Předmět: Modern Regression Methods

» Seznam fakult » FBI » KBE
Název předmětu Modern Regression Methods
Kód předmětu KBE/785E
Organizační forma výuky Přednáška + Cvičení
Úroveň předmětu Magisterský
Rok studia nespecifikován
Semestr Zimní
Počet ECTS kreditů 6
Vyučovací jazyk angličtina
Statut předmětu unspecified
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Dostupnost předmětu Předmět je nabízen přijíždějícím studentům
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 - 32 hodin za semestr
  • Příprava na zkoušku - 16 hodin za semestr
Výstupy z učení
Students will learn about more advanced methods of statistical modelling and how to use them correctly. In this course I stress the complementarity of testing hypotheses and graphical exploration of data. I focus on the generalized linear models (GLM), but the other model types are also presented, whether they extend GLMs (loess, GAM, GLMM) or not (classification and regression trees, spatial processes analysis).
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).

Hodnoticí metody a kritéria
Písemná zkouška, Test, Průběžné hodnocení

Periodicita: předmět běží v akademických letech začínajících lichým letopočtem (např. 2017/2018). 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.
Doporučená literatura
  • Faraway (2006): Extending the Linear Model with R. Chapman & Hall/CRC, London.
  • Hastie & Tibshirani (1990): Generalized Additive Models. Chapman & Hall, London.
  • J. Fox (2008): Applied regression analysis and generalized linear models. Sage.
  • J.M. Chambers & T.J. Hastie (1992, eds): Statistical models in S. Wadsworth.
  • McCullagh & Nelder (1989): Generalized Linear Models. Chapman & Hall, London.
  • 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