Többváltozós statisztikai módszerek / Multivariate statistical methods

A félév folyamán heti kétórás (vagy kétheti négyórás) számítógéptermi gyakorlat keretében kerül előadásra a többváltozós matematikai statisztika egyes fejezeteinek a BSc/MSc/PhD szinten oktatott statisztika és biometria témájú tárgyakra épülő komplex alkalmazása gyakorlatias formában, sok példával, a doktorandusz hallgatók munkájához és igényeihez igazodva, különös tekintettel a problémásabb esetek kezelésének technikáira, valamint a publikációkban való közlés mikéntjére. A gyakorlatokon leginkább az SPSS 20 statisztikai szoftverrel dolgozunk.
Tematika: A csoportosítás módszerei: k-közép, hierarchikus, kétlépcsős módszerek, előnyök, hátrányok, a különféle távolságdefiníciók alkalmazási lehetőségei, kevert típusú változók összehasonlításának technikái, ábrázolási módszerek. Diszkriminancia analízis és diagnosztikája. Adatredukciós módszerek: főkomponens analízis, faktoranalízis, látens struktúrák értelmezése, térbeli forgatás, ábrázolás, diagnosztika. Az adatredukciós módszerek felhasználása az általános lineáris modellek kezelésére. Kanonikus korrelációelemzés. Indikátoranalízis, többváltozós technikák alkalmazása az indikátorstruktúrák vizsgálatában.
During the semester, based on the knowledge the students have aquired in BSc/MSc/PhD level standard Biometrics and Statistics courses, some chapters of multivariate statistics will be discussed with complex applications in computer lab in a practical way with many examples from agriculture that passed specially to the demands of PhD students. We use the statistical software SPSS 20.
Discussed chapters: Cluster analysis methods: K-means; hierarchical methods, two-way clustering; advantages and disadvantages; similarity and dissimilarity indices; clustering mixed data; representation techniques. Discriminant analysis and diagnostics. Data reduction methods: principal component analysis; factor analysis, learning latent structures; spatial rotation; representation; diagnostics. Data reduction methods applied in general linear models. Canonical correlation analysis. Indicator analysis; multivariate techniques in analysis of structures explained by indicators.