Regresná a korelačná analýza
- Kredity: 6
- Ukončenie: Skúška
- Rozsah: 2P + 2C
- Semester: zimný
- Ročník: 1
- Fakulta hospodárskej informatiky
Vyučujúci
Zaradený v študijných programoch
Výsledky vzdelávania
Po úspešnom absolvovaní predmetu budú študenti schopní analyzovať vzťahy medzi štatistickými premennými prostredníctvom viacnásobnej regresnej a korelačnej analýzy. Študenti získajú:
Vedomosti
− Získajú poznatky o pojmoch, princípoch, metódach a postupoch používaných vo viacnásobnej regresnej a korelačnej analýze.
− Získajú poznatky o postupoch a metódach overenia predpokladov o náhodnej zložke, o dôsledkoch porušenia týchto predpokladov a o riešení takýchto problémov.
− Porozumejú prepojeniu medzi metódami regresnej analýzy a metódami korelačnej analýzy.
Zručnosti
− Študenti budú schopní realizovať výpočty k predmetným štatistickým postupom jednak vlastným výpočtom (najmä s využitím maticového počtu), ako aj s využitím profesionálneho analyticko-štatistického softvéru SAS.
− Študenti sa naučia adekvátne aplikovať postupy a metódy regresnej a korelačnej analýzy a interpretovať z nich plynúce výsledky.
− Naučia sa kriticky myslieť pri rozlišovaní kauzálnej a zdanlivej závislosti a pri výbere prediktorov.
Kompetencie
− Študenti budú schopní uvedené vedomosti a zručnosti vhodne využiť pri riešení praktických úloh z hospodárskej praxe.
Stručná osnova predmetu
Predmet Regresná a korelačná analýza poskytuje študentom komplexné poznatky a zručnosti z oblasti viacnásobnej regresnej analýzy a korelačnej analýzy, ktoré patria medzi najčastejšie využívané štatistické metódy v oblasti ekonómie a manažmentu, a to v praxi a aj vo výskume. Študenti využijú poznatky získané na tomto predmete vo viacerých ďalších predmetoch, či už pri rôznych iných formách regresnej analýzy alebo pri komplexných postupoch analýzy dát ako napr. v data miningu alebo machine learningu.
Odporúčaná literatúra
1. Šoltés, E. (2019). Regresná a korelačná analýza s aplikáciami v softvéri SAS. Bratislava: Letra Edu.
2. Šoltés, E. (2020). Regresná a korelačná analýza s aplikáciami v softvéri SAS – zbierka príkladov. Bratislava: Letra Edu.
3. SAS Institute Inc. (2017). The REG Procedure. In SAS/STAT®14.3 User’s Guide. Cary, NC: SAS Institute Inc.
4. Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Mason: South-Western.
5. Hebák, P., Hustopecký, J., Malá, I. (2005). Vícerozměrné statistické metody (2). Praha: Informatorium.
6. Darlington, R. B., Hayes, A. F. (2016). Regression Analysis and Linear Models: Concepts, Applications and Implementation. Guilford Publications.
7. Fox, J. (2015). Applied Regression Analysis and Generalized Linear Models. Sage Publications.
8. Belsley, D. A., Kuh, E., Welsh, R. E. (1980). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. New York: John Wiley & Sons, Inc.
9. MacKinnon, J. G. – White, H. (1985). Some Heteroskedasticity-Consistent Covariance Matrix Estimators with Improved Finite Sample Properties. Journal of econometrics, 29(3), 305-325.
Literatúra bude priebežne aktualizovaná o najnovšie vedecké a odborné tituly.
Sylabus predmetu
1. Úvod do viacnásobnej regresnej a korelačnej analýzy. Klasický lineárny regresný model (KLRM) a spôsoby odhadu jeho parametrov. 2. Overenie štatistickej významnosti regresného modelu a individuálneho prínosu vysvetľujúcich premenných. 3. Induktívne úsudky o parametroch KLRM. Intervaly spoľahlivosti pre strednú a individuálnu hodnotu vysvetľovanej premennej. 4. Korelačná analýza. Jednoduché korelačné charakteristiky a induktívne úsudky o nich. 5. Viacnásobné a parciálne korelačné charakteristiky a induktívne úsudky o nich. 6. Multikolinearita. 7. Metódy výberu vysvetľujúcich premenných. 8. Projekčná matica. Rôzne typy rezíduí. Diagnostikovanie vplyvných pozorovaní. 9. Grafická analýza rezíduí. Predpoklad o homoskedasticite náhodnej zložky – jej overenie, dôsledky jej porušenia a riešenie tohto problému. 10. Predpoklad o nezávislosti náhodných chýb a predpoklad o normálnom rozdelení náhodnej zložky – ich overenie, dôsledky ich porušenia a riešenie týchto problémov. 11. Zovšeobecnený lineárny regresný model. 12. Odhad nelineárnych regresných modelov. 13. Zhrnutie
Podmienky na absolvovanie predmetu
20 % dve priebežné písomné práce
20 % semestrálny projekt spracovaný v SAS Enterprise Guide
60 % písomná skúška (25 % teoretická časť, 35 % praktická časť)
Pracovné zaťaženie študenta
Pracovné zaťaženie študenta (v hodinách): 156 h
účasť na prednáškach 26 h,
účasť na cvičeniach 26 h,
príprava na cvičenia 26 h,
príprava na priebežné písomky 26 h,
vypracovanie projektu 26 h,
príprava na skúšku 26 h
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu
Slovenský jazyk
Dátum schválenia: 11.03.2024
Dátum poslednej zmeny: 02.02.2022
Dátum schválenia: 11.03.2024
Dátum poslednej zmeny: 02.02.2022