In diesem Kurs werden wir unsere Erkundung der statistischen Inferenztechniken erweitern, indem wir uns auf die Wissenschaft und Kunst der Anpassung statistischer Modelle an Daten konzentrieren. Wir werden auf den Konzepten aufbauen, die im Kurs Statistische Schlussfolgerungen (Kurs 2) vorgestellt wurden, um zu betonen, wie wichtig es ist, Forschungsfragen mit unseren Datenanalysemethoden zu verbinden. Wir werden uns auch auf verschiedene Modellierungsziele konzentrieren, einschließlich der Erstellung von Schlussfolgerungen über Beziehungen zwischen Variablen und der Erstellung von Vorhersagen für zukünftige Beobachtungen. In diesem Kurs werden verschiedene statistische Modellierungstechniken vorgestellt und erforscht, einschließlich linearer Regression, logistischer Regression, verallgemeinerter linearer Modelle, hierarchischer Modelle und Modelle mit gemischten Effekten (oder mehrstufiger Modelle) sowie Bayes'scher Inferenztechniken. Alle Techniken werden anhand einer Vielzahl von realen Datensätzen veranschaulicht, und der Kurs wird verschiedene Modellierungsansätze für verschiedene Arten von Datensätzen betonen, je nach dem Studiendesign, das den Daten zugrunde liegt (unter Bezugnahme auf Kurs 1, Verstehen und Visualisieren von Daten mit Python). Während dieser Labor-basierten Sitzungen werden die Lernenden durch Tutorien arbeiten, die sich auf spezifische Fallstudien konzentrieren, um die statistischen Konzepte der Woche zu festigen, die weitere Vertiefungen in Python-Bibliotheken wie Statsmodels, Pandas und Seaborn beinhalten. Dieser Kurs nutzt die Jupyter Notebook-Umgebung von Coursera.