Zobecněné lineární modely - NMFP402

• Anglický název: Generalized Linear Models
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2024
• Semestr: letní
• E-Kredity: 5
• Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina, čeština
• Způsob výuky: prezenční
• Je zajišťováno předmětem: NMST412
• Garant: doc. Mgr. Michal Kulich, Ph.D.
• Třída: M Mgr. FPM; M Mgr. FPM > Povinné
• Kategorizace předmětu: Matematika > Finanční a pojistná matematika
• Neslučitelnost : NMST412, NMST432
• Prerekvizity : NMFP401
• Záměnnost : NMST412
• Je neslučitelnost pro: NMST412
• Ve slož. prerekvizitě: NMST539, NMST547

Anotace

čeština

Předmět rozšiřuje základy lineární regrese. Učí se zde regresní modely pro nenormální data a diskrétní rozdělení. Cvičení je kombinací teoretických a praktických úloh, ale jádro spočívá v analýzách různých typů ekonometrických, finančních a technických dat a zahrnuje závěrečný projekt.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (11.12.2020)

angličtina

This course extends the foundations of linear regression. It covers regression models for non-normal data and discrete responses. The practice sessions combine theoretical and practical exercises with main focus on analyses of various types of econometric, financial and technical data. The course includes a final project.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (11.12.2020)

Cíl předmětu

čeština

Seznámit studenty s regresními modely pro nenormální data.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

angličtina

To explain regression models for non-normal data.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

Podmínky zakončení předmětu

Tutorial credit requirements:

Three homework assignments will be given during the semester. Each homework solution will be assessed as one of the following: Satisfactory (worth 2 points), Borderline satisfactory (worth 1 point), Unsatisfactory (0 points). Only students who get in total at least 5 points will get the course credit. It is possible to correct one borderline satisfactory report. An unsatisfactory report cannot be corrected.

The nature of these requirements precludes any possibility of additional attempts to obtain the tutorial credit. The tutorial credit is necessary to sign up for the exam.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (10.02.2025)

Literatura

čeština

J.W. Hardin and J.M. Hilbe: Generalized Linear Model and Extensions. StataPress, 2007.

A. Agresti: Categorical Data Analysis. Wiley, 1990.

Poslední úprava: Branda Martin, doc. RNDr., Ph.D. (11.12.2020)

angličtina

J.W. Hardin and J.M. Hilbe: Generalized Linear Model and Extensions. StataPress, 2007.

A. Agresti: Categorical Data Analysis. Wiley, 1990.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

Metody výuky

čeština

Přednáška + cvičení.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

angličtina

Lecture + exercises.

Poslední úprava: Zichová Jitka, RNDr., Dr. (20.05.2022)

Požadavky ke zkoušce

The exam has two parts: (1) Evaluation of applied project report and (2) Theoretical oral part. To pass the exam, both parts need to be passed.

Requirements for the exam comprise the entire contents of the lectures and exercise sessions.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

Sylabus

čeština

1. Zobecněný lineární model

2. Regrese pro binární data

3. Loglineární model

4. Rozšíření zobecněného lineárního modelu, kvazivěrohodnost, sandwichové odhady rozptylu

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

angličtina

1. Generalized linear model

2. Binary response regression

3. Loglinear model

4. Extensions of generalized linear model, quasilikelihood, sandwich estimator of variance

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)

Vstupní požadavky

This course assumes mid-level knowledge of linear regression (both theory and applications) and good understanding of maximum likelihood theory.

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (11.12.2020)