Zobecněné lineární modely - NMST412

• Anglický název: Generalized Linear Models
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2023
• 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
• Další informace: http://www.karlin.mff.cuni.cz/~kulich/vyuka/glm/index.html
• Garant: doc. Mgr. Michal Kulich, Ph.D.
• Vyučující: RNDr. Šárka Hudecová, Ph.D.; prof. RNDr. Arnošt Komárek, Ph.D.; doc. Mgr. Michal Kulich, Ph.D.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Neslučitelnost : NMFP402, NMST432
• Prerekvizity : NMSA407
• Záměnnost : NMST432
• Je neslučitelnost pro: NMFP402
• Je prerekvizitou pro: NMST551, NMEK521, NMST532, NMST552
• Je záměnnost pro: NMFP402
• Ve slož. prerekvizitě: NMST539, NMST547

Anotace

čeština

Navazuje na předmět NMSA407 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, lékařských a technických dat a zahrnuje závěrečný projekt.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

Continuation of the course NMSA407 Linear Regression. This course covers regression models for non-normal data and discrete distributions. The practice sessions include solutions to theoretical excercises but the focus is on analyses of different types of econometric, medical and technical data. The course is concluded by a Final Project.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

Cíl předmětu

čeština

Seznámit studenty s regresními modely pro nenormální data.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (02.12.2020)

angličtina

To explain regression models for non-normal data.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (02.12.2020)

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: Omelka Marek, doc. Ing., Ph.D. (01.12.2020)

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. (27.01.2023)

Metody výuky

čeština

Přednáška + cvičení.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

angličtina

Lecture+exercises.

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)

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. (27.01.2023)

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: Omelka Marek, doc. Ing., Ph.D. (01.12.2020)

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: Omelka Marek, doc. Ing., Ph.D. (01.12.2020)

Vstupní požadavky

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

Poslední úprava: Omelka Marek, doc. Ing., Ph.D. (30.11.2020)