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
• 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

Poslední úprava: G_M (28.05.2013)

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.

angličtina

Poslední úprava: G_M (28.05.2013)

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.

Cíl předmětu

čeština

Poslední úprava: T_KPMS (07.05.2015)

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

angličtina

Poslední úprava: T_KPMS (07.05.2015)

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

Podmínky zakončení předmětu

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

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: T_KPMS (12.05.2014)

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.

Metody výuky

čeština

Poslední úprava: T_KPMS (12.05.2014)

Přednáška + cvičení.

angličtina

Poslední úprava: T_KPMS (12.05.2014)

Lecture+exercises.

Požadavky ke zkoušce

Poslední úprava: doc. Mgr. Michal Kulich, Ph.D. (30.04.2020)

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.

Sylabus

čeština

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

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

angličtina

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

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

Vstupní požadavky

Poslední úprava: doc. Mgr. Michal Kulich, Ph.D. (25.05.2018)

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