Pokročilé regresní modely - NMST432

• Anglický název: Advanced Regression Models
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2022
• Semestr: letní
• E-Kredity: 8
• Rozsah, examinace: letní s.:4/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: nevyučován
• Jazyk výuky: angličtina, čeština
• Způsob výuky: prezenční
• Další informace: http://www.karlin.mff.cuni.cz/~kulich/vyuka/pokreg/index.html
• Garant: doc. Mgr. Michal Kulich, Ph.D.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Prerekvizity : NMSA407
• Je neslučitelnost pro: NMST422, NMST412, NMFP402
• Je záměnnost pro: NMST422, NMST412

Anotace

čeština

Navazuje na předmět NMSA407 Lineární regrese. Učí se zde regresní modely pro nenormální data, diskrétní rozdělení, a skupinově korelovaná data. 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: G_M (28.05.2013)

angličtina

Continuation of the course NMSA407 Linear Regression. This course covers regression models for non-normal data, discrete distributions, and clustered data. 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: G_M (28.05.2013)

Cíl předmětu

čeština

Seznámit studenty s regresními modely pro nenormální a/nebo závislá data.

Poslední úprava: T_KPMS (07.05.2015)

angličtina

To explain regression models for non-normal and/or correlated data.

Poslední úprava: T_KPMS (07.05.2015)

Podmínky zakončení předmětu

The exercise class credit is necessary to sign up for the exam. The credit for the exercise class will be awarded to the student who hands in a satisfactory solution to each assignment by the prescribed deadline. The nature of these requirements precludes any possibility of additional attempts to obtain the exercise class credit.

Poslední úprava: Zichová Jitka, RNDr., Dr. (23.04.2018)

Literatura

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

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

J.W. Hardin and J.M. Hilbe: Generalized Estimating Equations. Chapman & Hall, 2003.

P.J. Diggle, K.Y. Liang, S.L. Zeger: Analysis of Longitudinal Data. Oxford University Press, 1994.

Poslední úprava: T_KPMS (12.05.2014)

Metody výuky

čeština

Přednáška + cvičení.

Poslední úprava: T_KPMS (12.05.2014)

angličtina

Lecture+exercises.

Poslední úprava: T_KPMS (12.05.2014)

Požadavky ke zkoušce

Only for summer 2020: if conduct of an oral exam is impossible, oral part can be performed by distant methods or waived.

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. (30.04.2020)

Sylabus

čeština

1. Zobecněný lineární model

2. Regrese pro binární data

3. Loglineární model

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

5. Zobecněné odhadovací rovnice

6. Lineární smíšený model

7. Zobecněný lineární smíšený model

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (04.02.2018)

angličtina

1. Generalized linear model

2. Binary response regression

3. Loglinear model

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

5. Generalized estimating equations

6. Linear mixed effects model

7. Generalized linear mixed effects model

Poslední úprava: Kulich Michal, doc. Mgr., Ph.D. (04.02.2018)

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. (25.05.2018)