Ders Detayı
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| LİNEER MODELLERE GİRİŞ | - | Bahar Dönemi | 3+0 | 3 | 10 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. Abdulbari BENER |
| Dersi Verenler | Prof.Dr. Abdulbari BENER |
| Dersin Yardımcıları | PROF.DR. ABDÜLBARİ BENER |
| Dersin Amacı | BİOS-9002 LİNEER VE LİNEER OLMAYAN SABİT VE KARMA MODELLER (LINEAR and NON-LINEAR FIXED and MIXED EFFECTS MODELS): Basit regresyon, çok değişkenli regresyon, lineer olmayan basit regresyon, Poisson regresyon, sıfırı-şişirilmiş Poisson regresyon, Negatif-Binomial regresyon, sıfırı-şişirilmiş Negatif-Binomial, Lojistik regresyon, karma-etkili lineer (mixed-effect linear) modeller, genelleştirilmiş karma-etkili lineer (generalized mixed-effect linear) modeller, karma-etkili lineer-olmayan (mixed-effect non-linear) modeller, karma-modellerde kovaryans yapısı karşılaştırması ve değerlendirmesi. |
| Dersin İçeriği | Bu ders; Ders ön bilgilendirmesi, Liner cebir ve normal dağılım,Doğrusal Regresyon Modelleri ,Doğrusal Regresyon Modelleri Varsayımları ,Doğrusal Olmayan Regresyon Modelleri ,Poisson Regresyon ,Sıfırı-Şişirilmiş Poisson Regresyon,Negattif Binomial Regresyon Modeli,Lojistik Regresyon ,Doğrusal Karma Modeller ,Genelleştirilmiş Karma Modeller,Karma Etkili Doğrusal Olmayan Modeller,Karma Modellerde Koveryans Yapısı ,Uygulamalar ,Uygulamalar-2; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Doğrusal modeller analiz çıktılarını yorumlayabilir, rapor yazabilir. | 10, 16, 6 | E |
| Doğrusal Modellerin teorisini, matematiksel alt yapısını, tahmin ve çıkarımını bilir | 12, 14, 2 | A, E |
| Doğrusal Modelleri bir istatistiksel paket programda uygulayabilir. | 10, 14, 6, 9 | E |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Ders ön bilgilendirmesi, Liner cebir ve normal dağılım | Ders notları |
| 2 | Doğrusal Regresyon Modelleri | Ders notları |
| 3 | Doğrusal Regresyon Modelleri Varsayımları | Ders Notları |
| 4 | Doğrusal Olmayan Regresyon Modelleri | Ders Notları |
| 5 | Poisson Regresyon | Ders Notları |
| 6 | Sıfırı-Şişirilmiş Poisson Regresyon | Ders Notları |
| 7 | Negattif Binomial Regresyon Modeli | Ders notları |
| 8 | Lojistik Regresyon | Ders Notları |
| 9 | Doğrusal Karma Modeller | Ders Notları |
| 10 | Genelleştirilmiş Karma Modeller | Ders Notları |
| 11 | Karma Etkili Doğrusal Olmayan Modeller | Ders Notları |
| 12 | Karma Modellerde Koveryans Yapısı | Ders Notları |
| 13 | Uygulamalar | Ders Notları |
| 14 | Uygulamalar-2 | Ders Notları |
| Kaynak |
| LİNEER MODELLER- FİKRİ AKDENİZ - FİKRİ ÖZTÜRK Lineer Modellere Giriş- Mesut Balıbey Linear Models- S.R. Searle |
| Sheather, S.J. (2009). A Modern Approach to Regression with R. New York: Springer James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R. New York: Springer Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. NY: Cambridge Univ Press. Lynch, S. M. (2007). Introduction to applied Bayesian statistics and estimation for social scientists. Springer Science & Business Media LLC.∗ Weisberg, S. (2013). Applied Linear Regression. John Wiley & Sons |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Teorik ve uygulamalı biyoistatisitik alanlarında edindiği ileri düzeydeki kuramsal ve uygulamalı bilgileri kullanabilir. | X | |||||
| 2 | Temel olasılık ve istatistik kuramları ve uygulamalarına ilişkin bilgilerini uzmanlık düzeyinde kullanabilir. | X | |||||
| 3 | Sağlık alanında yapılan her türlü araştırma tasarımı konusunda bilgi sahibidirler. | X | |||||
| 4 | Sağlık alanında yapılan araştırmaları tasarlayabilir, kurgulayabilir ve çözüm önerileri getirebilir. | ||||||
| 5 | Sağlık araştırmalarında sorunları tanımlayabilir, analiz edebilir ve bilimsel yöntemlere dayalı çözüm üretebilir | X | |||||
| 6 | Alanı ile ilgili öncelikli konularda bilimsel klinik tanımlayıcı veya çözümleyici bir araştırma yapar. | ||||||
| 7 | Biyoistatistik alanı ile ilgili bilgileri eleştirel bir yaklaşımla değerlendirir ve anlatabilir. | ||||||
| 8 | Biyoistatistik alanı ile ilgili veri toplanması, kayıt edilmesi, yorumlanması, raporlanması aşamalarında toplumsal, bilimsel ve etik değerleri gözetir ve bu değerleri öğretir. | X | |||||
| 9 | Biyoistatistik alanlarında yaygın olarak kullanılan yazılımlara aşina olmak ve ez az birini etkin şekilde kullanabilmek | X | |||||
| 10 | Biyoistatistik alanı ile ilgili çalışmaları bağımsız veya ekip olarak yürütür. | ||||||
| 11 | Biyoistatistik alanında bireysel veya ekip olarak bir çalışmayı sürdürür, karar verme sürecine katılabilir, zamanı etkili kullanarak gerekli planlamayı yapabilir ve sonuçlandırabilir. | ||||||
| 12 | Biyoistatistik alanı ile yaşam boyu öğrenme ilkelerini kullanarak mesleki gelişiminin sürekliliğini sağlar. | X | |||||
| 13 | Bilimsel bir makaleyi ulusal ve uluslararası düzeyde bir dergide yayınlar ya da bilimsel bir toplantıda sunar. | X | |||||
| 14 | Diğer sağlık alanındaki disiplinlerle iş birliği içinde araştırma, proje ve etkinliklerde rol alır. | ||||||
| 15 | Duyarlı bir birey olarak bütün süreçlerde kalite yönetimi, iş güvenliği ve çevre konularında yeterli bilince sahip olmak ve bilgi birikimini toplum yararına kullanabilir. | ||||||
| 16 | Biyoistatistik alanında sentezlediği bilgileri ve problem çözme yeteneklerini, sağlık araştırmalarında etik ilkeleri göz eterek kullanır. | X | |||||
| 17 | Biyoistatistik ve eğitimi alanında ulusal ve uluslararası politika çalışmalarında bulunabilir. | ||||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |
| AKTS / İşyükü Tablosu | ||||||
| Etkinlik | Sayı | Süresi (Saat) | Toplam İş Yükü (Saat) | |||
| Ders Saati | 0 | 0 | 0 | |||
| Rehberli Problem Çözme | 0 | 0 | 0 | |||
| Problem Çözümü / Ödev / Proje / Rapor Tanzimi | 0 | 0 | 0 | |||
| Okul Dışı Diğer Faaliyetler | 0 | 0 | 0 | |||
| Proje Sunumu / Seminer | 0 | 0 | 0 | |||
| Kısa Sınav (QUİZ) ve Hazırlığı | 0 | 0 | 0 | |||
| Ara Sınav ve Hazırlığı | 0 | 0 | 0 | |||
| Genel Sınav ve Hazırlığı | 0 | 0 | 0 | |||
| Performans Görevi, Bakım Planı | 0 | 0 | 0 | |||
| Toplam İş Yükü (Saat) | 0 | |||||
| Dersin AKTS Kredisi = Toplam İş Yükü (Saat)/30*=(0/30) | 0 | |||||
| Dersin AKTS Kredisi: *30 saatlik çalışma 1 AKTS kredisi sayılmaktadır. | ||||||
Dersin Detaylı Bilgileri
Ders Tanımı
| Ders | Kodu | Yarıyıl | T+U Saat | Kredi | AKTS |
|---|---|---|---|---|---|
| LİNEER MODELLERE GİRİŞ | - | Bahar Dönemi | 3+0 | 3 | 10 |
| Ders Programı |
| Ön Koşul Dersleri | |
| Önerilen Seçmeli Dersler |
| Dersin Dili | İngilizce |
| Dersin Seviyesi | Yüksek Lisans |
| Dersin Türü | Zorunlu |
| Dersin Koordinatörü | Prof.Dr. Abdulbari BENER |
| Dersi Verenler | Prof.Dr. Abdulbari BENER |
| Dersin Yardımcıları | PROF.DR. ABDÜLBARİ BENER |
| Dersin Amacı | BİOS-9002 LİNEER VE LİNEER OLMAYAN SABİT VE KARMA MODELLER (LINEAR and NON-LINEAR FIXED and MIXED EFFECTS MODELS): Basit regresyon, çok değişkenli regresyon, lineer olmayan basit regresyon, Poisson regresyon, sıfırı-şişirilmiş Poisson regresyon, Negatif-Binomial regresyon, sıfırı-şişirilmiş Negatif-Binomial, Lojistik regresyon, karma-etkili lineer (mixed-effect linear) modeller, genelleştirilmiş karma-etkili lineer (generalized mixed-effect linear) modeller, karma-etkili lineer-olmayan (mixed-effect non-linear) modeller, karma-modellerde kovaryans yapısı karşılaştırması ve değerlendirmesi. |
| Dersin İçeriği | Bu ders; Ders ön bilgilendirmesi, Liner cebir ve normal dağılım,Doğrusal Regresyon Modelleri ,Doğrusal Regresyon Modelleri Varsayımları ,Doğrusal Olmayan Regresyon Modelleri ,Poisson Regresyon ,Sıfırı-Şişirilmiş Poisson Regresyon,Negattif Binomial Regresyon Modeli,Lojistik Regresyon ,Doğrusal Karma Modeller ,Genelleştirilmiş Karma Modeller,Karma Etkili Doğrusal Olmayan Modeller,Karma Modellerde Koveryans Yapısı ,Uygulamalar ,Uygulamalar-2; konularını içermektedir. |
| Dersin Öğrenme Kazanımları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| Doğrusal modeller analiz çıktılarını yorumlayabilir, rapor yazabilir. | 10, 16, 6 | E |
| Doğrusal Modellerin teorisini, matematiksel alt yapısını, tahmin ve çıkarımını bilir | 12, 14, 2 | A, E |
| Doğrusal Modelleri bir istatistiksel paket programda uygulayabilir. | 10, 14, 6, 9 | E |
| Öğretim Yöntemleri: | 10: Tartışma Yöntemi, 12: Problem Çözme Yöntemi, 14: Bireysel Çalışma Yöntemi, 16: Soru - Cevap Tekniği , 2: Proje Temelli Öğrenme Modeli, 6: Deneyimle Öğrenme Modeli, 9: Anlatım Yöntemi |
| Ölçme Yöntemleri: | A: Klasik Yazılı Sınav, E: Ödev |
Ders Akışı
| Sıra | Konular | Ön Hazırlık |
|---|---|---|
| 1 | Ders ön bilgilendirmesi, Liner cebir ve normal dağılım | Ders notları |
| 2 | Doğrusal Regresyon Modelleri | Ders notları |
| 3 | Doğrusal Regresyon Modelleri Varsayımları | Ders Notları |
| 4 | Doğrusal Olmayan Regresyon Modelleri | Ders Notları |
| 5 | Poisson Regresyon | Ders Notları |
| 6 | Sıfırı-Şişirilmiş Poisson Regresyon | Ders Notları |
| 7 | Negattif Binomial Regresyon Modeli | Ders notları |
| 8 | Lojistik Regresyon | Ders Notları |
| 9 | Doğrusal Karma Modeller | Ders Notları |
| 10 | Genelleştirilmiş Karma Modeller | Ders Notları |
| 11 | Karma Etkili Doğrusal Olmayan Modeller | Ders Notları |
| 12 | Karma Modellerde Koveryans Yapısı | Ders Notları |
| 13 | Uygulamalar | Ders Notları |
| 14 | Uygulamalar-2 | Ders Notları |
| Kaynak |
| LİNEER MODELLER- FİKRİ AKDENİZ - FİKRİ ÖZTÜRK Lineer Modellere Giriş- Mesut Balıbey Linear Models- S.R. Searle |
| Sheather, S.J. (2009). A Modern Approach to Regression with R. New York: Springer James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R. New York: Springer Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. NY: Cambridge Univ Press. Lynch, S. M. (2007). Introduction to applied Bayesian statistics and estimation for social scientists. Springer Science & Business Media LLC.∗ Weisberg, S. (2013). Applied Linear Regression. John Wiley & Sons |
Dersin Program Yeterliliklerine Katkısı
| Dersin Program Yeterliliklerine Katkısı | |||||||
| No | Program Yeterliliği | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Teorik ve uygulamalı biyoistatisitik alanlarında edindiği ileri düzeydeki kuramsal ve uygulamalı bilgileri kullanabilir. | X | |||||
| 2 | Temel olasılık ve istatistik kuramları ve uygulamalarına ilişkin bilgilerini uzmanlık düzeyinde kullanabilir. | X | |||||
| 3 | Sağlık alanında yapılan her türlü araştırma tasarımı konusunda bilgi sahibidirler. | X | |||||
| 4 | Sağlık alanında yapılan araştırmaları tasarlayabilir, kurgulayabilir ve çözüm önerileri getirebilir. | ||||||
| 5 | Sağlık araştırmalarında sorunları tanımlayabilir, analiz edebilir ve bilimsel yöntemlere dayalı çözüm üretebilir | X | |||||
| 6 | Alanı ile ilgili öncelikli konularda bilimsel klinik tanımlayıcı veya çözümleyici bir araştırma yapar. | ||||||
| 7 | Biyoistatistik alanı ile ilgili bilgileri eleştirel bir yaklaşımla değerlendirir ve anlatabilir. | ||||||
| 8 | Biyoistatistik alanı ile ilgili veri toplanması, kayıt edilmesi, yorumlanması, raporlanması aşamalarında toplumsal, bilimsel ve etik değerleri gözetir ve bu değerleri öğretir. | X | |||||
| 9 | Biyoistatistik alanlarında yaygın olarak kullanılan yazılımlara aşina olmak ve ez az birini etkin şekilde kullanabilmek | X | |||||
| 10 | Biyoistatistik alanı ile ilgili çalışmaları bağımsız veya ekip olarak yürütür. | ||||||
| 11 | Biyoistatistik alanında bireysel veya ekip olarak bir çalışmayı sürdürür, karar verme sürecine katılabilir, zamanı etkili kullanarak gerekli planlamayı yapabilir ve sonuçlandırabilir. | ||||||
| 12 | Biyoistatistik alanı ile yaşam boyu öğrenme ilkelerini kullanarak mesleki gelişiminin sürekliliğini sağlar. | X | |||||
| 13 | Bilimsel bir makaleyi ulusal ve uluslararası düzeyde bir dergide yayınlar ya da bilimsel bir toplantıda sunar. | X | |||||
| 14 | Diğer sağlık alanındaki disiplinlerle iş birliği içinde araştırma, proje ve etkinliklerde rol alır. | ||||||
| 15 | Duyarlı bir birey olarak bütün süreçlerde kalite yönetimi, iş güvenliği ve çevre konularında yeterli bilince sahip olmak ve bilgi birikimini toplum yararına kullanabilir. | ||||||
| 16 | Biyoistatistik alanında sentezlediği bilgileri ve problem çözme yeteneklerini, sağlık araştırmalarında etik ilkeleri göz eterek kullanır. | X | |||||
| 17 | Biyoistatistik ve eğitimi alanında ulusal ve uluslararası politika çalışmalarında bulunabilir. | ||||||
Değerlendirme Sistemi
| Katkı Düzeyi | Mutlak Değerlendirme | |
| Ara Sınavın Başarıya Oranı | 50 | |
| Genel Sınavın Başarıya Oranı | 50 | |
| Toplam | 100 | |