Předmět: Základy moderních regresních metod

» Seznam fakult » FBI » KBE
Název předmětu Základy moderních regresních metod
Kód předmětu KBE/050
Organizační forma výuky Přednáška + Cvičení
Úroveň předmětu Magisterský
Rok studia nespecifikován
Semestr -
Počet ECTS kreditů 7
Vyučovací jazyk čeština
Statut předmětu unspecified
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Šmilauer Petr, doc. RNDr. Ph.D.
Obsah předmětu
Obsah přednášky: Úvod k programovacímu jazyku S a programu R (2 týdny), zopakování a doplnění lineárních regresních modelů a ANOVA (2 týdny), zobecněné lineární modely (2 týdny), zobecněné aditivní modely, klasifikační a regresní stromy, analýza přežívání, lineární modely se smíšenými efekty, volba a kombinování regresních modelů Obsah cvičení: Doplňuje obsah přednášky, není od ní časově odděleno, prolíná se Studenti během kurzu vypracovávají 5-6 domácích úkolů, kterými si procvičují probrané typy modelů

Studijní aktivity a metody výuky
Monologická (výklad, přednáška, instruktáž), Demonstrace, Projekce (statická, dynamická), e-learning
  • Účast na výuce - 56 hodin za semestr
  • Domácí příprava na výuku - 42 hodin za semestr
  • Příprava na zápočet - 16 hodin za semestr
  • Příprava na zkoušku - 60 hodin za semestr
Výstupy z učení
Kurz poskytuje alternativní pohled na základní typy statistických modelů a dále je rozšiřuje zavedením nových, pokročilejších modelů. Těžištěm kurzu jsou zobecněné lineární modely (GLM), ale jsou uvedeny i další typy, ať již na LM/GLM navazují (zobecněné aditivní modely, modely se smíšenými efekty) nebo ne (analýza přežívání či klasifikační a regresní stromy, CART). Důraz je kladen na komplementaritu testování hypotéz, posouzení velikosti efektů a grafické explorace dat.
Studenti se naučí: (1) pracovat s programem R v prostředí Microsoft Windows, včetně importu dat z tabulkového procesoru (2) vhodně zvolit a použít lineární či zobecněný lineární model pro analýzu dat a provádět pro fitované modely regresní diagnostiku (3) vybrat si vhodnou metodu pro analýzu událostí v čase, s typickou aplikací v analýze přežívání (4) správně aplikovat metodu regresních či klasifikačních stromů, v závislosti na typu vysvětlované proměnné a provést krosvalidaci pro určení optimální složitosti stromu (5) pracovat s jednoduššími typy lineárních a nelineárních modelů se smíšenými efekty
Předpoklady
Studenti již mají základní znalost testování statistických hypotéz a základních typů lineárních modelů (včetně modelů ANOVA).
KBE/012

Hodnoticí metody a kritéria
Písemná zkouška, Test, Průběžné hodnocení

Periodicita: předmět běží v akademických letech začínajících sudým letopočtem (např. 2018/2019). Studenti by měli průběžně dodávané studijní materiály prostudovat před jejich probíráním s přednášejícím. Studentům jsou v průběhu semestru zadávány domácí úkoly (5-7), které jsou bodovány přednášejícím. Cvičení se časově prolínají s přednáškou, nejsou oddělena. Účast na cvičeních je kontrolována.
Doporučená literatura
  • J. Fox (2008): Applied regression analysis and generalized linear models. Sage.
  • J.M. Chambers & T.J. Hastie (1992, eds): Statistical models in S. Wadsworth.
  • T.J. Hastie & R. Tibshirani (1990): Generalized additive models. Chapman & Hall.


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru Doporučený ročník Doporučený semestr