Instituut voor toegepaste statistiek en data-analyse Geaccrediteerd door de Vereniging voor Statistiek

Cursus Bayesiaanse statistiek (3 dagen)

 Bayesiaanse statistiek: inleiding

Er zijn twee soorten statistiek en deze twee verschillen fundamenteel. De ene vorm, de klassieke, is ontwikkeld tussen 1930 en 1960, met als grote voorman Ronald Fisher. Deze theorie vult vrijwel alle leerboeken en ligt ten grondslag aan 80% van de wetenschappelijke publicaties over statistiek. De andere vorm heet de Bayesiaanse statistiek.

Bij Bayesiaanse kansen wordt uitgegaan van reeds bekende kansen, a-priori kansen, op basis van eerder onderzoek. Als de waarde hiervan niet bekend is, kan hiervoor ook het oordeel van een expert (ervaringsdeskundige) worden gevraagd. Hij zal dan een bepaalde waarschijnlijkheid toekennen aan gebeurtenissen.

De Bayesiaanse methoden zijn in de afgelopen tien jaar in populariteit gegroeid door de vondst van slimme methoden om de a-posteriori verdeling te simuleren. Methoden als MCMC en Bayesian Belief networks worden gebruikt om de Bayesiaanse gevolgtrekking te ondersteunen.

Succesvolle toepassingen van de Bayesiaanse statistiek zijn onder meer te vinden in de geneeskunde, economie, astronomie, archeologie, ruimtevaart en kernfysica.

Na afloop van de cursus zullen de cursisten in staat zijn zelfstandig Bayesiaanse statistische analyses op verantwoorde wijze uit te voeren.

Achtergrond

Er zijn enkele termen die gewoonlijk gebruikt worden door Bayesiaanse statistici. Eén daarvan is de a-priori waarschijnlijkheid, P(A). Dit is de kans dat een gebeurtenis is opgetreden voordat er ook maar enige data geobserveerd is. Een tweede term is de a-posteriori waarschijnlijkheid, P(A|B). Deze refereert naar de kans dat een gebeurtenis is opgetreden nadat met geobserveerde data rekening is gehouden. Een derde erg gebruikelijke term is de likelihood, P(B|A), deze wordt gebruikt om de conditionele kans te beschrijven van de data gegeven een bepaald model.

Inhoud

Module 1: Introduction Bayesian Analysis

  • Frequentist and Bayesian Analysis
  • Likelihood
  • Conditional probability
  • Bayes’ Rule/Principle Bayesian Analysis
  • Prior distributions: beta distribution
  • WinBugs
  • Examples
  • Summary
  • Practice

Module 2: Example Test Validation and Prevalence

  • One Test One population
  • Apparant Prevalence and True Prevalence
  • Expert Opinion and selection of Priors
  • Two Tests Two Populations
  • Validity of assumptions
  • Correlated Tests
  • Known Issues
  • Examples
  • Summary
  • Convergence and model fit
  • Gibbs sampler and convergence
  • Trace plots and Autocorrelation
  • Geweke’s test
  • Brooks Gelman Rubins test
  • Bayesian Model fit
  • Practice

Doelgroep

Onderzoekers die in hun werkveld geconfronteerd worden met data-analyse en daar graag meer dan alleen een klassiek statistische analyse van willen uitvoeren.

Cursusdata

6 december, 13 december, 20 december 2023
11 juni, 18 juni, 25 juni 2024

Kosten en inschrijving

De kosten van de 3-daagse cursus Bayesiaanse statistiek  bedragen € 2675. De cursusprijs is vrijgesteld van BTW (BTW-tarief 0%) en is inclusief cursusmateriaal, deelnamecertificaat, koffie/thee en lunch. De cursus gaat door bij minimaal vier cursisten per dag. Indien het minimaal benodigde aantal cursisten niet wordt behaald, kan de cursus voor een in overleg nader te bepalen meerprijs per dag voor een kleiner aantal cursisten worden gegeven.

Cursuslocatie

Europalaan 400, 5e verdieping
3526 KS Utrecht

Lestijden

De lestijden zijn van 9:15 tot 16:00, met uitloop tot uiterlijk 16:15.

Studiebelasting

De Bayesiaanse statistiek duurt 3 dagen. Per week kun je rekenen op 8 uur studielast, op de cursusdag zelf. Daarnaast ben je in je vrije tijd per week nog 2-4 uur bezig met de voorbereiding en verwerking van de cursusdag. Dit is afhankelijk van de intensiviteit van de lesstof en jouw eigen opleidingsachtergrond.

In-company training

De cursus Bayesiaanse Statistiek kan ook in-company worden gegeven. Een in-company training, ook wel in-house training of bedrijfstraining, is een training die binnen jouw organisatie plaatsvindt. Hebben meerdere collega’s in uw organisatie dezelfde leervraag? Dan is een in-company training zeer geschikt. Onze trainingsprogramma’s stemmen we af op leerwensen en –doelen van jou en je collega’s. Neemt u voor een maatwerkofferte contact op met Tridata.

Reference list Bayesian Analysis Course 2015

1. Branscum, A.J., Gardner, I.A. and Johnson, W.O. (2004) Bayesian modeling of animal and herd-level prevalence
2. Branscum, A.J., Johnson, W.O. and Gardner, I.A. (2004). Bayesian approach to sample size calculations for studies designed to estimate sensitivity and specificity
3. Branscum, Adam, Gardner, I.A. and Johnson, W.O. (2004) Estimation of diagnostic test sensitivity and specificity through Bayesian modeling
4. Choi, Y.K., Johnson, W.O. and Gardner, I.A. Bayesian ROC Curve Estimation Based on One or More Tests With and Without a Gold Standard
5. Choi, Y.K., Johnson, W.O. and Thurmond, M.C. (2004) Bayesian Probability Diagnostic Assignment
6. Enoe, Georgiadis and Johnson (2000) Estimation of sensitivity and specificity of diagnostic tests and disease prevalence when the true disease state is unknown, Prev Vet. Med.,
7. Fosgate, et al. (2002) Comparison of Rrucellosis Serologic Tests without a Gold Standard in Cattle and Water Buggalo (Bubalus bubalis) of Trinidad, Am J Vet Res,
8. Fosgate, et al. (2003) Receiver-operating characteristic (ROC) curves for detection of Brucella infection using a competitive enzyme-linked immunosorbent assay in cattle and water buffalo, Am J Vet Res,
9. Georgiadis, Gardner and Hedrick (1998) Field evaluation of Se and Sp of a PCR for detection of N. salmonis in rainbow trout, J. Aquatic Animal Health, 1998
10. Georgiadis, Johnson, Gardner and Singh (2003) Correlation-Adjusted estimation of sensitivity and specificity, Applied Statistics
11. Hui and Walter (1980) Estimating the error rates of diagnostic tests, Biometrics, 1980
12. Johnson, Gastwirth and Pearson (2001) creening without a gold standard: The Hui-Walter paradigm revisited, Am. J. Epi.
13. Johnson, Su and Gardner 2004) Sample size calculations for surveys to substantiate disease freedom; Biometrics
14. Joseph, Gyorkos and Coupal (1995) Bayesian estimation of disease prevalence and parameters for diagnostic tests in the absence of a gold standard, Am. J. Epi.
15. McInturff, Johnson, Gardner and Cowling (2003) Modeling risk when binary outcomes are subject to error; St. Med.
16. Singer, Boyce, Gardner et.al. (1998) Evaluation of bluetongue virus diagnostic tests in free-ranging bighorn sheep, Prev. Vet. Med.
17. Su, C.L., Gardner, I.A. and Johnson, W.O. (2004b). Bayesian Estimation of Herd Level Test Characteristics Based on Single, Joint and Sequential Testing
18. Su, C.L., Johnson, W.O. and Gardner, I.A. (2004c). Hierarchical Models for Bayesian Diagnostic Screening Without Cutoffs or Gold Standards: Applications to Prevalence Estimation
19. Su, Johnson, Gardner (2004a ) Diagnostic test accuracy and prevalence inferences based on joint and sequential testing with finite population sampling; Stat. Med.,
20. Thurmond, Johnson, Munoz, Su, Hietala (2002) Probability diagnostic assignment for serologic measures, with application to Neospora caninum infection, Am. J. Vet. Res.
21. WinBugs Version 1.3, (1.4) Spiegelhalter, Thomas and Best. Cambridge University. http://www.mrc-bsu.cam.ac.uk/bugs

Back To Top