研究项目：MIT基于时间序列模型的卫生统计数据分析与公共健康研究-托普仕留学

托普仕留学>背景提升>研究项目>正文

研究项目：MIT基于时间序列模型的卫生统计数据分析与公共健康研究

2024-04-01 17:03:35

项目基本信息

专业类别

理工

参加形式

线上

适合人群

对数学、生物统计、数据科学、公共卫生数据分析等专业感兴趣的学生

导师介绍

Peter

麻省理工学院 (MIT) 终身教职

Peter 导师以优异的成绩获得哈佛大学(Harvard University)应用数学学士学位，并当选为Phi Beta Kappa Alpha Chapter的成员。后续他攻读统计学，获得了帝国理工学院(Imperial College London)的硕士学位以及加州大学伯克利分校(University of California Berkeley)的博士学位。Peter 曾任哈佛大学统计系教授，任教期间获得了美国国家科学基金会的博士后数学科学研究奖学金。随后成为麻省理工学院Sloan管理学院终身教授兼首席研究科学家，在经济和管理科学计算研究中心(CCREMS)和国际金融服务研究中心(IFSRC)进行研究。他是风险管理项目组的积极成员，并开发了纳入行业标准RiskMetrics方法论的分析方法。现为麻省理工学院数学系金融数学与统计讲师。2014年在北京交通大学全球暑期学校任教期间，被聘为计算机与信息技术学院特聘教授。

项目背景

时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列构成要素是：现象所属的时间，反映现象发展水平的指标数值。

项目大纲

一、项目大纲

时间序列分析导论 Graphing Time Series

数据预测工具 Tools of Forecasting

预估噪声序列的时间序列相关性检验固定的流程 Testing estimated noise sequences for time series dependence; stationary processes

时间序列分解研究 Decomposing Time Series

季节性模型、平滑模型和趋势模型;模型选择和应用 Exponential Smoothing

学术研讨1 Final Project Phase I

学术研讨1 Final Project Phase II

项目回顾和成果展示 Program Review and Presentation

论文辅导Project Deliverables Tutoring

二、项目介绍

开始日期: 2024-04-20

本课程将重点介绍数学模型时间序列分析的基本方法和模型及其在不同领域(公共卫生、健康、人口、生物统计)数据分析中的应用。本课程将融合计算机编程的R语言辅助统计模型在多维度的数据中的处理分析。目前，主流数学统计数据分析往往会以图形方法来进行呈现，这些可视化方法被用于大数据探索、分析模型的有效性验证和数据预测结果的展现。在本课程中，导师开发并应用了趋势和季节性的重要时间序列模型，包括经典分解和多级指数平滑模型。同时导师将利用真实世界的时间序列数据(包括美国联邦储备局、世界银行和政府机构公卫数据)对本课程中涵盖的统计概率方法进行分析和实践应用。

三、适合人群

适合年级 (Grade): 高中生/大学生

适合专业 (Major): 对数学、统计概率、生物统计、经济统计、数据科学、公共卫生数据分析等专业感兴趣的学生;学生必须具备统计概率等相关知识并熟练掌握R语言。

建议选修: R语言统计分析速成

课时安排

7周在线小组科研学习+5周不限时论文指导学习

报名方式