KOMUNIKAT nr 2
Polskie Towarzystwo Geofizyczne
oraz Zakład Klimatologii i Ochrony Atmosfery Uniwersytetu Wrocławskiego
zapraszają na:
Siódme Warsztaty Geofizyczne
„Zastosowanie GLM (generalized linear models) i GAM (generalized additive models) w R”
które odbędą się w Karpaczu, w stacji ekologicznej Uniwersytetu Wrocławskiego w dniach 14-18 września 2026.
Zajęcia będą odbywały się od godzin popołudniowych w poniedziałek do popołudnia w czwartek. W piątek proponujemy wycieczkę na Śnieżkę połączoną ze zwiedzaniem obserwatorium meteorologicznego IMGW-PIB. Przyjazd uczestników przewidziany jest na poniedziałek 14 września w godzinach przedpołudniowych. Noclegi zaplanowane są w stacji ekologicznej Uniwersytetu Wrocławskiego „Storczyk”, który dysponuje pokojami kilkuosobowymi. W budynku jest dostępna dla uczestników kursu kuchnia. Przerwy obiadowe pozwalają na skorzystanie z barów i restauracji w Karpaczu.
Prowadzący: dr Bartosz Czernecki i dr Michał Marosz
Koszt warsztatów wynosi 750 zł dla członków PTGeof. i 850 zł dla pozostałych. Cena obejmuje noclegi i zajęcia, natomiast wyżywienie uczestnicy organizują we własnym zakresie. Opłatę za udział w Warsztatach proszę przesyłać na konto Polskiego Towarzystwa Geofizycznego: 67 2530 0008 2090 1078 3262 0001 z dopiskiem „Warsztaty, imię i nazwisko uczestnika”. Osoby, które chcą otrzymać fakturę proszę o przesłanie danych do faktury do pani prof. Agnieszki Wypych, skarbnika PTGeof. (agnieszka.wypych@uj.edu.pl).
Miejsce: STACJA EKOLOGICZNA „STORCZYK”, ul. Leśna 10, 58-540 Karpacz (http://www.storczyk.uni.wroc.pl/)
Plan zajęć:
Dzień 1: Wprowadzenie (prowadzący: dr Bartosz Czernecki, UAM)
Sesja 1. (14:00-16:30) Wprowadzenie do R – przypomnienie kluczowych elementów
• RoundTable
• Rozgrzewka:
struktury danych
dplyr/tidyverse
grafika z ggplot
Dzień 2: Kontynuacja wprowadzenia do R oraz Podstawy GLM i modele dla binarnej predyktanty (prowadzący: dr Bartosz Czernecki UAM, dr Michał Marosz, DataCraft LAB)
Sesja 1. (9:30–12:00) Sesja poranna
• Instrukcje programistyczne:
pętle
funkcje
instrukcje warunkowe
wektoryzacja
• Tworzenie kodu z użyciem AI
• Usprawnienia w pakiecie “climate”
Sesja 2. (13:15–14:45) Wprowadzenie do GLM: motywacja i podstawy teoretyczne
• Od regresji liniowej do modeli GLM: ograniczenia klasycznego OLS.
• Rodzina wykładnicza i jej właściwości.
• Składniki modelu GLM:
◦ składnik systematyczny (predictors),
◦ funkcja łącząca (link function),
◦ składnik losowy (error distribution).
• Struktura modelu
• Typowe rozkłady: dwumianowy, Poisson, Gamma.
Sesja 3. (15:00–16:30) Regresja logistyczna: budowa i kalibracja modelu
• Dane binarne i kodowanie zmiennych (0/1, czynniki).
• Składnia modelu: model <- glm(Y ~ X1 + X2, family = binomial(link=”logit”), data=df)
• Interpretacja funkcji łączącej (logit, probit, cloglog).
• Kalibracja modelu:
◦ dopasowanie (AIC, BIC, deviance),
◦ test istotności współczynników (summary(), anova()),
◦ selekcja zmiennych (stepAIC, drop1, add1).
• Przykład: prawdopodobieństwo wystąpienia zjawiska (np. choroby, sukcesu eksperymentu, zdarzenia pogodowego).
• Interpretacja współczynników i predykcje
◦ Log-odds i szanse (odds ratio)
◦ Przekształcanie wyników do wartości prawdopodobieństwa (predict(type=”response”)).
◦ Efekty brzegowe i wykresy efektów (effects, ggeffects, margins).
◦ Wizualizacja dopasowania i diagnostyka:
▪ library(ggeffects)
▪ ggpredict
Dzień 3: GLM (kontynuacja) + GAM (prowadzący: dr Michał Marosz, DataCraft LAB)
Sesja 1. (9:00–10:30) Ewaluacja modelu: jakość predykcji
• Macierz pomyłek i metryki jakości modelu:
◦ Accuracy, Sensitivity, Specificity, TPR, FPR
◦ Precision, Recall, F1-score. HSS
• Krzywa ROC i AUC:
◦ library(pROC)
◦ roc(response, fitted(model))
• Dobór punktu odcięcia (cutoff) – kompromis między TPR a FPR.
• Walidacja modelu:
◦ podział danych na zbiór uczący/testowy (caret, rsample),
◦ cross-validation (cv.glm).
• Analiza reszt (residuals(), influencePlot()).
• Mini case study: ocena klasyfikacji zjawiska binarnego.
Sesja 2. (10:45–12:15) Regresja Poissona
• Charakterystyka rozkładu Poissona (mean = variance).
• Interpretacja współczynników (efekt multiplikatywny).
• Problem nadmiernej zmienności (overdispersion).
• Diagnostyka (dispersiontest(), residual deviance).
• Wizualizacja wyników (ggplot2, visreg).
Sesja 3. (13:30–15:00)
Regresja quasi-Poissona i ujemna dwumianowa
• Koncepcja nadmiernej wariancji.
• Model quasi-Poissona
• Model Negative Binomial (MASS::glm.nb).
• Porównanie modeli (AIC, log-likelihood, test Vuonga).
Regresja Gamma
• Właściwości rozkładu Gamma (dodatnie wartości, asymetria).
• Funkcje łączące (inverse, log): glm(Y ~ X1 + X2, family = Gamma(link=”log”), data=df)
• Interpretacja parametrów i dopasowanie modelu.
• Diagnostyka i ocena jakości (residual plots, pseudo-R²).
Sesja 4. (15:15–16:45) GAMs – wprowadzenie
• Modele Addytywne (GAM)
• Przykład w R: library(mgcv)
Dzień 4: GAMs, Mini-projekt uczestników warsztatów
Sesja 1. (9:00–12:15, w tym 15 minut przerwy technicznej)
GAM – kontynuacja
• Wykresy efektów nieliniowych (plot.gam, vis.gam).
• Porównanie GLM vs GAM – kiedy warto stosować.
Sesja 2. (13:30 – 16:30) Miniprojekt
• Analiza własnego zestawu danych (binomial / count / continuous).
• Dobór rodziny i funkcji łączącej.
• Ocena modelu i wizualizacja wyników.
w imieniu Polskiego Towarzystwa Geofizycznego
Joanna Wibig