Általános leírás: A statisztikai alapkurzusok felkészítik a hallgatókat az olyan statisztikai elemzések elvégzésére, mint a t-tesztek és a khi-négyzet tesztek, az egyszerű lineáris regresszió és az egy- vagy kétszempontos varianciaanalízis. Valós problémák esetén azonban gyakran szembesülünk olyan bonyolultabb adathalmazokkal, amelyekhez ezek a módszerek nem megfelelőek. A kurzus fő célja az adatelemzési eszköztár bővítése számos likelihood-alapú és nemparaméteres statisztikai modellel illetve megközelítéssel. A témakörök között szerepelnek az általánosított és nemlineáris regressziós és túlélési elemzési módszerek. Különös hangsúlyt kapnak az összetett függőségi struktúrákat mutató adatokkal kapcsolatos komplexitások. Az oktatási kutatásokban például a diákok teljesítményeredményei hierarchikus struktúrát mutatnak, ami sérti a függetlenségi feltételezést: az azonos osztályba járó diákok általában több hasonlóságot mutatnak, mint a különböző osztályokba vagy iskolákba járó diákok.
Minden témát valós adatokon alapuló órai és otthoni R programozási nyelvben közösen megoldott és önállóan megoldandó feladatok kísérik.  

Témakörök:

• Lineáris modellek, általános lineáris modellek
• Általánosított lineáris modellek
• Véletlen hatásos modellek, hierarchikus modellezés
• GEE
• Nemlineáris modellek
• Túlélési elemzés, Cox-regresszió, AFT modellek, parametrikus modellek
• Diagnosztikai tesztek statisztikája
• Újramintavételezési módszerek, bootstrap
• Egyváltozós és többváltozós metaanalízis

General description:

Basic courses in statistics prepare individuals to perform statistical analyses such as t-tests and chi-square tests, simple linear regression, and one- or two-way ANOVA. However, practitioners are often faced with more sophisticated datasets for which these methods are inadequate. The course will teach several likelihood-based and nonparametric statistical models and approaches to develop strong data-handling capabilities. The topics include generalized and nonlinear regression and survival analysis methods. Particular emphasis will be placed on the complexities associated with data that exhibit complex dependency structures. For example, in educational research, students' performance outcomes exhibit a hierarchical structure, violating the independence assumption: students from the same class tend to share more similarities than students from different classes or schools.
All topics will be accompanied by class and homework practice in R, using real-life examples.

Topics:

• Linear models, general linear models
• Generalized linear models
• Random-effect models, hierarchical modeling
• Generalized estimating equation
• Nonlinear models
• Survival analysis, Cox regression, accelerated failure time models, parametric models
• Statistics of diagnostic tests
• Resampling methods, bootstrap
• Univariate and multivariate meta-analysis