多水平模型多元回归分析培训班-PPT文档资料
合集下载
最新文档-第6讲 多元线性回归分析-PPT精品文档
1. 线性关系检验通过后，对各个回归系数有选择地 进行一次或多次检验
2. 究竟要对哪几个回归系数进行检验，通常需要在 建立模型之前作出决定
3. 对回归系数检验的个数进行限制，以避免犯过多 的第一类错误(弃真错误)
4. 对每一个自变量都要单独进行检验
5. 应用 t 检验统计量
模型的统计检验
我们研究的模型是：Y= 0+ 1X1+ 2X2+u 1.参数估计值的分布
（ii）计算 t 统计量
j=0
j=0，1，2
（iii）给定显著性水平 ，查自由度为n-3的t分布表， 得到临界值
t (n3) 2
（iv）判断：
t （a）若 | t | >
(n3)
2
则在1- 水平下拒绝原假设H0 ，即 j对应的变量xj是
显著的；
t （b）若 | t | <
(n3)
系数 。
（3）校正的判定系数即用自由度进行平均，用 “单位”拟合误差进行比较，从而提高了可比性。
（4）虽然非校正的判定系数总为正数，但校正 的判定系数可能为负数。
• 我们很容易可以得到 调整的R2 ，
• (1 – R2)(n – 1) / (n – k – 1), • 大部分的软件会同时给出 R2 和 调整的R2。 • 可以通过比较调整的R2 来比较两个模型（同一个
2 1 i
2 2 i 1 i 2 i2
1
2 ]
V( aˆr ) 1
x 2[
u
2
x x ( xx) 1 i
2
2 i
2 2 i1 i
2] 2 i
V( aˆr ) 2
x 2[
2. 究竟要对哪几个回归系数进行检验，通常需要在 建立模型之前作出决定
3. 对回归系数检验的个数进行限制，以避免犯过多 的第一类错误(弃真错误)
4. 对每一个自变量都要单独进行检验
5. 应用 t 检验统计量
模型的统计检验
我们研究的模型是：Y= 0+ 1X1+ 2X2+u 1.参数估计值的分布
（ii）计算 t 统计量
j=0
j=0，1，2
（iii）给定显著性水平 ，查自由度为n-3的t分布表， 得到临界值
t (n3) 2
（iv）判断：
t （a）若 | t | >
(n3)
2
则在1- 水平下拒绝原假设H0 ，即 j对应的变量xj是
显著的；
t （b）若 | t | <
(n3)
系数 。
（3）校正的判定系数即用自由度进行平均，用 “单位”拟合误差进行比较，从而提高了可比性。
（4）虽然非校正的判定系数总为正数，但校正 的判定系数可能为负数。
• 我们很容易可以得到 调整的R2 ，
• (1 – R2)(n – 1) / (n – k – 1), • 大部分的软件会同时给出 R2 和 调整的R2。 • 可以通过比较调整的R2 来比较两个模型（同一个
2 1 i
2 2 i 1 i 2 i2
1
2 ]
V( aˆr ) 1
x 2[
u
2
x x ( xx) 1 i
2
2 i
2 2 i1 i
2] 2 i
V( aˆr ) 2
x 2[
第四讲多元回归分析(共72张PPT)
第四讲多元回归分析?多元线性回归分析逐步回归分析?逐步回归分析定性指标的相关分析?多对多的回归分析第一节多元线性回归分析?回归分析概论?回归分析的功能及涵义?回归分析的研究思路和步骤?回归分析的内容体系?多元线性回归模型?模型中参数的估计?回归方程以及回归系数的显著性检验?回归模型的变量子集合的选择回归变量的选择回归分析概论?回归分析的功能及涵义?回归分析是研究一个变量即应变量或多个变量对于一个或多个其他变量即解释变量的依存关系并用数学模型加以模拟目的在于根据已知的或在多次重复抽样中固定的解释变量之值估计预测因变量的总体平均值
引入或剔除变量的依据
• 依据是偏回归平方和 逐步回归分析是按照各自变量对因
变量作用显著程度大小来决定其是否引 入还是剔除。用于衡量各自变量对因变 量作用大小的量是它们对因变量的“贡 献”，即偏回归平方和。
逐步回归方程的矩阵变换计算法
计算量大，且由于某个因子的引入使变得不显著的其他因子仍然留在方程中。 “逐步引入法”（原理、局限性） 建立“最优”回归方程的方法 属于多元统计分析方法之一。 利用回归方程进行预测。 对回归方程、参数估计值进行显著性检验。 从一个因子开始，逐个引入回归方程，因子引入后概不剔除。 回归分析的研究思路和步骤 回归分析方法又称因素分析方法、经济计量模型方法。 利用回归方程进行预测。
回归模型的变量子集合的选择（回 归变量的选择）
第二节 逐步回归分析
• 逐步回归分析的原理 • 引入或剔除变量的依据 • 逐步回归方程的矩阵变换计算法 • 具体实例以及计算步骤 • 计算机软件应用举例
逐步回归分析的原理
“最优”回归方程的选择
所谓“最优”的含义：回归方程中包含所有对y影响比较显著 的变量，而不包括对y影响不显著的变量的回归方程。 必要性：用于预测、控制
引入或剔除变量的依据
• 依据是偏回归平方和 逐步回归分析是按照各自变量对因
变量作用显著程度大小来决定其是否引 入还是剔除。用于衡量各自变量对因变 量作用大小的量是它们对因变量的“贡 献”，即偏回归平方和。
逐步回归方程的矩阵变换计算法
计算量大，且由于某个因子的引入使变得不显著的其他因子仍然留在方程中。 “逐步引入法”（原理、局限性） 建立“最优”回归方程的方法 属于多元统计分析方法之一。 利用回归方程进行预测。 对回归方程、参数估计值进行显著性检验。 从一个因子开始，逐个引入回归方程，因子引入后概不剔除。 回归分析的研究思路和步骤 回归分析方法又称因素分析方法、经济计量模型方法。 利用回归方程进行预测。
回归模型的变量子集合的选择（回 归变量的选择）
第二节 逐步回归分析
• 逐步回归分析的原理 • 引入或剔除变量的依据 • 逐步回归方程的矩阵变换计算法 • 具体实例以及计算步骤 • 计算机软件应用举例
逐步回归分析的原理
“最优”回归方程的选择
所谓“最优”的含义：回归方程中包含所有对y影响比较显著 的变量，而不包括对y影响不显著的变量的回归方程。 必要性：用于预测、控制
多元线性回归分析(6)PPT课件
2020/11/13
第二章 多元线性回归分析
第一节 模型的假定
1
2020/11/13
准备知识：
❖ 矩阵的k阶子式 在mn矩阵A中 任取k行与k列(km kn) 位于这些行
列交叉处的k2个元素 不改变它们在A中所处的位置次 序而得的k阶行列式 称为矩阵A的k阶子式
A
1 2
1 1
2 1
1 1
4 2
2 3 1 1 2
3 6 9 7 9
D 13 1是1 A的 一个二阶子式
2
2020/11/13
矩阵的秩
设在矩阵A中有一个不等于0的r阶子式D 且所有r1阶子式(如果存在的 话)全等于0 那么D 称为矩阵A的最高阶非零子式 数r 称为矩阵A的秩 记作R(A) 并规定零矩阵的秩等于0
(1)若矩阵A中有某个s阶子式不为0 则R(A)s 若A中所有t阶子式全 为0 则R(A)t
多元线性回归中
Y ˆi=β ˆ1+β ˆ2X2i+β ˆ3X3i+ ...+β ˆkXki
决定系数可表示为
R2ESS (Y ˆi-Y)2TSS-RSS1- ei2
TSS (Yi-Y)2 TSS
yi2
32
决定系数的特点
如果模型中增加一个解释变量，决定系数往往是增大的。主要是因为
残差平方和RSS会随着解释变量个数的增加而减少。
(1 )( A T )T A ;
( 2 )( A B )T A T B T ;
( 3 )( kA )T kA T , k P ;
( 4 )( AB )T B T A T ;
( 5 )a 1
a 2 a n T
a1
a2
(
第二章 多元线性回归分析
第一节 模型的假定
1
2020/11/13
准备知识：
❖ 矩阵的k阶子式 在mn矩阵A中 任取k行与k列(km kn) 位于这些行
列交叉处的k2个元素 不改变它们在A中所处的位置次 序而得的k阶行列式 称为矩阵A的k阶子式
A
1 2
1 1
2 1
1 1
4 2
2 3 1 1 2
3 6 9 7 9
D 13 1是1 A的 一个二阶子式
2
2020/11/13
矩阵的秩
设在矩阵A中有一个不等于0的r阶子式D 且所有r1阶子式(如果存在的 话)全等于0 那么D 称为矩阵A的最高阶非零子式 数r 称为矩阵A的秩 记作R(A) 并规定零矩阵的秩等于0
(1)若矩阵A中有某个s阶子式不为0 则R(A)s 若A中所有t阶子式全 为0 则R(A)t
多元线性回归中
Y ˆi=β ˆ1+β ˆ2X2i+β ˆ3X3i+ ...+β ˆkXki
决定系数可表示为
R2ESS (Y ˆi-Y)2TSS-RSS1- ei2
TSS (Yi-Y)2 TSS
yi2
32
决定系数的特点
如果模型中增加一个解释变量，决定系数往往是增大的。主要是因为
残差平方和RSS会随着解释变量个数的增加而减少。
(1 )( A T )T A ;
( 2 )( A B )T A T B T ;
( 3 )( kA )T kA T , k P ;
( 4 )( AB )T B T A T ;
( 5 )a 1
a 2 a n T
a1
a2
(
第八章：多元线性回归模型-PPT精选文档
表示： 各变量 X值固定（即给定）时 Y的平均响 应（即均值）。
j也被称为偏回归系数，表示在其他解释变
量保持不变的情况下，X j每变化1个单位时，Y的 均值E(Y)的变化; 或者说j给出了X j的单位变化对Y均值的 “直接”或“净”（不含其他变量）影响。
用来估计总体回归函数的样本回归函数为：
§3.2 多元线性回归模型的估计
一、普通最小二乘估计
*二、最大或然估计(Maximum Likelihood) *三、矩估计（Moment Method)
四、参数估计量的性质
* 五样本容量问题
六、估计实例
说 明
（注：参数有两类：结构参数和分布参数，分布参数是 指随机误差项的均值和方差） 估计方法： 3大类方法：OLS、ML或者MM – – 在经典模型中多应用OLS 在非经典模型中多应用ML或者MM
ˆ ˆ ˆ ˆ ˆ Y X X X i 0 1 1 i 2 2 i ki ki
ˆ ˆ ˆ ˆ X X X e 其随机表示式: Y i 0 1 1 i 2 2 i ki ki i
ei称为残差或剩余项(residuals)，可看成是 总体回归模型中随机扰动项i的近似替代。
n
Q
ˆ ˆ ˆ ˆ ( Y ( X X X )) i 0 1 1 i 2 2 i k k i
i 1
n
2
• 于是得到关于待估参数估计值的正规方程组：
ˆ ˆ X ˆ X ˆ X ) SY S( 0 1 1i 2 2i k ki i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2 2i k ki 1i i 1i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2i 2i k ki 2i i 2i ˆ ˆ X ˆ X ˆ X ) X SY X S( 0 1 1i 2 2i k ki ki i ki
多元线性回归分析PPT模板
=1−
SSE
SST
σ e2i
= 1 − σ(y −y)2
i
（6-42）
10
由判定系数的定义可知，R2的大小取决于残差平
2
方和σ e2i 在总离差平方和σ(yi − y) 中所占的比
重。在样本容量一定的条件下，总离差平方和与
自变量的个数无关，而残差平方和则会随着模型
中自变量个数的增加而不断减少，至少不会增加。
回归系数对应的自变量对因变量的影响是否显著，以
便对自变量的取舍做出正确的判断。一般来说，当发
现某个自变量的影响不显著时，应将其从模型中删除，
这样才能做到以尽可能少的自变量达到尽可能高的拟
合优度。
17
多元模型中回归系数的检验同样采用t检验，其原理和基本
步骤与一元回归模型中的t检验基本相同，此处不再赘述。
因此，R2是自变量个数的非递减函数。
11
在一元线性回归模型中，所有模型包含的变量个
数都相同，如果所使用的样本容量也一样，判定
系数便可以直接作为评价拟合优度的尺度。然而
在多元线性回归模型中，各回归模型所含的变量
的个数未必相同，以R2的大小作为衡量拟合优度
的尺度是不合适的。
12
因此，在多元回归分析中，人们更常用的评价指标是所谓
( ′ )是一个(k + 1) × (k + 1)的对称矩阵，根据标准假定1，
rank() = k + 1，k + 1个变量之间不存在高度的线性相关，
因此其逆矩阵存在。式（6-40）两边同时除以( ′ )，可以
得到回归系数最小二乘估计的一般形式：
= ( ′ )−1 ′
（6-41）
第3章-多元回归模型PPT课件
t = bˆ 1j
s ( bˆ 1j )
x Var(bj ) ＝ ∑
σ²
j²（1－Rj²）
问题：如果该解释变量和其他某些解释
2021变/3/12量高度相关，会导致什么结果？
47
案例分析
棒球运动员的薪水
被解释变量：棒球运动员的薪水
解释变量：
１、加入俱乐部的年数years
２、平均每年的比赛次数gamesyr
7、如何预测被解释变量的期望值？ 8、如何预测被解释变量的值？
2021/3/12
2
3.1 三变量线性回归模型
一元回归分析的弱点
Y = b0 + b1X+ µ b1刻划了解释变量X对Y的影响 其他影响Y的因素被放入µ当中
2021/3/12
3
一元回归分析的弱点
Y = b0 + b1X+ µ
要用OLS法得到b1的无偏估计量，必要条
2021/3/12
14
Y= b0 + b1x1 + b2x2 + . . . bkxk + µ
假设1、随机误差项与各解释变量X之间不相关（更 强的假设是各个解释变量X都是确定性变量，不是随 机变量，这样假设1自动满足）
2021/3/12
15
Y= b0 + b1x1 + b2x2 + . . . bkxk + µ
３、平均每年击球次数bavg
aa/2
-c
0
c
临界值c
|t| > c的概率？
在实践中，一般取α＝5％，确定一个小概率事件
t~t(n-2) 给20定21/3/样12 本容量n和显著性水平α，就可以计算40c
第15章_多元线性回归分析-PPT文档资料49页
27 名 糖 尿 病 人 的 血 糖 及 有 关 变 量 的 测 量 结 果
甘油三脂
胰岛素
糖化血
(m m o l /L )
( U / m l )
红 蛋 白 (% )
X2
X3
X4
1 .9 0
4 .5 3
8 .2
1 .6 4
7 .3 2
6 .9
3 .5 6
6 .9 5
1 0 .8
1 .0 7
5 .8 8
Sig. .012 .016 .017 .008
y ˆ 6 .5 0 0 .40 X 0 0 .2 2X 8 0 .6 7X 63
2
3
4
对新建立的回归方程进行检验
A N O VbA
Sum of
Model
Squares
1
Regre1s3s3i.o0n98
Residu8a9l.454
Total222.552
Sig. .047 .701 .099 .036 .016
有上表可知，X1被剔除。 注意：通常每次只剔除关系最弱的一个因素。
由方程中剔除因素的标准（通常 = 0.10）
重新建立不包含剔除因素的回归方程
C o ef f i c ie nat s
Standardi
zed
UnstandardizedCoefficie
多元线性回归分析
温医公卫学院
例15-1 27名糖尿病人的血清总胆固 醇、甘油三脂、空腹胰岛素、糖化血红蛋 白、空腹血糖的测量值列于表15-2中，试 分析哪些指标能影响血糖水平，并血糖建 立与其它几项关系的这些指标的回归关系。
序号 i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
多元回归和多元相关分析PPT讲稿
相互独立且服从相同的分布N（0，σ2 ）
5
现在您浏览的位置是第五页，共三十页。
• 样本多元回归方程为：
yˆ a b x b x b x
11
22
mm
a y b x b x b x
11
22
mm
yˆ y b (x x ) b (x x ) b (x x )
11 1
22 2
mm m
多元回归和多元相关分析课件
现在您浏览的位置是第一页，共三十页。
第一节：多元回归分析
一、多元线性回归模型
多元线性回归：是指具有两个或两个以上自变量，
且各自变量均为一次项的回归。
• 多元回归跟一元回归在很多方面是相同的，只
是多元回归方法更复杂些，计算量相当大，一 般通过计算机程序来完成计算。
2
现在您浏览的位置是第二页，共三十页。
• t检验和F检验结果是完全一样的（F=t2）,实际
应用时可任选一种。
16
现在您浏览的位置是第十六页，共三十页。
（1）t检验
• 偏回归系数bi的标准误为：
Sbi S y /12...m cii
• bi i 符 合 df=n-(m+1) 的 t 分 布 ， 故 在
H0S:βbii=0的假设下，由 t 可bi知bi抽自βi的
系数的假设检验相类似，检验的假设为
H0:ρij=0,HA:tρij≠0 rij .
• 其t值为：
1 ri2j.
nM
•
（13.39）
• 它服从自由度为n-M的t分布。若|t|>tα为显著，
• 对同一资料，多元相关与多元回归的假设检验
只需要进行一种。
• 由于在df1=m,df2=n=m-1一定时，给定显著水
5
现在您浏览的位置是第五页，共三十页。
• 样本多元回归方程为：
yˆ a b x b x b x
11
22
mm
a y b x b x b x
11
22
mm
yˆ y b (x x ) b (x x ) b (x x )
11 1
22 2
mm m
多元回归和多元相关分析课件
现在您浏览的位置是第一页，共三十页。
第一节：多元回归分析
一、多元线性回归模型
多元线性回归：是指具有两个或两个以上自变量，
且各自变量均为一次项的回归。
• 多元回归跟一元回归在很多方面是相同的，只
是多元回归方法更复杂些，计算量相当大，一 般通过计算机程序来完成计算。
2
现在您浏览的位置是第二页，共三十页。
• t检验和F检验结果是完全一样的（F=t2）,实际
应用时可任选一种。
16
现在您浏览的位置是第十六页，共三十页。
（1）t检验
• 偏回归系数bi的标准误为：
Sbi S y /12...m cii
• bi i 符 合 df=n-(m+1) 的 t 分 布 ， 故 在
H0S:βbii=0的假设下，由 t 可bi知bi抽自βi的
系数的假设检验相类似，检验的假设为
H0:ρij=0,HA:tρij≠0 rij .
• 其t值为：
1 ri2j.
nM
•
（13.39）
• 它服从自由度为n-M的t分布。若|t|>tα为显著，
• 对同一资料，多元相关与多元回归的假设检验
只需要进行一种。
• 由于在df1=m,df2=n=m-1一定时，给定显著水
《多元回归》PPT课件 (2)
2
固定资产投资额x4
Stepwise(Criteria:Probability-ofF-to-enter<=.050,
a Dependent variable:不良贷款y
Probability-of-F-to-remove<=.100.
逐步回归
(例题分析—SPSS输出结果)
model 1
Model summary
1.8428
逐步回归
(例题分析—SPSS输出结果)
ANOVA c
model
Sum of Squares
df
Mean Square
F
Sig.
1 Regress 222.486 Residual 90.164 Total 312.650
1
222.486 56.754 .000a
23
3.920
24
2 Regress Residual Total
▪ b1，b2，，bk称为偏回归系数 ▪ bi 表示假定其他变量不变，当 xi 每变动一
个单位时，y 的平均变动值
二元回归方程的直观解释
二元线性回归模型
回归面
x1
y
y b0 b1x1 b2x2
(观察到的y)
b0
}i
x2
(x1,x2)
E( y) b0 b1x1 b2x2
6.3.2 多元回归模型的估计
▪ 估bˆ计0 值, bˆ1 , bˆ2 ,是 , bˆk
▪ 是 y 的估计值
yˆ
b0 , b1 , b2 ,, bk
参数的最小二乘法
1. 使因变量的观察值与估计值之间的离差平方和 达到最小来求得 bˆ0 , bˆ1 , bˆ2 ,, bˆk 。即
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多水平模型多元回归分析培训班
培训内容：传统的固定和随机效应模型的概念和运用； 随机效应与多水平模型之间的关系； 使用这些模型的条件和常用术语； 如何解释用于集合数据和单个患者数据的分析结果的模型； 培训侧重实际应用，且使用实际数据进行演示。 培训目的 : 引进多水平模型的基本概念； 演示其在Meta分析中的运用； 教授在Meta分析中使用MLwiN软件来适应此类模型。 适用人群： 具有运用统计软件进行Meta分析经验的研究人员； 具有单元回归分析和方差分析经验的研究人员； 卫生或医学统计学、生物统计学、流行病学、心理测定学和计量 经济学专业的研究生。 课程说明： 侧重实际应用，且使用实际数据进行演示； 采取多元化培训形式，包括课堂教学，亲身实践和小组讨论； 培训为汉语教学，主要教材为汉语版，部分参考材料为英文版。 培训时间： 5月31日-6月2日 培训地点： 宁波诺丁汉大学（宁波市泰康东路199号） 培训费用： 2800元/人(5月20日前交费享受9折优惠， 学生也可享受9折优惠) 报名方式： 请登录review-solutions在线报名 Email： Tel： enquiryreview-solutions 400-680-8755
报杨珉教授简介
培训安排（暂定）
日期 第一天 内容 • Meta分析方法的系统回顾 • • 第一天 下午 第二天 上午 第二天 下午 第三天 上午 • • • • • • • • • • 传统Meta分析中的固定和随机效应模型 多元回归模型 介绍基本的2水平模型 MLwiN 软件入门介绍 练习使用 MLwiN 均数汇总的多水平模型分析 比值比汇总的多水平模型分析 实践 在已刊载论文的基础上继续案例讨论 进一步实践 单个患者数据的多水平分析 提问与讨论 M Yang 刘巧兰 M Yang 刘巧兰 M Yang 刘巧兰 M Yang 刘巧兰 主讲人 M Yang 刘巧兰
上午
国际医学、公共卫生和社会科学领域著名“多水平模型“研发与应用的研究带头人；现任职于 英国诺丁汉大学医学院；英国皇家统计协会会员，《英国心理学杂志》，《犯罪行为与心理健康》， 人格与心理健康》和《中国医院统计杂志》编辑委员会的统计学顾问。 杨教授的主要研究领域是“多水平模型建构和在分析大型复杂数据中的运用”，精通流行病学， 风险评估办法，拥有丰富的随机临床试验经验。目前是英国和欧盟研究委员会以及中国国家自然科 学基金会（在诺丁汉大学拥有四个随机临床试验点）赞助的11项研究项目的项目负责人或共同申请 人。 杨珉教授1977年毕业于中国四川医学院，1982年获得中国四川医学院公共卫生医学统计学硕士 学位。1986年任华西医科大学副教授及卫生统计室主任。1991年，杨教授加入英国伦敦大学教育学 院“多水平模型“项目小组。在12年（1991-2019）的研究中，杨教授在研发MLwiN软件方法方面以 及为世界各地MLwiN用户提供技术支持方面积累了丰富的经验。每年向来自美国、欧洲、澳大利亚 和新西兰等国家的参与者提供”多水平模型“培训，还多次受邀负责为德国、瑞典和挪威等地著名 机构举办MLM培训。 杨教授是将“多水平模型“介绍到中国的第一人。2019年，首次将Harvey Goldstein撰写的 《多层模型与社会研究》翻译成汉语并正式出版；2019年编写了中国第一版《医学和公共卫生研究 常用多水平统计模型入门》；2019年，在四川大学开设了第一个研究生“多水平模型”学分制课程。 十余年来在北京大学、四川大学、南京医学院以及西安、大理和烟台等地举办过十余届多水平模型 培训班。
培训内容：传统的固定和随机效应模型的概念和运用； 随机效应与多水平模型之间的关系； 使用这些模型的条件和常用术语； 如何解释用于集合数据和单个患者数据的分析结果的模型； 培训侧重实际应用，且使用实际数据进行演示。 培训目的 : 引进多水平模型的基本概念； 演示其在Meta分析中的运用； 教授在Meta分析中使用MLwiN软件来适应此类模型。 适用人群： 具有运用统计软件进行Meta分析经验的研究人员； 具有单元回归分析和方差分析经验的研究人员； 卫生或医学统计学、生物统计学、流行病学、心理测定学和计量 经济学专业的研究生。 课程说明： 侧重实际应用，且使用实际数据进行演示； 采取多元化培训形式，包括课堂教学，亲身实践和小组讨论； 培训为汉语教学，主要教材为汉语版，部分参考材料为英文版。 培训时间： 5月31日-6月2日 培训地点： 宁波诺丁汉大学（宁波市泰康东路199号） 培训费用： 2800元/人(5月20日前交费享受9折优惠， 学生也可享受9折优惠) 报名方式： 请登录review-solutions在线报名 Email： Tel： enquiryreview-solutions 400-680-8755
报杨珉教授简介
培训安排（暂定）
日期 第一天 内容 • Meta分析方法的系统回顾 • • 第一天 下午 第二天 上午 第二天 下午 第三天 上午 • • • • • • • • • • 传统Meta分析中的固定和随机效应模型 多元回归模型 介绍基本的2水平模型 MLwiN 软件入门介绍 练习使用 MLwiN 均数汇总的多水平模型分析 比值比汇总的多水平模型分析 实践 在已刊载论文的基础上继续案例讨论 进一步实践 单个患者数据的多水平分析 提问与讨论 M Yang 刘巧兰 M Yang 刘巧兰 M Yang 刘巧兰 M Yang 刘巧兰 主讲人 M Yang 刘巧兰
上午
国际医学、公共卫生和社会科学领域著名“多水平模型“研发与应用的研究带头人；现任职于 英国诺丁汉大学医学院；英国皇家统计协会会员，《英国心理学杂志》，《犯罪行为与心理健康》， 人格与心理健康》和《中国医院统计杂志》编辑委员会的统计学顾问。 杨教授的主要研究领域是“多水平模型建构和在分析大型复杂数据中的运用”，精通流行病学， 风险评估办法，拥有丰富的随机临床试验经验。目前是英国和欧盟研究委员会以及中国国家自然科 学基金会（在诺丁汉大学拥有四个随机临床试验点）赞助的11项研究项目的项目负责人或共同申请 人。 杨珉教授1977年毕业于中国四川医学院，1982年获得中国四川医学院公共卫生医学统计学硕士 学位。1986年任华西医科大学副教授及卫生统计室主任。1991年，杨教授加入英国伦敦大学教育学 院“多水平模型“项目小组。在12年（1991-2019）的研究中，杨教授在研发MLwiN软件方法方面以 及为世界各地MLwiN用户提供技术支持方面积累了丰富的经验。每年向来自美国、欧洲、澳大利亚 和新西兰等国家的参与者提供”多水平模型“培训，还多次受邀负责为德国、瑞典和挪威等地著名 机构举办MLM培训。 杨教授是将“多水平模型“介绍到中国的第一人。2019年，首次将Harvey Goldstein撰写的 《多层模型与社会研究》翻译成汉语并正式出版；2019年编写了中国第一版《医学和公共卫生研究 常用多水平统计模型入门》；2019年，在四川大学开设了第一个研究生“多水平模型”学分制课程。 十余年来在北京大学、四川大学、南京医学院以及西安、大理和烟台等地举办过十余届多水平模型 培训班。