линьки к R мануалам

коллекция ссылок от
Jeromy Anglim's Blog: Psychology and Statistics

Nets-Dats

Social Network Analysis Labs in R and SoNIA

McFarland, Daniel A., Solomon Messing, Michael Nowak and Sean J. Westwood.

To run the following labs install R (Linux, MacOS X or Windows) and execute the following command in R (this will download and install all needed packages and data):
source("http://sna.stanford.edu/setup.R")

Chapters

1. “Introductory Lab.” Nowak, Michael and Daniel A. McFarland. 2010.
2. “Methodological Beginnings – Basic Triadic and Cohesion Measures.” Nowak, Michael and Daniel A. McFarland. 2010.

3. “Clusters, Factions and Cores.” Nowak, Michael and Daniel A. McFarland.

4. “Centralities and Their Interrelation.” Sukumaran, Abhay,Michael Nowak and Daniel A. McFarland.

5. "Affiliation Data and Network Mobility." Messing, Solomon and Daniel A. McFarland. 2010.

6. "Structural Equivalences and Block-Modeling." Nowak, Michael, Solomon Messing, Sean J. Westwood and Daniel A. McFarland. 2010.

7. “Peer Influence and QAP Regression." Messing, Solomon, Sean J. Westwood and Daniel A. McFarland. 2010.
8. "Exponential-Family Random Graph Models.” Westwood, Sean J. and Daniel A. McFarland. 2010.
9. "Converting igraph to SoNIA with R." Westwood, Sean J. and Daniel A. McFarland. 2010.
10. "rSoNIA and Visualizing Social Network Dynamics." Bender-deMoll, Skye and Daniel A. McFarland. 2010.

Additional software

SoNIA is a Java-based package for visualizing dynamic or longitudinal "network" data. (This is a temporary download meant to fix SoNIA while a new release is under work)
Software required to run SoNIA:

• Java 1.6
• Flash player
  

Acknowledgements: Special thanks to Skye Bender-deMoll and James Moody. An earlier version of the introductory lab, the Exponential Random Graph Model lab, and rSoNIA lab were developed in collaboration with them. We have revised, extended and reorganized the content of those labs here.
This material is based upon work supported by the Office of the President at Stanford University and the National Science Foundation under Grants No. 0835614 and 0624134. Any opinions, findings, and conclusions or recommendations expressed in this material are those of the author(s) and do not necessarily reflect the views of Stanford University or the National Science Foundation.

---

• Stanford University

скрадено из R камуны ЖЖ

Добавлю свои две копейки в сообщество.

Здесь лежат материалы по анализу динамики социальных сетей в R с помощью приложения RSiena.

там же есть обмен мнениями и доп.ссылки

гугельный коммунизм

Групповой блог

С Blogger легко создать коллективный блог, позволяющий нескольким авторам участвовать в ведении единого блога. Вы можете выбрать, кто из членов команды будет иметь административные полномочия, а кто просто будет автором. Кроме того, свой блог можно сделать конфиденциальным и ограничить круг лиц, которые смогут его просматривать. Это позволит вам полностью контролировать блог.

автоматический подбор моделей

речь о коэффициентах модели, некоторые из которых не значимы, но значимость им, вообще говоря, и не требуется -- это же не проверка гипотез. Оказывается, R это делает автоматично:

A much more reliable guide to selecting terms in any model, including ARIMA models, is to use cross-validation or an approximation to it such as the AIC. The auto.arima()function from the forecast package in R uses the AIC by default and usually chooses a reasonably good model for forecasting. If users wish to experiment with other models, use the AIC for comparison not significance tests of the coefficients.

источник
AIC = Akaike’s Information Criterion

миграция SPSS>R

подумалось: наверно неплохо было бы иметь переводчик SPSS команд в R, но, судя по всему, его на самом деле нет
почему?
нашёл статью по миграции с интересным, но мало понятным текстом:
Для OpenOffice.org существует другой замечательный пакет под названием odfWeave, который выполняет ту же саму задачу, что и Sweave(), но в документе OpenOffice. Вам даже не требуется копировать и вставлять таблицы или диаграммы: просто напишите код программы R в своем документе, пропустите его через R (да-да, R может так сделать) и на выходе вы получите новый документ ODF с таблицами и диаграммами именно в тех местах, где вы написали код.

карты России

репост из ЖЖ _ab_

карта регионов России в R
Как известно, в R можно рисовать географические карты и наносить на них разную статистическую информацию. С картой мира, а также картой административных регионов некоторых стран (США, Франция, Италия, etc.), все просто -- они есть в пакетах maps и maptools в удобном формате.

С картой регионов России все сложнее -- ее в этих пакетах нет. В принципе, R умеет работать с ESRI shapefiles, хотя для этого требуется некоторая сноровка. Открытый слой границ субъектов РФ есть здесь. Однако проблема в том, что файл по ссылке содержит более 1500 строчек, т.е. многие регионы типа Архангельской области разбиты на мелкие кусочки. Это исключительно неудобно, когда нужно редактировать dbf-файл и объединять его с файлами, содержащими информацию на региональном уровне. К тому же, это слишком подробная карта -- часто нужен меньший уровень детализации границ регионов.

Соответственно, мои вопросы:

1) Известны ли кому-нибудь другие ESRI shapefiles c границами регионов России?
2) Если таких файлов в открытом доступе нет, возможно, есть люди, знакомые с GIS и R, которые могли бы перевести в удобный формат файл с Gis Lab, а еще лучше -- перевести его в формат R и выложить отдельным пакетом?

затык

R commander
при попытке прогнать логистическую регрессию получаю сообщение:
could not find function "is"
куда бежать?
насколько понимаю такой функции.нет ваще, есть is.нечто

R ссылки

.ру

• cсылки ин-та южных морей
• Статистика с большой буквы или R
• Rусский на вордпресе

.не.ру

• revolutionanalytics
• quickR for SPSS and others pax users
• r-statistics.com
• R bloggers
• An R Introduction to Statistics

RStudio

RStudio was announced

The window contains a smart editor with code completion and tabbing, console, workspace with viewable objects, plotting panel with history, etc. And it runs on all major platforms (or over the web if you have a linux server handy).

It is freeware. Download and installation was a breeze. I think this is my new working environment for R!
забыл добавить источник
существенный коммент:
I have launched it and played a bit. Although I am not sure about the encoding (UTF-8?). Just wow!

ещё о логистической

Logistic regression can be used to predict a dependent variable on the basis of continuous and/or categorical independents and to determine the effect size of the independent variables on the dependent; to rank the relative importance of independents; to assess interaction effects; and to understand the impact of covariate control variables. The impact of predictor variables is usually explained in terms of odds ratios.

...  logistic regression does not assume linearity of relationship between the independent variables and the dependent, does not require normally distributed variables, does not assume homoscedasticity, and in general has less stringent requirements.
from menu:

Analyze - Regression - Binary Logistic

Analyze - Regression - Multinomial Logistic

Logit regression, discussed separately, is another related option in SPSS for using loglinear methods to analyze one or more dependents.

BINARY LOGISTIC REGRESSION: DEPENDENTS	OUTCOME:
Binary variable is entered as a dependent	Highest is predicted, lowest is reference
	The reference level cannot be changed.
MULTINOMIAL LOGISTIC REGRESSION: DEPENDENTS
Binary or multinomial variable entered as dependent	Highest is reference, all others compared to it by default.
	Click "Reference Category" button to override the default.

в общем по ссылке ещё много и занудно

любопытно (перепост)

Japan's Phillips Curve Looks Like Japan

Source: Smith, G. Japan’s Phillips Curve Looks Like Japan. Gregor Smith. Queen’s Economics Department Working Paper No. 1083, Queen’s University

R ссылки и статистика вообще

В другом блоге написал о колмогоровской сложности, это меня занимает в связи с тремя сёстрами.

Прочитал хорошую идеологическую заметку о неправильном понимании статистики на Кошках, кстати рекомендую подписаться, дяденька пишет оч душевно и понятно + великолепное владение материлом.

И наконец ссылки, вписанные в сравнение R и МатЛаба.

Таблицы сопряженности в R

Таблицы сопряженности в R

Логистическая регрессия

офтоп про SPSS из онлайнового учебника социологического ф-та
мне важно поскольку сам метод ооочень популярен, но его смысла в толк не возьму -- никогда не видел результата, который был бы получен именно этим методом и не был бы понятен/получен простыми табуляциями

6.2. Логистическая регрессия

Предсказания событий, исследования связи событий с теми или иными факторами с нетерпением ждут от социологов. Будем считать, что событие в данных фиксируется дихотомической переменной (0 не произошло событие, 1 - произошло). Для построения модели предсказания можно было бы построить, к примеру, линейное регрессионное уравнение с зависимой дихотомической переменной Y, но оно будет не адекватно поставленной задаче, так как в классическом уравнении регрессии предполагается, что Y - непрерывная переменная. С этой целью рассматривается логистическая регрессия. Ее целью является построение модели прогноза вероятности события {Y=1} в зависимости от независимых переменных X¹,:,X^p. Иначе эта связь может быть выражена в виде зависимости P{Y=1|X}=f(X)
Логистическая регрессия выражает эту связь в виде формулы
, где Z=B₀+B₁X¹+:+B_pX^p (1).
Название "логистическая регрессия" происходит от названия логистического распределения, имеющего функцию распределения . Таким образом, модель, представленная этим видом регрессии, по сути, является функцией распределения этого закона, в которой в качестве аргумента используется линейная комбинация независимых переменных.

Отношение шансов и логит

Отношение вероятности того, что событие произойдет к вероятности того, что оно не произойдет P/(1-P) называется отношением шансов.
С этим отношением связано еще одно представление логистической регрессии, получаемое за счет непосредственного задания зависимой переменной в виде Z=Ln(P/(1-P)), где P=P{Y=1|X¹,:,X^p}. Переменная Z называется логитом.По сути дела, логистическая регрессия определяется уравнением регрессии Z=B₀+B₁X¹+:+B_pX^p.
В связи с этим отношение шансов может быть записано в следующем виде
P/(1-P)=.
Отсюда получается, что, если модель верна, при независимых X¹,:,X^pизменение X^k на единицу вызывает изменение отношения шансов в раз.

Решение уравнения с использованием логита.

Механизм решения такого уравнения можно представить следующим образом
1.        Получаются агрегированные данные по переменным X, в которых для каждой группы, характеризуемой значениями X_j= подсчитывается доля объектов, соответствующих событию {Y=1}. Эта доля является оценкой вероятности . В соответствии с этим, для каждой группы получается значение логита Z_j.
2.        На агрегированных данных оцениваются коэффициенты уравнения Z=B₀+B₁X¹+:+B_pX^p. К сожалению, дисперсия Z здесь зависит от значений X, поэтому при использовании логита применяется специальная техника оценки коэффициентов - взвешенной регрессии.
Еще одна особенность состоит в том, что в реальных данных очень часто группы по X оказываются однородными по Y, поэтому оценки оказываются равными нулю или единице. Таким образом, оценка логита для них не определена (для этих значений ).
В некоторых статистических пакетах такие группы объектов просто-напросто отбрасываются.
В настоящее время в статистическом пакете для оценки коэффициентов используется метод максимального правдоподобия, лишенный этого недостатка. Тем не менее, проблема, хотя и не в таком остром виде остается: если оценки вероятности для многих групп оказываются равными нулю или единице, оценки коэффициентов регрессии имеют слишком большую дисперсию. Поэтому, имея в качестве независимых переменных такие признаки, как душевой доход в сочетании с возрастом, их следует укрупнить по интервалам, приписав объектам средние значения интервалов.

Неколичественные данные

Если в обычной линейной регрессии для работы с неколичественными переменными нам приходилось подготавливать специальные индикаторные переменные, то в реализации логистической регрессии в SPSS это делается автоматически. Для этого в диалоговом окне специально предусмотрены средства, сообщающие пакету, что ту или иную переменную следует считать категориальной. При этом, чтобы не получить линейно зависимых переменных, максимальный код ее значения (или минимальный, в зависимости от задания процедуры) не перекодируется в дихотомическую (индексную) переменную. Впрочем, средства преобразования данных позволяют не учитывать любой код значения. Имеются другие способы перекодирования категориальных (неколичественных) переменных в несколько переменных, но мы будем пользоваться только указанным, как наиболее естественным.

Взаимодействие переменных

В процедуре логистической регрессии в SPSS предусмотрены средства для автоматического включения в уравнение переменных взаимодействий. В диалоговом окне в списке исходных переменных для этого следует выделить имена переменных, взаимодействия которых предполагается рассмотреть, затем переправить выделенные имена в окно независимых переменных кнопкой c текстом >a*b>.

Пример логистической регрессии и статистики

Процедура логистической регрессии в SPSS в диалоговом режиме вызывается из меню командой Statistics\Regression\Binary logistic:.
В качестве примера по данным RLMS изучим, как связано употребление спиртных напитков с зарплатой, полом, статусом (ранг руководителя), курит ли он.
Для этого подготовим данные: выберем в обследовании RLMS население старше 18 лет, сконструируем индикаторы курения (smoke) и пития (alcohol) (в обследовании задавался вопрос "Употребляли ли Вы в течении 30 дней алкогольные напитки")
COMPUTE filter_$=(vozr>18).
FILTER BY filter_$.
compute smoke=(dm71=1).
val lab smoke 1 "курит" 0 "не курит".
compute alcohol=(dm80=1).
val lab alcohol 1 "пьет" 0 "не пьет".
Укрупним переменную dj10 -(зарплата на основном рабочем месте). В данном случае группы по значениям этой переменной в основном достаточно наполнены, но мы с методической целью покажем один из способов укрупнения. Для этого вначале получаем переменную wage, которая содержит номера децилей по зарплате, затем среднюю зарплату по этим децилям (см. таблицу 6.5).
missing values dj6.0 (9997,9998,9999) dj10(99997,99998,99999).
RANK VARIABLES=dj10 (A) /NTILES (10) into wage /PRINT=YES /TIES=MEAN .
MEANS TABLES=dj10 BY wage /CELLS MEAN.
Таблица 6.5. Средняя зарплата по децилям.

WAGE децили зарплаты	1	2	3	4	5	6	7	8	9	10
DJ10 зарплата за 30 дней	101	211	307	416	542	703	853	1108	1565	3464

Полученные средние используем для формирования переменной, соответствующей укрупненной зарплате (для удобства, чтобы коэффициенты регрессии не были слишком малы, в качестве единицы ее измерения возьмем сто рублей).
recode wage (1=1.01) (2=2.11) (3=3.07) (4=4.16) (5=5.42) (6=7.03) (7=8.53) (8=11.08) (9=15.65) (10 =34.64).
recode dj6.0 (sysmis=4)(1 thru 5=1)(6 thru 10=2) (10 thru hi=3) into manag.
var lab manag "статус" wage "зaработок".
val lab manag 4 "не начальник" 1 "шеф" 2 "начальничек" 3 "начальник".
exec.
Далее формируем переменную manag - " статус" из переменной dj6.0 - количество подчиненных.
Запускаем команду построения регрессии LOGISTIC REGRESSION, в которой использованы переменные wage - зарплата, manag статус, dh5 - пол (1 мужчины, 2 женщины) smoke - курение (1 курит, 0 не курит), dh5* wage - "взаимодействие" пола с зарплатой (для женщин значение - 0, для мужчин - совпадает с зарплатой).
LOGISTIC REGRESSION VAR=alcohol /METHOD=ENTER wage manag dh5 smoke dh5*wage /CONTRAST (dh5)=Indicator /CONTRAST (manag)=Indicator /CONTRAST (smoke)=Indicator /PRINT=CI(95) /CRITERIA PIN(.05) POUT(.10) ITERATE(20) CUT(.69) .
В выдаче программа, прежде всего, сообщает о перекодировании данных:
Dependent Variable Encoding:
Original Internal
Value Value
.00 0
1.00 1
Следует обратить внимание, что зависимая переменная здесь должна быть дихотомической, и ее максимальный код считается кодом события, вероятность которого прогнозируется. Например, если Вы закодировали переменную ALCOHOL 1-употреблял, 2-не употреблял, то будет прогнозироваться вероятность не употребления алкоголя.
Далее идут сведения о кодировании индексных переменных для категориальных переменных; из-за их естественности мы их здесь не приводим.
Далее следуют обозначения для переменных взаимодействия, в нашем простом случае это:
Interactions:
INT_1 DH5(1) by WAGE

Качество подгонки логистической регрессии

Далее в выдаче появляется описательная информация о качестве подгонки модели:
-2 Log Likelihood 3289.971
Goodness of Fit 2830.214
Cox & Snell - R^2 .072
Nagelkerke - R^2 .102
которые означают:
·         -2 Log Likelihood - удвоенный логарифм функция правдоподобия со знаком минус;
·         Goodness of Fit - характеристика отличия наблюдаемых частот от ожидаемых;
·         Cox & Snell - R^2 и Nagelkerke - R^2 - псевдо коэффициенты детерминации, полученные на основе отношения функций правдоподобия моделей лишь с константой и со всеми коэффициентами.
Эти коэффициенты стоит использовать при сравнении очень похожих моделей на аналогичных данных, что практически нереально, поэтому мы не будем на них останавливаться.

Вероятность правильного предсказания

Рисунок 6.3. Классификационная таблица

На основе модели логистической регрессии можно строить предсказание произойдет или не произойдет событие {Y=1}. Правило предсказания, по умолчанию заложенное в процедуру LOGISTIC REGRESSION устроено по следующему принципу: если >0.5 считаем, что событие произойдет; ?0.5, считаем, что событие не произойдет. Это правило оптимально с точки зрения минимизации числа ошибок, но очень грубо с точки зрения исследования связи. Зачастую оказывается, что вероятность события P{Y=1} мала (значительно меньше 0.5) или велика (значительно больше 0.5), поэтому оказывается, что все имеющиеся в данных сочетания X предсказывают событие или все предсказывают противоположное событие.
Поэтому здесь необходима другая классификация, которая демонстрирует связь между зависимой и независимыми переменными. С этой целью стоит отнести к предсказываемому классу , для которых {Y=1} ожидается c большей вероятностью, чем в среднем, а остальные - к противоположному классу. В нашем случае доля употреблявших алкоголь равна 69% и мы к классу предсказанных значений отнесли значения X, для которых >0.69. Поэтому в процедуре указан параметр /CRITERIA CUT(.69). Связь между этими классификациями представлена таблица сопряженности (рмсунок 6.3). Но лучше в этой таблице вычислить процентные соотношения пользуясь EXCEL или калькулятором.
Таблица 6.6. Связь наблюдения и предсказания в логистической регрессии

Наблюдается	Предсказано
	Не пьет	Пьет	Всего
Не пьет	43.8%	21.5%	31.3%
Пьет	56.2%	78.5%	68.7%

Коэффициенты регрессии

Рисунок 6.4. Коэффициенты логистической регрессии

Основная информация содержится в таблице коэффициентов регрессии (рисунок 6.4). Прежде всего, следует обратить внимание на значимость коэффициентов. Наблюдаемая значимость вычисляется на основе статистики Вальда. Эта статистика связана с методом максимального правдоподобия и может быть использована при оценках разнообразных параметров.
Универсальность статистики Вальда позволяет оценить значимость не только отдельных переменных, но и в целом значимость категориальных переменных, несмотря на то, что они дезагрегированы на индексные переменные. Статистика Вальда имеет распределение хи-квадрат. Число степеней свободы, равно единице, если проверяется гипотеза о равенстве нулю коэффициента при обычной или индексной переменной и, для категориальной переменной, равно числу значений без единицы (числу соответствующих индексных переменных). Квадратный корень из статистики Вальда приближенно равен отношению величины коэффициента к его стандартной ошибке - так же выражается t-статистика в обычной линейной модели регрессии.

Рисунок 6.5. Экспоненты коэффициентов

В нашей таблице коэффициентов почти все переменные значимы на уровне значимости 5%. Закрыв глаза на возможное взаимодействие между независимыми переменными (коллинеарность), можно считать, что вероятность употребления алкоголя повышена при высокой зарплате, а также, у руководителей различного ранга. Из-за незначимости статистики Вальда нет, правда, полной уверенности относительно повышенной вероятности для начальников, имеющих более 10 подчиненных. Курение и принадлежность к мужскому полу также повышают эту вероятность, однако, взаимодействие "мужчина-зарплата" имеет обратное действие.
В этой же таблице присутствует аналог коэффициента корреляции (R), также построенный на основе статистики Вальда. Для обычных и индексных переменных положительные значения коэффициента свидетельствуют о положительной связи переменной с вероятностью события, отрицательные - об отрицательной связи.
Кроме того, мы выдали таблицу экспонент коэффициентов e^B и их доверительные границы (см. рисунок 6.5). Эта таблица выдана подкомандой /PRINT=CI(95) в команде задания логистической регрессии.
Согласно модели и полученным значениям коэффициентов, при фиксированных прочих переменных, принадлежность к мужскому полу увеличивает отношение шансов "пития" и "не пития" в 2.4 раза (точнее в 1.84-3.15 раза), курения - в 1.9 раза (1.54 - 2.35), а прибавка к зарплате 100 рублей - на 4.4% (2.8%-6%), правда такая прибавка мужчине одновременно уменьшает это отношение на 3.8% (5.7%-1.9%). Быть мелким начальником - значит увеличить отношение шансов в 1.43 (1.06 - 1.9) раза, чем в среднем, а средним начальником - в 1.7 (1.07-2.67) раза.

О статистике Вальда

Как отмечено в документации SPSS, недостаток статистики Вальда в том, что при малом числе наблюдений она может давать заниженные оценки наблюдаемой значимости коэффициентов. Для получения более точной информации о значимости переменных можно воспользоваться пошаговой регрессией, метод FORWARD LR (LR - likelihood ratio - отношение правдоподобия), тогда будет для каждой переменной выдана значимость включения/исключения, полученная на основе отношения функций правдоподобия модели. Поскольку основная выдача построена на основе статистики Вальда, первые выводы удобнее делать на ее основе, а потом уже уточнять результаты, если это необходимо.

• регрессионный анализ на томской биометрике
• мультиноминальная на хардлайне

там её называют мультиномальной -- не понятно: почему?

str и тип данных

Насколько я понимаю, тип данных можно посмотреть функцией str
(Это я почитываю A handbook of statistical analyses using R / Brian S. Everitt and Torsten Hothorn)

Two functions are helpful for getting an overview about R objects:
str and;
summary,
where str is more detailed about data types and summary gives a collection of sensible summary statistics.

Вопрос в том, что некоторые данные R прочитывает как факторы, то-есть, имена, хотя оне самые натуральные числа и даже действительные

выход str:

 $ CM11Y   : atomic  1976 2004 2005 2003 1993 ...
  ..- attr(*, "value.labels")= Named num  9999 9998 9997
  .. ..- attr(*, "names")= chr  "Missing" "DK" "Inconsistent"
 $ CM12    : Factor w/ 3 levels "","No","Yes": 2 3 3 2 2 2 2 2 1 1 ...

$ CM11Y -- год

$ CM12 -- тут на самом деле бинарная должна быть, а в исходнике continuous, хотя R интерпретировал верно

упг:
вот что пишет R Language Definition Version 2.12.1 (2010-12-16) DRAFT: R has six basic (‘atomic’) vector types: logical, integer, real, complex, string (or character) and raw. The modes and storage modes for the different vector types are listed in the following table.

2.1.2 Lists
Lists (“generic vectors”) are another kind of data storage. Lists have elements, each of which
can contain any type of R object, i.e. the elements of a list do not have to be of the same type. List elements are accessed through three different indexing operations. These are explained in< detail in Section 3.4 [Indexing], page 15.

Lists are vectors, and the basic vector types are referred to as atomic vectors where it is<
necessary to exclude lists.

HPC Application of R and Other Code for Biological Applications

The National Institute for Mathematical and Biological Synthesis (NIMBioS) is now accepting applications for its tutorial, "Migration from the Desktop: HPC Application of R and Other Code for Biological Applications" to be held May 9-11, 2011, at NIMBioS.

Objectives: As the number and size of available datasets continue to grow across all areas of biology, so do the computational resources required to analyze such datasets. Whether the researcher is a molecular or ecosystems biologist, questions that exceed the capabilities of desktop computers and that require the use of high performance computing (HPC) toolkits are now common. The goal of this workshop is to introduce the skills, strategies and techniques necessary to make the jump from desktop computing to HPC environments. The workshop will include lectures, case-studies, hands-on labs and small group discussions. The workshop will begin with the basics such as outlining the key differences between desktop computing and HPC, how to identify and access appropriate HPC resources, and choosing problems well-suited to the HPC environment. Visualization tools will also be introduced, as will topics in data management and best practices in development. Case studies, which are expected to include projects focused on sequence evolution, systems biology, and species distribution modeling, will provide concrete examples of how the shift from desktop to HPC computing can be achieved. We will present ways of using non-parallel code, for example R functions, in an HPC environment as a way to take advantage of the historical computational resources of the biological community. The tutorial is geared toward biologists (including students, postdocs and faculty) whose research has grown beyond what desktop computers can handle and require HPC to progress further. Participants will leave this tutorial with the skills to identify appropriate high performance computing resources for their research, perform a parameter sweep, address data storage issues, and use some common HPC tools in data analysis and visualization.

Location: NIMBioS at the University of Tennessee, Knoxville

Co-Organizers: Michael Gilchrist (Ecology and Evolutionary Biology and NIMBioS, UTK); Jian Huang (Electrical Engineering and Computer Science and RDAV, UTK); Eric Carr (HPC Specialist NIMBioS); Amy Szczepanski (Education, Outreach, and Training Coordinator, RDAV)

For more information about the tutorial and a link to the online application form, go to http://nimbios.org/tutorials/TT_hpc

If needed, applicants may request travel and lodging support. Participation is limited, and those selected to attend will be notified within two weeks of the application deadline. Application deadline: March 13, 2011

The National Institute for Mathematical and Biological Synthesis (NIMBioS) (http://www.nimbios.org) brings together researchers from around the world to collaborate across disciplinary boundaries to investigate solutions to basic and applied problems in the life sciences. NIMBioS is sponsored by the National Science Foundation, the U.S. Department of Homeland Security, and the U.S. Department of Agriculture with additional support from The University of Tennessee, Knoxville.


********************************
Catherine Crawley, Ph.D.
Communications Coordinator
National Institute for Mathematical and Biological Synthesis (NIMBioS)
University of Tennessee
1534 White Avenue
Knoxville, TN 37996-1527
Phone: (865) 974-9350
Fax: (865) 974-9461
Email: ccrawley@nimbios.org
http://www.nimbios.org
http://twitter.com/nimbios
To receive email notifications of blog updates, click here.
To sign up to receive our bi-monthly newsletter, click here.

Решил всё-таки открыть R блог

поскольку... решил
Название придумал medstat, я только цыферку поменял
Обсуждение проблемы началось в спссной комуне ЖЖ
Народ интересуется, не знаю только заработает ли это как комуна ?

Некоторые уже затронутые вопросы:

• есть ли русская комуна по теме в ЖЖ?
• В R есть аналог labels в SPSS?
• есть ли R с графическим интерфейсом?
• большой список, в конце о переходе SPSS>R
• любопытно на R есть power analysis, в SPSS не встречал