Προχωρημένες γνώσεις Στατιστικής

Πληροφορίες Μαθήματος
ΤίτλοςΠροχωρημένες γνώσεις Στατιστικής / Advanced Statistics
ΚωδικόςE1
ΣχολήΕπιστημών Υγείας
ΤμήμαΙατρικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΆννα-Μπεττίνα Χάιδιτς
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600018994

Πρόγραμμα Σπουδών: ΠΜΣ Ιατρική Ερευνητική Μεθοδολογία

Εγγεγραμμένοι φοιτητές: 33
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚορμόςΕπιλογής114
Πληροφορίες Τάξης
ΤίτλοςΠροχωρημένες γνώσεις Στατιστικής
Ακαδημαϊκό Έτος2025 – 2026
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Διδάσκοντες άλλων Κατηγοριών
Ώρες Εβδομαδιαία4
Ώρες Συνολικά96
Class ID
600290274
Τύπος Μαθήματος
Ανάπτυξης Δεξιοτήτων
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
  • Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία)
  • Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Προαπαιτούμενα Μαθήματα
  • C1 Εισαγωγή στη Στατιστική
Μαθησιακά Αποτελέσματα
Γνώσεις Οι συμμετέχοντες και οι συμμετέχουσες θα καταστούν ικανοί και ικανές να γνωρίζουν: • τα βασικά είδη απλών και πολλαπλών γραμμικών μοντέλων που εφαρμόζονται στα ιατρικά δεδομένα (γραμμικό, λογιστικό, Cox) • τις παραδοχές και τις προϋποθέσεις που θα πρέπει να πληρούνται για την εφαρμογή αυτών των μοντέλων • το πόσο καλά προσαρμόζονται τα ερευνητικά τους δεδομένα στα υπο εξέταση μοντέλα (έλεγχος προσαρμογής) • τις αναγκαίες συνθήκες που θα πρέπει να υπάρχουν ώστε να χαρακτηριστούν μια ή περισσότερες μεταβλητές ως συγχυτικές σε μια σχέση έκθεσης-αποτελέσματος • την έννοια του τροποποιητικού παράγοντα και τη διαφορά του από τον συγχυτικό παράγοντα • το λόγο που οι τεχνικές της πολλαπλής παλινδρόμησης καθιστούν εφικτή την ανάλυση της σχέσης ενός αποτελέσματος με μια προβλεπτική μεταβλητή υπό την πιθανή παρουσία συγχυτικών παραγόντων • Υπολογισμός μεγέθους δείγματος για πολυπαραγοντικά μοντέλα Ικανότητες Οι συμμετέχοντες και οι συμμετέχουσες θα καταστούν ικανοί και ικανές: • ακολουθούν συγκεκριμένη μεθοδολογία για την κατασκευή κατάλληλων πολυμεταβλητών γραμμικών μοντέλων • διερευνούν την ύπαρξη συγχυτικών ή τροποποιητικών παραγόντων σε ιατρικά παραδείγματα και να τους διαχειρίζονται κατάλληλα • ερμηνεύουν τα αποτελέσματα που προκύπτουν από την εφαρμογή των συγκεκριμένων κάθε φορά γραμμικών μοντέλων • χρησιμοποιούν το ταχέως αναπτυσσόμενο και εξελίξιμο πρόγραμμα R ως ένα εργαλείο για τις στατιστικές τους αναλύσεις και την δημιουργία καλαίσθητων γραφημάτων
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Ομαδική εργασία
Περιεχόμενο Μαθήματος
1. Διερεύνηση και διαμόρφωση δεδομένων, οδηγίες για δημιουργία καλαίσθητων γραφημάτων με το πρόγραμμα R (πρακτική στο R) 2. Γραμμική σχέση μεταξύ 2 ποσοτικών μεταβλητών (Scatter plots, Pearson’s & Spearman’s correlation) (πρακτική στο R) 3. Θεωρία Γραμμικών Μοντέλων παλινδρόμησης και η σημασία τους στην ιατρική έρευνα και πράξη 4. Συγχυτικοί και τροποποιητικοί παράγοντες 5. Απλή και πολλαπλή γραμμική παλινδρόμηση και εφαρμογές σε ιατρικά δεδομένα (πρακτική στο R) 6. Απλή και πολλαπλή λογιστική παλινδρόμηση και εφαρμογές σε ιατρικά δεδομένα (πρακτική στο R) 7. Απλή και πολλαπλή παλινδρόμηση Poisson και εφαρμογές σε ιατρικά δεδομένα (πρακτική στο R) 8. Απλή και πολλαπλή Cox παλινδρόμηση και εφαρμογές σε ιατρικά δεδομένα (πρακτική στο R)
Λέξεις Κλειδιά
Γραμμικά Μοντέλα, Γραμμική εξάρτηση, Λογιστική εξάρτηση, Μοντέλο αναλογικών κινδύνων Cox
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Διαδραστικές ασκήσεις
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
  • Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
• Χρήση Τ.Π.Ε. στη Διδασκαλία - Moodle Virtual learning environment (VLE) (asynchronous learning) • Χρήση Τ.Π.Ε. στη στην Εργαστηριακή Εκπαίδευση - Moodle Virtual learning environment (VLE) (asynchronous learning, wikis, Online Discussion Fora, Educational Portfolio) • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές (email, άμεσα μηνύματα μέσω Moodle)
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις401,6
Εργαστηριακή Άσκηση200,8
Μελέτη και ανάλυση βιβλίων και άρθρων200,8
Συγγραφή εργασίας / εργασιών502
Σύνολο1305,2
Αξιολόγηση Φοιτητών
Περιγραφή
• Γραπτή εργασία, στα Αγγλικά, μεγέθους περί τις 2500 λέξεις, που θα υποβληθεί από κάθε εκπαιδευόμενο στο τέλος των μαθημάτων • Εβδομαδιαία κουίζ πολλαπλών επιλογών • Αξιολόγηση των σχολίων που υποβάλλονται από κάθε εκπαιδευόμενο στις online ομάδες συζήτησης
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
1. Aho, Ken A. Foundational and applied statistics for biologists using R. CRC Press, 2013. 2. Bland, Martin. An introduction to medical statistics. 3rd Edition. Oxford University Press, 2000. 3. Crawley, Michael J. Statistics: an introduction using R, 2nd Edition. John Wiley & Sons, 2014. 4. MacFarland, Thomas W. Introduction to Data Analysis and Graphical Presentation in Biostatistics with R. Springer, 2014. 5. Daniel, Wayne W., and Chad L. Cross. Biostatistics: A Foundation for Analysis in the Health Sciences: A Foundation for Analysis in the Health Sciences. Wiley Global Education, 2012. 6. Logan M. Biostatistical Design and Analysis Using R: A Practical Guide. Wiley-Blackwell, 2010. 7. Aviva Petrie, Caroline Sabin. Medical Statistics at a Glance, 3rd Wiley 2009. 8. David G. Kleinbaum, Mitchel Klein. Survival Analysis: A self-learning text. 3rd Edition. Springer 2012. 9. David G. Kleinbaum. Logistic Regression: A self-learning text. 3rd Edition. Springer 2010. 10. Faraway, J. J. (2014). Linear Models with R (Chapman & Hall/CRC Texts in Statistical Science) (2nd ed.). Chapman and Hall/CRC.
Τελευταία Επικαιροποίηση
21-12-2021