Week 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
Week Module 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。 （数据来源：2025 S2 Course Profile Learning Activities）
count dataoverdispersionGEE for countscorrelated counts
💡 学习提示
• 总结 Module 6 Methods for longitudinal & correlated count data 的核心概念与适用场景
• 说明 Module 6 Methods for longitudinal & correlated count data 的建模/推断流程与关键假设
• 列出 Module 6 Methods for longitudinal & correlated count data 常见错误并给出改进建议
