Sylabus
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.
Anotace
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).