Pokročilé analytické metódy II
- Kredity: 12
- Ukončenie: Skúška
- Rozsah: 16sP
- Semester: letný
- Ročník: 1
- Fakulta hospodárskej informatiky
Vyučujúci
Zaradený v študijných programoch
Výsledky vzdelávania
Po úspešnom absolvovaní predmetu študenti porozumejú pomerne veľkej množine štatistických metód spadajúcich pod všeobecné a zovšeobecnené lineárne modely v širokých súvislostiach a budú schopní ich efektívne aplikovať vo svojej vedeckej práci.
Študenti získajú:
Vedomosti
− Študenti sa oboznámia so zjednocujúcim konceptom nad najčastejšie využívanými štatistickými metódami v oblasti Data Science ako sú t-test zhody stredných hodnôt, ANOVA, ANCOVA a regresná analýza,
− Získajú poznatky pre komplexnú analýzu vplyvu kvantitatívnych a kvalitatívnych faktorov na cieľovú premennú modelovanú prostredníctvom všeobecných a zovšeobecnených lineárnych modelov.
Zručnosti
− Študenti budú schopní použiť vhodný typ súčtu štvorcov pre adekvátne vyhodnotenie signifikantnosti vplyvu faktorov na cieľovú premennú.
− Budú vedieť zvoliť vhodný typ kódovania kategoriálnych faktorov pre riešenie príslušnej vedeckej otázky a správne interpretovať odhadnuté parametre všeobecných a zovšeobecnených lineárnych modelov pre zvolený typ kódovania.
− Osvoja si všeobecné postupy testovania a odhadovania odhadnuteľných lineárnych kombinácií a získajú zručnosť aplikovať ich prostredníctvom príkazov LSMEANS, CONTRAST, ESTIMATE a LSMESTIMATE v programovacom jazyku SAS.
− Získajú zručnosť využívať procedúry PROC GLM, PROC MIXED, PROC LOGISTIC, PROC GENMOD a PROC GLIMMIX v softvéri SAS a urobiť zásahy do programovacieho kódu SAS tak, aby to mohli využiť vo svojej vedeckej činnosti pri riešení špecifických úloh, prípadne za účelom hlbšej analýzy.
Kompetencie
− Študenti budú schopní analyzovať zložité vzťahy medzi ekonomickými javmi prostredníctvom všeobecných a zovšeobecnených lineárnych modelov (vrátane zmiešaných modelov).
− Naučia sa adekvátne aplikovať analýzu marginálnych stredných hodnôt a kontrastnú analýzu, vďaka ktorým dokážu naplno využiť potenciál štatistického modelovania v empirickom výskume.
Stručná osnova predmetu
1. konzultácia: ANOVA, ANCOVA a lineárna regresia vo forme všeobecných lineárnych modelov. Metóda zovšeobecnenej inverzie. Odhad parametrov všeobecných lineárnych modelov a ich interpretácia. Analýza marginálnych stredných hodnôt (LS means). Metódy viacnásobného porovnávania (post hoc tests).
2. konzultácia: Odhadnuteľné funkcie. Všeobecné lineárne hypotézy. Testovanie lineárnej hypotézy. Kontrastná analýza. Využitie odhadnuteľných funkcií v kontrastnej analýze a pri predikcii.
3. konzultácia: Logistická regresia a zovšeobecnené lineárne modely. Analýza marginálnych stredných hodnôt a kontrastná analýza v logistickej regresii a v zovšeobecnených lineárnych modeloch.
4. konzultácia: Všeobecné lineárne zmiešané modely a zovšeobecnené lineárne zmiešané modely. Analýza marginálnych stredných hodnôt a kontrastná analýza vo všeobecných a zovšeobecnených lineárnych zmiešaných modeloch.
Odporúčaná literatúra
1. Searle, S. R., Gruber, M. H. J. (2017). Linear Models. 2nd ed. John Wiley & Sons.
2. Littell, R. C., Stroup, W. W., Freund, R. J. (2010). SAS for Linear Models. 4th ed. Cary, NC: SAS Institute Inc.
3. Kim, K., Timm, N. (2006). Univariate and Multivariate General Linear Models: Theory and Applications with SAS. Chapman and Hall/CRC.
4. Rutherford, A. (2001). Introducing ANOVA and ANCOVA: a GLM Approach. Sage.
5. Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. New York: John Wiley & Sons.
6. Chen, H. (2008). Using ESTIMATE and CONTRAST Statements for Customized Hypothesis Tests. SAS Institute Inc. Paper SP09-2008.
7. Fox, J. (2015). Applied Regression Analysis and Generalized Linear Models. New York: Sage Publications.
8. Haans, A. (2018). Contrast analysis: A tutorial. Practical Assessment, Research, and Evaluation, 23(1), 9.
9. Lenth, R., V. (2016). Least-squares means: the R package lsmeans. Journal of Statistical Software. 69(1), 1-33.
10. SAS Institute Inc. (2017). The GLM Procedure. In SAS/STAT® 14.3 User’s Guide. Cary, NC: SAS Institute Inc.
11. Stroup, W. W., Milliken, G. A., Claassen, E. A., Wolfinger, R. D. (2018). SAS for Mixed Models: Introduction and Basic Applications. Cary, NC: SAS Institute.
12. Šoltés, E., Zelinová, S., Bilíková, M. (2019). General Linear Model: An Effective Tool for Analysis of Claim Severity in Motor Third Party Liability Insurance. Statistics in Transition: new Series. 20(4), 13-31.
13. Šoltés, E., Vojtková, M., & Šoltésová, T. (2018). Work Intensity of Households: Multinomial Logit Analysis and Correspondence Analysis for Slovak Republic. Statistika: Statistics and economy journal, 98(1), 19-36.
14. Hummel, R. M., Claassen, E. A., & Wolfinger, R. D. (2021). JMP for Mixed Models. Cary, NC: SAS Institute.
15. Kuznetsova. A.. Brockhoff. P. B.. & Christensen. R. H. B. (2017). lmerTest package: tests in linear mixed effects models. Journal of Statistical Software. 82(13).
16. Schad, D. J., Vasishth, S., Hohenstein, S., & Kliegl, R. (2020). How to capitalize on a priori contrasts in linear (mixed) models: A tutorial. Journal of Memory and Language, 110, 104038.
Literatúra bude priebežne aktualizovaná o najnovšie vedecké a odborné tituly.
Podmienky na absolvovanie predmetu
15 % - aktívna účasť na konzultáciách
25 % - vypracovanie semestrálneho projektu v štatistickom softvéri a/alebo open-source systéme (napr. v SAS, SPSS, R, Python)
25 % - prezentácia semestrálneho projektu
35 % - záverečná skúška
Pracovné zaťaženie študenta
Pracovné zaťaženie študenta (v hodinách): 312 h
účasť na konzultáciách: 16 h,
príprava na konzultácie: 80 h,
vypracovanie semestrálneho projektu: 128 h,
príprava na záverečnú skúšku: 88 h
Jazyk, ktorého znalosť je potrebná na absolvovanie predmetu
Slovenský jazyk
Dátum schválenia: 11.03.2024
Dátum poslednej zmeny: 03.02.2022
Dátum schválenia: 11.03.2024
Dátum poslednej zmeny: 03.02.2022