新南威尔士大学MATH5885的重点是随着时间的推移对响应曲线进行建模。因此，MATH5885汇集了用于连续和离散值响应测量的多元回归建模、时间序列建模和随机效应建模，旨在提高同学分析和理解大型复杂数据集的能力。主要的焦点是在生物医学研究中的应用，但是这些想法有更广泛的应用，例如在市场研究和社会调查中出现的小组研究。以下是MATH5885重点知识指南，有需要的同学一起来看看吧！

一、课程知识重点

1、纵向数据的特征

2、探索性数据分析

3、汇总统计和其他简单方法相关模型

4、相关数据的线性模型

5、最大似然估计和REML

6、线性混合模型

7、广义线性混合模型

8、缺失数据

二、课程考察重点

1、解释纵向数据的主要特征及其与横向数据的区别。

2、使用探索性数据分析技术，在纵向数据中使用R。

3、解释纵向数据中可能出现的不同类型的相关性，并为给定数据集中的相关性结构选择合适的模型。

4、推导相关数据的似然函数，并用其来计算最大似然估计。

5、解释残差最大似然估计(REML)的概念，并使用其来计算EML估计。

6、展示包含相关误差的线性模型如何用于分析纵向数据。

7、解释用于分析连续纵向数据的线性混合效应模型的理论，并展示如何扩展到用于分析非正态纵向数据的广义线性混合效应模型。

8、解释边际模型如何通过广义估计方程来分析非正态纵向数据。

9、解释参数的“特定受试者”和“总体平均”解释之间的区别。

10、对纵向研究中出现的不同类型的缺失数据进行分类，并解释对分析的影响。

11、使用R和SAS将研究的模型拟合到纵向数据集，并解释输出结果。

12、对所研究的模型进行估计和推断。

13、检查纵向数据模型的有效性。

14、解决与纵向数据分析相关的理论问题。

同学如果能够很好地掌握上面总结的新南威尔士大学MATH5885重点知识，那么应该就能取得不错的课程成绩。