| Dersin adı |
Dersin seviyesi |
Dersin kodu |
Dersin tipi |
Dersin dönemi |
Yerel kredi |
AKTS kredisi |
Ders bilgileri |
| UZUNLAMASINA VERİ ANALİZİ |
Üçüncü düzey |
BİS 617 |
|
1 |
7.00 |
7.00 |
Yazdır |
|
Ön koşul dersleri
|
İstatistik lisans diploması olanlar için ön koşul yoktur. Lisans eğitimini istatistik dışında tamamlamış olan öğrencilerin SBE 501 ya da SBE 601 derslerinden birini almış ve başarıyla tamamlamış olması zorunludur. Bilgisayar programlama, algoritma ve R programlama dilinde kodlama bilgisine sahip olmak bir avantajdır. Öğrenciler R dilinde kod yazmayı ve analiz yapmayı öğrenmeye teşvik edilmektedir.
|
|
Eğitimin dili
|
Türkçe
|
|
Koordinatör
|
PROF. DR. GÖKMEN ZARARSIZ
|
|
Dersi veren öğretim eleman(lar)ı
|
|
|
Yardımcı öğretim eleman(lar)ı
|
|
|
Dersin veriliş şekli
|
Yüzyüze
|
|
Dersin amacı
|
Bu ders ölçümde değerleri kategorik veya sayısal değerler olan tekrarlı ölçümlü verilerin analiz edilmesi üzerine odaklanır.
|
|
Dersin tanımı
|
|
|
1- |
Uzunlamasına veriye giriş
|
|
2- |
R yazılımı ile açıklayıcı veri analizi ve grafiksel değerlendirme
|
|
3- |
Korelasyon, kovaryans ve kayıp veri yapıları
|
|
4- |
Uzunlamasına veri için Tekrarlı Ölçümlerde ANOVA
|
|
5- |
Normal dağılan verilerde Genel Doğrusal Modeller – I
|
|
6- |
Normal dağılan verilerde Genel Doğrusal Modeller – II
|
|
7- |
ARA SINAV - I
|
|
8- |
Normal dağılmayan verilerde Genelleştirilmiş Doğrusal Modeller (GLMs) – I
|
|
9- |
Normal dağılmayan verilerde Genelleştirilmiş Doğrusal Modeller (GLMs) – II
|
|
10- |
Normal dağılmayan verilerde Karma Etkili Genelleştirilmiş Doğrusal Modeller (GLMMs)
|
|
11- |
ARA SINAV - II
|
|
12- |
Model parametresi kestirim teknikleri (GEE, MLE, RMLE, vb.)
|
|
13- |
Çok katmanlı (Hiyerarşik) modeller
|
|
14- |
Uygulama – R yazılımı ile uzunlamasına veri analizi
|
|
15- |
FİNAL SINAVI
|
|
16- |
|
|
17- |
|
|
18- |
|
|
19- |
|
|
20- |
|
|
1- |
Uzunlamasına veri setindeki yapıları anlama, bilimsel amacı destekleyen uygun tabloları ve grafikleri hazırlama amacıyla bir tanımlayıcı çalışmayı yürütme,
|
|
2- |
Yanıt değişkeni ile açıklayıcı değişkenler arasındaki ilişkiyi daha iyi anlamak ve doğru yorumlayabilmek amacıyla tekrarlı ölçümler arasındaki ilişki yapılarını dikkate alan uygun ve modern istatistiksel modellere karar verme,
|
|
3- |
Normal dağılmayan sayısal veya kategorik değişkenleri marjinal, rastgele etki, geçişli ve çok katmanlı modellerden birisi ile modelleme,
|
|
4- |
R yazılımında esnek analiz kodları yazma ve analiz sürecini ileri teknikler ile düzenleyebilme
|
|
5- |
|
|
6- |
|
|
7- |
|
|
8- |
|
|
9- |
|
|
10- |
|
|
*Dersin program yeterliliklerine katkı seviyesi
|
|
1- |
veteriner cerrahi alanındaki güncel bilgilere sahip olmak ve uzmanlık eğitimine hazır olabilmek
|
|
|
2- |
veteriner cerrahi alanındaki güncel uygulamaları yapabilmek
|
|
|
3- |
Bağımsız olarak ve ayrıca çalışma ekibinin lideri ve bir üyesi olarak sorumluluk alabilmek, planlama yapabilmek, çalışabilmek, karşılaşılan sorunları çözebilmek
|
|
|
4- |
Yaşam boyu öğrenme ile ilişkili olarak sağlık alanındaki yeni bilgilere ulaşabilmek, değerlendirebilmek ve uygulayabilmek
|
|
|
5- |
Yabancı dili de kullanarak sağlık alanında yurt içinde ve yurt dışındaki meslektaşları ile iletişim kurabilmek
|
|
|
6- |
Sağlık alanındaki verileri toplayabilmek, değerlendirebilmek ve kalite yönetimi sürecine uygun hareket edebilmek
|
|
|
7- |
veteriner cerrahi alanındaki spesifik bilgilere sahip olmak
|
|
|
8- |
veteriner cerrahi alanındaki deneysel uygulamaları yapabilmek
|
|
|
9- |
veteriner cerrahi alanındaki edinilen bilgileri sentezleyip, yeni fikirler oluşturabilmek
|
|
|
10- |
|
|
|
11- |
|
|
|
12- |
|
|
|
13- |
|
|
|
14- |
|
|
|
15- |
|
|
|
16- |
|
|
|
17- |
|
|
|
18- |
|
|
|
19- |
|
|
|
20- |
|
|
|
21- |
|
|
|
22- |
|
|
|
23- |
|
|
|
24- |
|
|
|
25- |
|
|
|
26- |
|
|
|
27- |
|
|
|
28- |
|
|
|
29- |
|
|
|
30- |
|
|
|
31- |
|
|
|
32- |
|
|
|
33- |
|
|
|
34- |
|
|
|
35- |
|
|
|
36- |
|
|
|
37- |
|
|
|
38- |
|
|
|
39- |
|
|
|
40- |
|
|
|
41- |
|
|
|
42- |
|
|
|
43- |
|
|
|
44- |
|
|
|
45- |
|
|
|
Yıldızların sayısı 1’den (en az) 5’e (en fazla) kadar katkı seviyesini ifade eder |
|
Planlanan öğretim faaliyetleri, öğretme metodları ve AKTS iş yükü
|
|
|
Sayısı
|
Süresi (saat)
|
Sayı*Süre (saat)
|
|
Yüz yüze eğitim
|
14
|
3
|
42
|
|
Sınıf dışı ders çalışma süresi (ön çalışma, pekiştirme)
|
14
|
3
|
42
|
|
Ödevler
|
2
|
30
|
60
|
|
Sunum / Seminer hazırlama
|
0
|
0
|
0
|
|
Kısa sınavlar
|
0
|
0
|
0
|
|
Ara sınavlara hazırlık
|
2
|
5
|
10
|
|
Ara sınavlar
|
2
|
2
|
4
|
|
Proje (Yarıyıl ödevi)
|
0
|
0
|
0
|
|
Laboratuvar
|
0
|
0
|
0
|
|
Arazi çalışması
|
0
|
0
|
0
|
|
Yarıyıl sonu sınavına hazırlık
|
1
|
20
|
20
|
|
Yarıyıl sonu sınavı
|
1
|
2
|
2
|
|
Araştırma
|
1
|
20
|
20
|
|
Toplam iş yükü
|
|
|
200
|
|
AKTS
|
|
|
8.00
|
|
Değerlendirme yöntemleri ve kriterler
|
|
Yarıyıl içi değerlendirme
|
Sayısı
|
Katkı Yüzdesi
|
|
Ara sınav
|
2
|
35
|
|
Kısa sınav
|
0
|
0
|
|
Ödev
|
2
|
15
|
|
Yarıyıl içi toplam
|
|
50
|
|
Yarıyıl içi değerlendirmelerin başarıya katkı oranı
|
|
50
|
|
Yarıyıl sonu sınavının başarıya katkı oranı
|
|
50
|
|
Genel toplam
|
|
100
|
|
Önerilen veya zorunlu okuma materyalleri
|
|
Ders kitabı
|
Eğitmen Notları
|
|
Yardımcı Kaynaklar
|
[1] Diggle, P., Diggle, P. J., Heagerty, P., Liang, K. Y., Heagerty, P. J., & Zeger, S. (2002). Analysis of longitudinal data. Oxford University Press.
[2] Singer, J. D., Willett, J. B., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event occurrence. Oxford university press.
[3] Verbeke, G., & Molenberghs, G. (2009). Linear mixed models for longitudinal data. Springer Science & Business Media.
|
|