure 2. ph grouped by segment and by time for each diet.(examination of variance and outliers). ph 7 Diet=A ph 7 Diet=A segment Pig Time sti Diet=B Diet=B ph ph segment Pig Time sti ph Diet=C ph Diet=C segment Pig Time sti /6/
22 Nuria Canibe: Feed structure and ph in GIT Figure 3. ph grouped by segment a), and by time b). (Examination of variance and outliers). a) ph A1 A2 A3 A4 A5 A6 A7 A8 B1 B2 B3 B4 B5 B6 B7 B8 C1 C2 C3 C4 C5 C6 C7 C8 group b) ph A0 A2 A4 A6 A8 B0 B2 B4 B6 B8 C0 C2 C4 C6 C8 gr oup Figure 4. ph grouped by segment a), and by time b) without data from stomach. (Examination of variance and outliers). a) b) ph A0 A2 A4 A6 A8 B0 B2 B4 B6 B8 C0 C2 C4 C6 C8 gr oup 22 27/6/2002
23 Nuria Canibe: Feed structure and ph in GIT VARIANCE HOMOGENEITY - BARTLETTS TEST A test for variance homogeneity was run with the groups represented in the plots of figures 2 to 4. The aim was to have an idea of the variance of the groups. The results were used only as an indication since these groups were not the smallest unit diet*segment*time, which should be used to be correct. These units were not used because there are only 4 observations in each, which is too small to draw any conclusion. Test of normality was not performed for the same reason, and that is also why the Bartletts test is an indication (normality is assumed to be able to perform a Bartlett test). Figure 5 shows the results of the test when groups are made by segment a) and by time b). The results show a clear variance heterogeneity when all data are included, which was expected after seeing Figures 2 and 3. Figure 5. Variance homogeneity - Bartlett test with all data. a) Macro "BARTLETT" Dataset: D Responsvariabel : PH Gruppevariabel : GROUP Beregningsskema: i ni Si USSi Si2/ni SSDi fi Var Mean A A A A A A A A B B B B B B B B C C C C C C C C Bartletts test: C -2logQ B p b) Macro "BARTLETT" Dataset: F Responsvariabel : PH Gruppevariabel : GROUP Beregningsskema: i ni Si USSi Si2/ni SSDi fi Var Mean A A A A A B B B B B C C C C C Bartletts test: C -2logQ B p /6/
24 Nuria Canibe: Feed structure and ph in GIT A test where the stomach results were excluded was also performed (Figure 6). The results show that the variance is still different among groups when grouped by segment a), and it is smaller and almost homogeneous when grouped by time b). Figure 6. Variance homogeneity - Bartlett test without stomach data. a) Macro "BARTLETT" Dataset: D Responsvariabel : PH Gruppevariabel : GROUP Beregningsskema: i ni Si USSi Si2/ni SSDi fi Var Mean A A A A A A A B B B B B B B C C C C C C C Bartletts test: C -2logQ B p b) Macro "BARTLETT" Dataset: F Responsvariabel : PH Gruppevariabel : GROUP Beregningsskema: i ni Si USSi Si2/ni SSDi fi Var Mean A A A A A B B B B B C C C C C Bartletts test: C -2logQ B p /6/2002
25 Nuria Canibe: Feed structure and ph in GIT MODEL SELECTION Model 1 proc mixed data=a; class time diet segment serie pen mother; model ph=time diet segment diet*segment time*diet time*segment diet*segment*time/ddfm=satterth OUTP=DATA1; random serie serie*mother serie*pen; repeated segment/subject=diet*serie*pen*mother*time type=un r rcorr; run; Log: G matrix not positive definite because variance of serie*sti is = 0. So, no correlation between observations from same pen. Model 2: without serie*pen proc mixed data=a; class time diet segment serie pen mother; model ph=time diet segment diet*segment time*diet time*segment diet*segment*time/ddfm=satterth OUTP=DATA1; random serie serie*mother /*serie*pen*/; repeated segment/subject=diet*serie*pen*mother*time type=un r rcorr; run;.. G matrix not positive definite because variance of series = 0. So, no correlation between observations from same series. Model 3: without serie*pen and serie proc mixed data=a; class time diet segment serie pen mother; model ph=time diet segment diet*segment time*diet time*segment diet*segment*time /ddfm=satterth OUTP=DATA1; random /*serie*/ serie*mother /*serie*pen*/; repeated segment/subject=diet*serie*pen*mother*time type=un r rcorr; run;.. No problems in log. 27/6/
26 Nuria Canibe: Feed structure and ph in GIT SELECTION OF COVARIANCE STRUCTURE Model 3: Unstructured The Mixed Procedure Estimated R Matrix for Subject 1 Row Col1 Col2 Col3 Col4 Col5 Col6 Col7 Col Estimated R Correlation Matrix for Subject 1 Row Col1 Col2 Col3 Col4 Col5 Col6 Col7 Col Comments: Variance: they are highest in stomach, decrease down to caecum and increase again. Correlation: different in the various segments, no clear profile. Negative between stomach and colon /6/2002
Kvant Eksamen December 2010 3 timer med hjælpemidler. 1 Hvad er en continuous variable? Giv 2 illustrationer.
Kvant Eksamen December 2010 3 timer med hjælpemidler 1 Hvad er en continuous variable? Giv 2 illustrationer. What is a continuous variable? Give two illustrations. 2 Hvorfor kan man bedre drage konklusioner
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereGenerelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereBasic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Læs mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
Læs mereTrolling Master Bornholm 2012
Trolling Master Bornholm 1 (English version further down) Tak for denne gang Det var en fornøjelse især jo også fordi vejret var med os. Så heldig har vi aldrig været før. Vi skal evaluere 1, og I må meget
Læs mereVina Nguyen HSSP July 13, 2008
Vina Nguyen HSSP July 13, 2008 1 What does it mean if sets A, B, C are a partition of set D? 2 How do you calculate P(A B) using the formula for conditional probability? 3 What is the difference between
Læs mereReexam questions in Statistics and Evidence-based medicine, august sem. Medis/Medicin, Modul 2.4.
Reexam questions in Statistics and Evidence-based medicine, august 2013 2. sem. Medis/Medicin, Modul 2.4. Statistics : ESSAY-TYPE QUESTION 1. Intelligence tests are constructed such that the average score
Læs mereOpgaver til ZAR II. Afdeling for Anvendt Matematik og Statistik Michael Sørensen Oktober Opgave 1
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for biokemikere Inge Henningsen Michael Sørensen Oktober 2003 Opgaver til ZAR II Opgave 1 Et datasæt består af 20 observationer.
Læs merePARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU
PARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU OUTLINE INEFFICIENCY OF ATTILA WAYS TO PARALLELIZE LOW COMPATIBILITY IN THE COMPILATION A SOLUTION
Læs mereEksamen i Statistik for Biokemikere, Blok januar 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for Biokemikere, Blok 2 2008 09 19. januar 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet
Læs mereIntroduktion til GLIMMIX
Introduktion til GLIMMIX Af Jens Dick-Nielsen jens.dick-nielsen@haxholdt-company.com 21.08.2008 Proc GLIMMIX GLIMMIX kan bruges til modeller, hvor de enkelte observationer ikke nødvendigvis er uafhængige.
Læs merePostoperative komplikationer
Løsninger til øvelser i kategoriske data, oktober 2008 1 Postoperative komplikationer Udgangspunktet for vurdering af den ny metode må være en nulhypotese om at der er samme komplikationshyppighed, 20%.
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
Læs mereBesvarelse af vitcap -opgaven
Besvarelse af -opgaven Spørgsmål 1 Indlæs data Dette gøres fra Analyst med File/Open, som sædvanlig. Spørgsmål 2 Beskriv fordelingen af vital capacity og i de 3 grupper ved hjælp af summary statistics.
Læs mereDoodleBUGS (Hands-on)
DoodleBUGS (Hands-on) Simple example: Program: bino_ave_sim_doodle.odc A simulation example Generate a sample from F=(r1+r2)/2 where r1~bin(0.5,200) and r2~bin(0.25,100) Note that E(F)=(100+25)/2=62.5
Læs mereapplies equally to HRT and tibolone this should be made clear by replacing HRT with HRT or tibolone in the tibolone SmPC.
Annex I English wording to be implemented SmPC The texts of the 3 rd revision of the Core SPC for HRT products, as published on the CMD(h) website, should be included in the SmPC. Where a statement in
Læs merePlot af B j + ǫ ij (Y ij µ α i )): σ 2 : within blocks variance. σb 2 : between blocks variance
Plot af B j + ǫ ij (Y ij µ α i )): Program: res 4 2 0 2 B1 B2 B3 B4 B5 1. vi starter med at gennemgå opgave 3 side 513. 2. nyt: to-sidet variansanalyse 1 2 3 4 5 block σ 2 : within blocks variance σb 2
Læs mereProgram. Modelkontrol og prædiktion. Multiple sammenligninger. Opgave 5.2: fosforkoncentration
Faculty of Life Sciences Program Modelkontrol og prædiktion Claus Ekstrøm E-mail: ekstrom@life.ku.dk Test af hypotese i ensidet variansanalyse F -tests og F -fordelingen. Multiple sammenligninger. Bonferroni-korrektion
Læs mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs mereMixed Models applied in Agricultural Sciences (I)
Biometry Research Unit Internal Report 2001-06 Mixed Models applied in Agricultural Sciences (I) Based on A Course on Mixed Models for use in Animal Health and Animal Welfare Research S. Højsgaard & E.
Læs mereGeneralized Probit Model in Design of Dose Finding Experiments. Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US
Generalized Probit Model in Design of Dose Finding Experiments Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US Outline Motivation Generalized probit model Utility function Locally optimal designs
Læs mereProgram. Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve I SAS. Øvelse: effekt af diæter
Program Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Øvelse: effekt af diæter. Repetition fra sidst... Parrede og ikke-parrede
Læs mereSkriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM58) Institut for Matematik og Datalogi Syddansk Universitet, Odense Torsdag den 1. januar 01 kl. 9 13 Alle sædvanlige hjælpemidler
Læs mereKA 4.2 Kvantitative Forskningsmetoder Forår 2010
KA 4.2 Kvantitative Forskningsmetoder Forår 2010 Besvar alle spørgsmål. Brug ikke mere end én side af tekst på de åbne spørgsmål som er markeret * Answer all questions. Do not write more than one page
Læs mereHow consumers attributions of firm motives for engaging in CSR affects their willingness to pay
Bachelor thesis Institute for management Author: Jesper Andersen Drescher Bscb(sustainability) Student ID: 300545 Supervisor: Mai Skjøtt Linneberg Appendix for: How consumers attributions of firm motives
Læs mereX M Y. What is mediation? Mediation analysis an introduction. Definition
What is mediation? an introduction Ulla Hvidtfeldt Section of Social Medicine - Investigate underlying mechanisms of an association Opening the black box - Strengthen/support the main effect hypothesis
Læs merePrivat-, statslig- eller regional institution m.v. Andet Added Bekaempelsesudfoerende: string No Label: Bekæmpelsesudførende
Changes for Rottedatabasen Web Service The coming version of Rottedatabasen Web Service will have several changes some of them breaking for the exposed methods. These changes and the business logic behind
Læs mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereATEX direktivet. Vedligeholdelse af ATEX certifikater mv. Steen Christensen stec@teknologisk.dk www.atexdirektivet.
ATEX direktivet Vedligeholdelse af ATEX certifikater mv. Steen Christensen stec@teknologisk.dk www.atexdirektivet.dk tlf: 7220 2693 Vedligeholdelse af Certifikater / tekniske dossier / overensstemmelseserklæringen.
Læs merek normalfordelte observationsrækker (ensidet variansanalyse)
k normalfordelte observationsrækker (ensidet variansanalyse) Lad x ij, i = 1,...,k, j = 1,..., n i, være udfald af stokastiske variable X ij og betragt modellen M 1 : X ij N(µ i, σ 2 ). Estimaterne er
Læs mereMantel-Haenszel analyser. Stratificerede epidemiologiske analyser
Mantel-Haensel analyser Stratificerede epidemiologiske analyser 1 Den epidemiologiske synsvinkel: 1) Oftest asymmetriske (kausale) sammenhænge (Eksposition Sygdom/død) 2) Risikoen vurderes bedst ved hjælp
Læs mereOpgavebesvarelse, korrelerede målinger
Opgavebesvarelse, korrelerede målinger I 18 familier bestående af far, mor og 3 børn (i veldefinerede aldersintervaller, med child1 som det ældste barn og child3 som det yngste) har man registreret antallet
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering
Eksamen 2016 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 17-02-2015 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs mereEngelsk. Niveau D. De Merkantile Erhvervsuddannelser September Casebaseret eksamen. og
052431_EngelskD 08/09/05 13:29 Side 1 De Merkantile Erhvervsuddannelser September 2005 Side 1 af 4 sider Casebaseret eksamen Engelsk Niveau D www.jysk.dk og www.jysk.com Indhold: Opgave 1 Presentation
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereAnalyseinstitut for Forskning
Analyseinstitut for Forskning CIS3 The Danish Non-response Analysis Peter S. Mortensen Notat 2003/1 fra Analyseinstitut for Forskning The Danish Institute for Studies in Research and Research Policy Finlandsgade
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereMultipel Linear Regression. Repetition Partiel F-test Modelsøgning Logistisk Regression
Multipel Linear Regression Repetition Partiel F-test Modelsøgning Logistisk Regression Test for en eller alle parametre I jagten på en god statistisk model har vi set på følgende to hypoteser og tilhørende
Læs mereTovejs-ANOVA (Faktoriel) Regler og problemer kan generaliseres til mere end to hovedfaktorer med tilhørende interaktioner
Tovejs-ANOVA (Faktoriel) Regler og problemer kan generaliseres til mere end to hovedfaktorer med tilhørende interaktioner I modsætning til envejs-anova kan flervejs-anova udføres selv om der er kun én
Læs mereDet kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.
1. Indlæs data. * HUSK at angive din egen placering af filen; data framing; infile '/home/sro00/mph2016/framing.txt' firstobs=2; input id sex age frw sbp sbp10 dbp chol cig chd yrschd death yrsdth cause;
Læs mereReeksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for biokemikere. Blok 2 2007-2008. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er
Læs mereHypoteser om mere end to stikprøver ANOVA. k stikprøver: (ikke ordinale eller højere) gælder også for k 2! : i j
Hypoteser om mere end to stikprøver ANOVA k stikprøver: (ikke ordinale eller højere) H 0 : 1 2... k gælder også for k 2! H 0ij : i j H 0ij : i j simpelt forslag: k k 1 2 t-tests: i j DUER IKKE! Bonferroni!!
Læs mereThe X Factor. Målgruppe. Læringsmål. Introduktion til læreren klasse & ungdomsuddannelser Engelskundervisningen
The X Factor Målgruppe 7-10 klasse & ungdomsuddannelser Engelskundervisningen Læringsmål Eleven kan give sammenhængende fremstillinger på basis af indhentede informationer Eleven har viden om at søge og
Læs mereLøsning til opgave i logistisk regression
Løsning til øvelser i logistisk regression, november 2008 1 Løsning til opgave i logistisk regression 1. Først indlæses data, og vi kan lige sørge for at danne en dummy-variable for cml, som indikator
Læs mereHvorfor bøvle med MIXED
Hvorfor bøvle med MIXED E. Jørgensen 1 1 Genetik og Bioteknologi Danmarks Jordbrgsforskning Forskergrppe for Statistik og besltningsteori Årslev 18/01/2006 MIXED vs. GLM Lidt baggrnd Generel Lineær Model
Læs mereAnvendt Statistik Lektion 7. Simpel Lineær Regression
Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot
Læs mereOverlevelse efter AMI. Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Køn og alder betragtes som confoundere.
Overlevelse efter AMI Hvilken betydning har følgende faktorer for risikoen for ikke at overleve: Diabetes VF (Venticular fibrillation) WMI (Wall motion index) CHF (Cardiac Heart Failure) Køn og alder betragtes
Læs mereMPH specialmodul i epidemiologi og biostatistik. SAS. Introduktion til SAS. Eksempel: Blodtryk og fedme
MPH specialmodul i epidemiologi og biostatistik. SAS Introduktion til SAS. Display manager (programmering) Vinduer: program editor (med syntaks-check) log output reproducerbart (program teksten kan gemmes
Læs mere1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2008 En gruppe bestående af 45 patienter med reumatoid arthrit randomiseres til en af 6 mulige behandlinger, nemlig placebo, aspirin eller
Læs mereProgram. 1. Flersidet variansanalyse 1/11
Program 1. Flersidet variansanalyse 1/11 To-sidet variansanalyse Eksempel: (opgave 14.2 side 587) vitamin indhold i frossen juice målt for ialt 9 kombinationer af mærke (Rich food, Sealed-sweet, Minute
Læs mereProject Step 7. Behavioral modeling of a dual ported register set. 1/8/ L11 Project Step 5 Copyright Joanne DeGroat, ECE, OSU 1
Project Step 7 Behavioral modeling of a dual ported register set. Copyright 2006 - Joanne DeGroat, ECE, OSU 1 The register set Register set specifications 16 dual ported registers each with 16- bit words
Læs mereStatistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereUnitel EDI MT940 June 2010. Based on: SWIFT Standards - Category 9 MT940 Customer Statement Message (January 2004)
Unitel EDI MT940 June 2010 Based on: SWIFT Standards - Category 9 MT940 Customer Statement Message (January 2004) Contents 1. Introduction...3 2. General...3 3. Description of the MT940 message...3 3.1.
Læs mereLinear Programming ١ C H A P T E R 2
Linear Programming ١ C H A P T E R 2 Problem Formulation Problem formulation or modeling is the process of translating a verbal statement of a problem into a mathematical statement. The Guidelines of formulation
Læs mereEngelsk. Niveau C. De Merkantile Erhvervsuddannelser September 2005. Casebaseret eksamen. www.jysk.dk og www.jysk.com.
052430_EngelskC 08/09/05 13:29 Side 1 De Merkantile Erhvervsuddannelser September 2005 Side 1 af 4 sider Casebaseret eksamen Engelsk Niveau C www.jysk.dk og www.jysk.com Indhold: Opgave 1 Presentation
Læs mereVores mange brugere på musskema.dk er rigtig gode til at komme med kvalificerede ønsker og behov.
På dansk/in Danish: Aarhus d. 10. januar 2013/ the 10 th of January 2013 Kære alle Chefer i MUS-regi! Vores mange brugere på musskema.dk er rigtig gode til at komme med kvalificerede ønsker og behov. Og
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereBilag. Resume. Side 1 af 12
Bilag Resume I denne opgave, lægges der fokus på unge og ensomhed gennem sociale medier. Vi har i denne opgave valgt at benytte Facebook som det sociale medie vi ligger fokus på, da det er det største
Læs mereEksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet
Eksamen ved Københavns Universitet i Kvantitative forskningsmetoder Det Samfundsvidenskabelige Fakultet 14. december 2011 Eksamensnummer: 5 14. december 2011 Side 1 af 6 1) Af boxplottet kan man aflæse,
Læs mereTilmelding sker via stads selvbetjening indenfor annonceret tilmeldingsperiode, som du kan se på Studieadministrationens hjemmeside
Research Seminar in Computer Science Om kurset Subject Activitytype Teaching language Registration Datalogi master course English Tilmelding sker via stads selvbetjening indenfor annonceret tilmeldingsperiode,
Læs mereTo samhørende variable
To samhørende variable Statistik er tal brugt som argumenter. - Leonard Louis Levinsen Antagatviharn observationspar x 1, y 1,, x n,y n. Betragt de to tilsvarende variable x og y. Hvordan måles sammenhængen
Læs mereGusset Plate Connections in Tension
Gusset Plate Connections in Tension Jakob Schmidt Olsen BSc Thesis Department of Civil Engineering 2014 DTU Civil Engineering June 2014 i Preface This project is a BSc project credited 20 ECTS points written
Læs mereFaculty of Health Sciences. Basal Statistik. Logistisk regression mm. Lene Theil Skovgaard. 5. marts 2018
Faculty of Health Sciences Basal Statistik Logistisk regression mm. Lene Theil Skovgaard 5. marts 2018 1 / 22 APPENDIX vedr. SPSS svarende til diverse slides: To-gange-to tabeller, s. 3 Plot af binære
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Korrelerede målinger. Lene Theil Skovgaard 8. april 2019 1 / 21 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Plots: s. 3, 4,
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences APPENDIX Basal Statistik - SPSS Korrelerede målinger. Lene Theil Skovgaard 8. april 2019 med instruktioner til SPSS-analyse svarende til nogle af slides Plots: s. 3, 4, 7, 11-12
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereDendrokronologisk Laboratorium
Dendrokronologisk Laboratorium NNU rapport 14, 2001 ROAGER KIRKE, TØNDER AMT Nationalmuseet og Den Antikvariske Samling i Ribe. Undersøgt af Orla Hylleberg Eriksen. NNU j.nr. A5712 Foto: P. Kristiansen,
Læs mereEpidemiologi og Biostatistik
Kapitel 1, Kliniske målinger Epidemiologi og Biostatistik Introduktion til skilder (varianskomponenter) måleusikkerhed sammenligning af målemetoder Mogens Erlandsen, Institut for Biostatistik Uge, torsdag
Læs mereLogistisk regression
Logistisk regression http://biostat.ku.dk/ kach/css2 Thomas A Gerds & Karl B Christensen 1 / 18 Logistisk regression I dag 1 Binær outcome variable død : i live syg : rask gravid : ikke gravid etc 1 prædiktor
Læs mereEvaluating Germplasm for Resistance to Reniform Nematode. D. B. Weaver and K. S. Lawrence Auburn University
Evaluating Germplasm for Resistance to Reniform Nematode D. B. Weaver and K. S. Lawrence Auburn University Major objectives Evaluate all available accessions of G. hirsutum (TX list) for reaction to reniform
Læs merek UAFHÆNGIGE grupper Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen 4 Hypotesetest (F-test)
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalse, ANOVA Peder Bacher DTU Compute, Dnamiske Sstemer Bgning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lngb Danmark e-mail:
Læs mereTo the reader: Information regarding this document
To the reader: Information regarding this document All text to be shown to respondents in this study is going to be in Danish. The Danish version of the text (the one, respondents are going to see) appears
Læs mereSkriftlig Eksamen Diskret matematik med anvendelser (DM72)
Skriftlig Eksamen Diskret matematik med anvendelser (DM72) Institut for Matematik & Datalogi Syddansk Universitet, Odense Onsdag den 18. januar 2006 Alle sædvanlige hjælpemidler (lærebøger, notater etc.),
Læs mereA multimodel data assimilation framework for hydrology
A multimodel data assimilation framework for hydrology Antoine Thiboult, François Anctil Université Laval June 27 th 2017 What is Data Assimilation? Use observations to improve simulation 2 of 8 What is
Læs mereELEVERS INTERESSE OG SELVTILLID I NATURFAGENE -OG I FREMTIDEN
ELEVERS INTERESSE OG SELVTILLID I NATURFAGENE -OG I FREMTIDEN 1. Oplæg på baggrund af artiklen: Nordic Students self-beliefs in science Publiceret som kapitel 4 i Northern Lights on TIMSS and PISA 2018
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereRegressionsanalyser. Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer.
Regressionsanalyser Hvad er det statistiske problem? Primære og sekundære problemer. Metodeproblemer. Hvilke faglige problemer kan man løse vha. regressionsanalyser? 1 Regressionsanalyser Det primære problem
Læs mereCLASS temp medie; MODEL rate=temp medie/solution; RUN;
Ugeopgave 2.1 Bakterieprøver fra patienter transporteres ofte til laboratoriet ved stuetemperatur samt mere eller mindre udsat for luftens ilt. Dette er især uheldigt for prøver som indeholder anaerobe
Læs mereEksamen i Statistik for biokemikere. Blok
Københavns Universitet Det Naturvidenskabelige Fakultet Eksamen i Statistik for biokemikere. Blok 2 2007. 3 timers skriftlig prøve. Alle hjælpemidler - også blyant - er tilladt. Opgavesættet er på 8 sider.
Læs mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 11. juni Opgavesættet består af 4 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereCoimisiún na Scrúduithe Stáit State Examinations Commission. Leaving Certificate Marking Scheme. Danish. Higher Level
Coimisiún na Scrúduithe Stáit State Examinations Commission Leaving Certificate 2018 Marking Scheme Danish Higher Level Note to teachers and students on the use of published marking schemes Marking schemes
Læs mereOn the complexity of drawing trees nicely: corrigendum
Acta Informatica 40, 603 607 (2004) Digital Object Identifier (DOI) 10.1007/s00236-004-0138-y On the complexity of drawing trees nicely: corrigendum Thorsten Akkerman, Christoph Buchheim, Michael Jünger,
Læs mereKursus i varians- og regressionsanalyse Data med detektionsgrænse. Birthe Lykke Thomsen H. Lundbeck A/S
Kursus i varians- og regressionsanalyse Data med detektionsgrænse Birthe Lykke Thomsen H. Lundbeck A/S 1 Data med detektionsgrænse Venstrecensurering: Baggrundsstøj eller begrænsning i måleudstyrets følsomhed
Læs mereInstitut for Matematiske Fag Matematisk Modellering 1 UGESEDDEL 6
Institut for Matematiske Fag Matematisk Modellering 1 Aarhus Universitet Eva B. Vedel Jensen 25. februar 2008 UGESEDDEL 6 Forelæsningerne torsdag den 21. februar og tirsdag den 26. februar. Jeg har gennemgået
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereReeksamen Bacheloruddannelsen i Medicin med industriel specialisering. Eksamensdato: Tid: kl
Reeksamen 2018 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 13-08-2018 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mereAfdeling for Anvendt Matematik og Statistik December 2006
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 i SAS (Zar kapitel 23) PROC FREQ PROC CATMOD
Læs mereØkonometri: Lektion 5. Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol
Økonometri: Lektion 5 Multipel Lineær Regression: Interaktion, log-transformerede data, kategoriske forklarende variable, modelkontrol 1 / 35 Veksekvirkning: Motivation Vi har set på modeller som Price
Læs mereBasal Statistik - SPSS
Faculty of Health Sciences Basal Statistik - SPSS Kovariansanalyse. Lene Theil Skovgaard 1. oktober 2018 1 / 12 APPENDIX med instruktioner til SPSS-analyse svarende til nogle af slides Bland-Altman plot,
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereRegressionsanalyse i SAS
Københavns Universitet Statistik for Biokemikere Det naturvidenskabelige fakultet Inge Henningsen Afdeling for Anvendt Matematik og Statistik December 2006 Regressionsanalyse uden gentagelser Regressionsanalyse
Læs mereHuldændring i goldperioden og fedttræning
Huldændring i goldperioden og fedttræning Vibeke Bjerre-Harpøth, Mogens Larsen, Martin Riis Weisbjerg og Birthe M. Damgaard Institut for Husdyrvidenskab, Aarhus Universitet Indledning Vurdering af huld
Læs mereModelkontrol i Faktor Modeller
Modelkontrol i Faktor Modeller Julie Lyng Forman Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for Biokemikere 2003 For at konklusionerne på en ensidet, flersidet eller hierarkisk
Læs mereIndhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9
Indhold 1 Ensidet variansanalyse 2 1.1 Estimation af middelværdier............................... 3 1.2 Estimation af standardafvigelse............................. 3 1.3 F-test for ens middelværdier...............................
Læs mere