Deloitte
6 位校友岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer
STAT7610
数据分析
2 学分难度 超难
课程定位 STAT7610（Longitudinal and Correlated Data）是 UQ 课程体系中兼顾理论与实践的一门超难课程，核心目标是把“会看懂”升级为“会分析、会实现、会解释”。课程通常承担承上启下作用：前接基础概念，后接更高阶专题或项目。对准备走软件、数据、工程或研究路径的同学来说，这类课程的价值不只在分数，更在于建立可迁移的方法框架和稳定交付能力。 技术栈与学习内容 学习内容通常覆盖该方向的关键概念、方法与工具链，并通过练习或作业落实到具体场景。常见会使用 Python、R、MATLAB、C/C++ 或课程指定软件（以官方课纲为准）。课程强调的不只是“得到答案”，还包括假设条件、步骤完整性、结果解释与复现性。也就是说，你需要同时训练知识准确度、实现质量和表达清晰度。 课程结构 课程一般按周推进，前段搭建概念框架，中段进入题型训练与案例应用，后段做综合整合与评估冲刺。考核常见组合为 Quiz/Lab、作业、报告和期末评估。评分不仅看正确率，也看分析逻辑、书写/代码规范与结论表达。多数同学真正拉开差距的阶段在中后期：是否能持续输出，而不是临近截止日突击。 适合人群 适合希望夯实底层能力、提升问题拆解与建模能力、并改善学术或工程表达的同学。若你计划继续修读高阶课程，或希望在实习与求职中提升“把事情做对并讲清楚”的竞争力，这门
Course decision
选课先看
先看考核重心、截止节奏和入门要求，再决定这门课是否适合你的学期安排。
考核总权重
100%
4 项考核
最高单项
40%
Major Project/Thesis
期末考试
未注明
以官方 outline 为准
Hurdle
未列出
当前考核表没有 Hurdle 标记
What you learn
学完能做什么
学习成果来自官方 Unit Outline，关键词来自这门课的逐周主题。
课程能力关键词
paired dataclustered datarandom effectsGEEbetween/within-cluster comparisonslong vs widesummary measureslongitudinal plotssample size in CRTsmarginal modelestimating equationscorrelation structuresrobust variancemixed models
Syllabus
每周大纲
默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。
Module 1 Introduction: paired data and simple clustering
### 📊 核心知识点：Module 1 Introduction: paired data and simple clustering 本周依据官方周度主题“Module 1 Introduction: paired data and simple clustering”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: paired data, clustered data, random effects, GEE, between/within-cluster comparisons ⏰ **本周节奏**: 难度 ⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 1 Introduction: paired data and simple clustering
### 📊 核心知识点：Module 1 Introduction: paired data and simple clustering 本周依据官方周度主题“Module 1 Introduction: paired data and simple clustering”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: paired data, clustered data, random effects, GEE, between/within-cluster comparisons ⏰ **本周节奏**: 难度 ⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 2 Exploratory analysis and simple methods using summary measures
### 📊 核心知识点：Module 2 Exploratory analysis and simple methods using summary measures 本周依据官方周度主题“Module 2 Exploratory analysis and simple methods using summary measures”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: long vs wide, summary measures, longitudinal plots, sample size in CRTs ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 2 Exploratory analysis and simple methods using summary measures
### 📊 核心知识点：Module 2 Exploratory analysis and simple methods using summary measures 本周依据官方周度主题“Module 2 Exploratory analysis and simple methods using summary measures”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: long vs wide, summary measures, longitudinal plots, sample size in CRTs ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 8h（Lecture 3h + 自学 3h + 实践 2h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach
### 📊 核心知识点：Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach 本周依据官方周度主题“Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: marginal model, estimating equations, correlation structures, robust variance ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach
### 📊 核心知识点：Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach 本周依据官方周度主题“Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: marginal model, estimating equations, correlation structures, robust variance ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach
### 📊 核心知识点：Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach 本周依据官方周度主题“Module 3 Modelling longitudinal continuous outcomes: estimating equations (marginal model) approach”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: marginal model, estimating equations, correlation structures, robust variance ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 4 Modelling longitudinal continuous outcomes: mixed models approach
### 📊 核心知识点：Module 4 Modelling longitudinal continuous outcomes: mixed models approach 本周依据官方周度主题“Module 4 Modelling longitudinal continuous outcomes: mixed models approach”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: mixed models, random intercept/slope, likelihood-based, correlation structure selection ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 4 Modelling longitudinal continuous outcomes: mixed models approach
### 📊 核心知识点：Module 4 Modelling longitudinal continuous outcomes: mixed models approach 本周依据官方周度主题“Module 4 Modelling longitudinal continuous outcomes: mixed models approach”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: mixed models, random intercept/slope, likelihood-based, correlation structure selection ⏰ **本周节奏**: 难度 ⭐⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM)
### 📊 核心知识点：Module 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM) 本周依据官方周度主题“Module 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM)”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: binary outcomes, GEE, GLMM, logistic regression extension ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM)
### 📊 核心知识点：Module 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM) 本周依据官方周度主题“Module 5 Methods for discrete data: GEE and generalized linear mixed models (GLMM)”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: binary outcomes, GEE, GLMM, logistic regression extension ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated countsModule 6 Methods for longitudinal & correlated count data
### 📊 核心知识点：Module 6 Methods for longitudinal & correlated count data 本周依据官方周度主题“Module 6 Methods for longitudinal & correlated count data”展开，围绕纵向/相关数据的建模思路、假设条件与结果解释构建完整分析链路。重点训练从研究问题到模型设定与推断解释的能力。 - **核心概念/公式**: count data, overdispersion, GEE for counts, correlated counts ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 3h + 自学 3h + 实践 3h） 🎯 **考试关联**: 重点考查模型设定、相关结构选择与参数解释，常见为概念题与计算/推断题结合。 🧪 **Tutorial/Lab**: 结合 Stata 或 R 完成纵向/相关数据分析练习，输出模型摘要与结论解释。 📌 **作业关联**: 本模块内容直接支撑短答题与报告作业（Modules 1-6）。 ⚠️ **易错点**: 忽略相关结构假设；把 GEE 与混合模型的参数解释混淆；忽略稳健方差的作用。
count dataoverdispersionGEE for countscorrelated counts
Assessment
考核结构
Project Milestone
里程碑交付，评估研究设计与进度。
30%
Major Project/Thesis
核心项目或论文工作。
40%
Report/Presentation
结果报告与展示。
20%
Final Evaluation
期末综合评估。
10%
Assignments
作业详情
Assignment 1: Statistical Analysis
STAT7610 Longitudinal and Correlated Data 的统计分析与方法验证任务。
重点: 完成从数据处理到模型解释的完整流程。
要求:提交分析报告、代码与关键图表。
⏱ 预计 28 小时
Assignment 2: Integrated Modelling Project
完成综合建模项目或专题研究任务。
重点: 方法选择、结果解释、复现与沟通表达。
要求:包含项目成果、展示材料与复盘。
⏱ 预计 36 小时
From Seniors
学长留下的
基础信息谁都查得到,真正值钱的是过来人的经验。
学姐说
比你早一年的学长留下的真实经验 —— ChatGPT 给不了。
这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。
往年考点 / 踩坑
这门课暂无往年考点记录。
毕业生去向(整体)
下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。
统计自 317 份脱敏校友证言
Zerologix
4 位校友岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer
Servian
4 位校友岗位:Full-stack Developer · Data Engineer · Consultant
关于这块数据,我们说实话
雇主墙来自脱敏毕业生证言（testimonials）的整体分布，无法关联到具体学员或其所选课程；仅作为毕业生去向的总体社会证明展示。
我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。