Longitudinální a panelová data - NMST422

• Anglický název: Longitudinal and Panel data
• 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: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Garant: doc. RNDr. Zdeněk Hlávka, Ph.D.; doc. RNDr. Michal Pešta, Ph.D.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Neslučitelnost : NMST432
• Prerekvizity : NMSA407
• Záměnnost : NMST432
• Je prerekvizitou pro: NMST552, NMST551

Anotace

čeština

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

Navazuje na předmět NMSA407 Lineární regrese. Učí se zde regresní modely pro clusterovaná data. Cvičení je kombinací teoretických a praktických úloh, ale jádro spočívá v analýzách různých typů ekonometrických, lékařských a technických dat a zahrnuje závěrečný projekt.

angličtina

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

Continuation of the course NMSA407 Linear Regression. This course covers regression models for 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.

Cíl předmětu

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (10.06.2021)

Seznámit studenty s regresními modely pro závislá data.

angličtina

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (10.06.2021)

To explain regression models for correlated and clustered data.

Podmínky zakončení předmětu

čeština

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

Podmínkou pro konání zkoušky je předchozí získání zápočtu. Zápočet bude udělen za včas odevzdaná a uspokojivá řešení zadaných úkolů. Charakter předmětu neumožňuje opakování pokusu o získání zápočtu.

angličtina

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

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.

Literatura

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

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

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

P.J. Diggle, P.J. Heagerty, K.-Y. Liang, S.L. Zeger: Analysis of Longitudinal Data. Oxford University Press, 2nd edition, 2002.

Metody výuky

čeština

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (26.01.2023)

Přednáška + cvičení. Pro náročnější datové analýzy a zpracování velkých datových souborů lze využít i fakultní výpočetni cluster.

angličtina

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (26.01.2023)

Lecture + exercises. The faculty computing cluster can be used for more demanding data analyses and processing of large data sets.

Požadavky ke zkoušce

čeština

Poslední úprava: doc. RNDr. Matúš Maciak, Ph.D. (13.02.2024)

Kombinovaná zavěrečná zkouška: písemná část (nutných je alespoň 60 % bodů) a následně ústní část ve formě diskuse

nad vypracovanou písemní části zkoušky, resp. zápočtovým projektem.

angličtina

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

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

Sylabus

čeština

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

Lineární smíšený model; Zobecněný lineární smíšený model; Zobecněné odhadovací rovnice.

angličtina

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

Linear mixed effects model; Generalized linear mixed effects model; Generalized estimating equations.

Vstupní požadavky

čeština

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

Dobrá znalost lineární regrese a maximální věrohodnosti, doporučená znalost zobecněných lineárních modelů.

angličtina

Poslední úprava: doc. RNDr. Zdeněk Hlávka, Ph.D. (23.01.2023)

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