统计推断
统计推断是数据统计分析的基础原理和方法的主体。在本课程中，我们介绍了良好的估计器和假设检验应该享有的理想属性，并将它们用作开发最佳估计器和测试程序的标准。这是从古典/频率派以及贝叶斯的角度完成的。
具有非参数回归的线性模型
介绍线性模型的理论和应用，包括多元回归、方差分析和协方差分析
介绍非参数回归技术的理论和应用，重点是局部多项式回归
Generalised Linear Models and Survival Analysis
本课程单元从线性和正态性开始，这是线性回归中非常严格的限制。我们研究将线性扩展到非线性和将正态扩展到一般类，称为指数分布族。生成的广义线性模型 (GLM) 包括作为特例的正态线性模型。它可用于分析离散数据，例如二项式和泊松计数，以及生物医学和工业应用中经常出现的分类数据。生存或事件发生时间数据具有积极价值，有时会受到审查。生存函数和危险函数是重要的概念，我们希望对它们进行非参数和参数估计。对于后者，通常使用比正态分布更合适的分布，例如 Weibull。还有一个或多个影响生存/风险函数的协变量的回归问题。将考虑比例风险、威布尔回归和加速故障时间模型。
多元统计
在实践中，大多数数据集都是多变量的，因为它们包含对许多个人或对象中的每一个的几个不同变量的观察。事实上，此类数据集出现在科学、社会科学和医学的许多领域，其分析技术构成了统计的一个重要领域。本课程单元介绍了许多技术，其中一些是单变量方法的推广，而另一些则是全新的（例如主成分分析）。本课程的主要部分侧重于与同名的 3 级模块相同的连续多变量数据。增强主要集中在离散数据的多变量方法上。
Design and Analysis of Experiments
许多领域的研究人员都进行了实验，包括生物学、医学、化学、物理学、工程和农业。在这样的实验中，结果受到研究因素的选择和实验误差（例如测量误差或实验单元之间固有的随机性）的影响。选择良好的实验设计可确保实现使用它的研究目标。此外，从此类设计的实验中收集的数据的统计分析简单，更易于解释，并且最有效地利用了实验资源。将介绍设计和分析实验的主要原则。涵盖了各种标准实验设计和使用它们获得的数据分析。将介绍实验设计最优性的标准。
统计计算
计算机是现代统计学家的宝贵工具。计算机能力的增强极大地增加了推理方法的范围和可以分析的模型类型。这导致了许多计算密集型统计方法的发展，其中许多方法将在本课程中介绍。
Markov Chain Monte Carlo
自20世纪80年代末以来，MCMC被广泛用于统计学，其应用范围不断扩大。本课程将介绍 MCMC 方法，特别是 Metropolis-Hastings 算法，它是所有 MCMC 的基础。将通过大量示例详细讨论 MCMC 的实现。
纵向数据分析
应用高级统计模型，包括具有相关随机误差的一般线性模型、线性混合模型、广义线性混合模型和广义估计方程，来分析纵向数据和聚类数据
区分这些模型对于连续和离散纵向数据和聚类数据的作用和功能
描述这些模型的参数估计理论和模型选择标准
比较纵向数据和聚类数据的边际模型和条件模型的优缺点
制定缺失数据模型，包括完全随机缺失、随机缺失和非随机缺失。对缺失数据进行统计分析
在统计软件 R 中实施这些统计方法以进行实际数据分析
