Regression - NSTP194

• Title: Regrese
• Guaranteed by: Department of Probability and Mathematical Statistics (32-KPMS)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2018
• Semester: winter
• E-Credits: 6
• Hours per week, examination: winter s.:4/0, Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: cancelled
• Language: Czech
• Teaching methods: full-time
• Teaching methods: full-time
• Guarantor: doc. RNDr. Karel Zvára, CSc.; doc. RNDr. Arnošt Komárek, Ph.D.
• Classification: Mathematics > Probability and Statistics
• Interchangeability : NMSA407
• Is co-requisite for: NSTP195
• Is incompatible with: NSTP094
• Is pre-requisite for: NSTP197, NSTP196

Annotation

English

Last update: T_KPMS (22.05.2008)

Linear regression, residual analysis, regression diagnostics. Nonlinear regression, measures of nonlinearity.

Czech

Last update: G_M (01.06.2009)

Lineární regresní modely, analýza reziduí, regresní diagnostika. Nelineární regrese, míry nelinearity. Předpoklady: NSTP201 a NSTP202 nebo NSTP097 nebo NMAI061

Aim of the course

English

Last update: T_KPMS (22.05.2008)

To explain how to describe the dependence of mean value of a normal distribution on a set of non-random variables.

Czech

Last update: T_KPMS (22.05.2008)

Naučit studenty vyšetřovat závislost střední hodnoty normálního rozdělení na nenáhodných veličinách.

Literature

Last update: ZVARA/MFF.CUNI.CZ (13.10.2008)

Weisberg S.: Applied linear regression

Zvára K.: Regresní analýza. Academia, Praha, 1989.

Zvára K.: Regrese. Matfyzpress, Praha, 2008.

Teaching methods

English

Last update: G_M (28.05.2008)

Lecture.

Czech

Last update: G_M (28.05.2008)

Přednáška.

Syllabus

English

Last update: T_KPMS (22.05.2008)

Linear regression, residual analysis, regression diagnostics. Nonlinear regression, measures of nonlinearity.

Czech

Last update: T_KPMS (22.05.2008)

1) Přehled potřebných tvrzení z lineární algebry (spektrální rozklad, singulární rozklad, ortonormální projekce).

2) Přehled potřebných tvrzení ve statistiky (mnohorozměrné normální rozdělení, střední čtvercová chyba, souvislost rozdělení F a beta, rozdělení kvadratických forem v N(0,I), rozdělení průmětu, odhad metodou maximální věrohodnosti, věrohodnostní poměr).

3) Lineární model, metoda nejmenších čtverců.

4) Normální lineární model, koeficient determinace, pásy spolehlivosti, regrese v programech BMDP NS, Statistica.

5) Model bez jednoho pozorování, rozdělení reziduí, normovaná a studentizovaná rezidua výpočet jednotlivých reziduí, jejich grafy.

6) Vliv jednotlivých pozorování, odlehlá a vzdálená pozorování, parciální rezidua.

7) Testování tvaru závislosti, stálost rozptylu, nezávislost.

8) Volba modelu, jejich porovnání, transformace dat.

9) Nelineární regrese: statistika, kvadratická aproximace, volba parametrického vyjádření, výpočet a interpretace odhadů v nelineární regresi.