PředmětyPředměty(verze: 945)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
Zobecněné lineární modely - NSTP196
Anglický název: Generalised Linear Models
Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2018
Semestr: letní
E-Kredity: 3
Rozsah, examinace: letní s.:2/0, Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: zrušen
Jazyk výuky: čeština
Způsob výuky: prezenční
Způsob výuky: prezenční
Další informace: http://www.karlin.mff.cuni.cz/~kulich/vyuka/glm/index.html
Garant: doc. Mgr. Michal Kulich, Ph.D.
Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
Korekvizity : NSTP202
Prerekvizity : NSTP194, NSTP201
Je korekvizitou pro: NSTP197
Je neslučitelnost pro: NSTP126
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Poslední úprava: T_KPMS (22.05.2008)
Zobecněný lineární model. Rozdělení exponenciálního typu. Testování modelů. Gamma regrese. Logistická regrese. Poissonovská regrese. Loglineární modely.
Cíl předmětu -
Poslední úprava: T_KPMS (20.05.2008)

Studenti pochopí principy teorie odhadování parametrů a testování

hypotéz v zobecněném lineárním modelu, naučí se tyto výsledky

využívat pro konkrétní modely, pochopí vztahy mezi jednotlivými druhy

těchto modelů a budou schopni interpretovat jejich výsledky.

Literatura
Poslední úprava: T_KPMS (19.03.2008)

Mc Cullagh, P. and Nelder, J.A.: Generalized Linear Models. 2nd Ed. Chapman and Hall, London, 1989.

Dobson, A.J.: An Introduction to Generalized Linear Models. CRC Press, Boca Raton, 1999.

Venables, W.N., Ripley, B.D.: Modern Applied Statistics with S. 4th Ed. Springer, New York, 2002.

Metody výuky -
Poslední úprava: G_M (27.05.2008)

Přednáška.

Sylabus -
Poslední úprava: T_KPMS (19.03.2008)

Přednáška je zaměřena na moderní metody regresní analýzy dat pomocí zobecněných lineárních modelů. Tyto metody umožňují modelovat data s normálním, Poissonovým, binomickým i gamma rozdělením, jakož i mnohorozměrné kontingenční tabulky. Cvičení bude věnováno aplikacím: práci s reálnýmim datovými soubory a zejména interpretaci a presentaci výsledků statistického modelování.

1. Úvod. Komponenty zobecněného lineárního modelu (link, lineární prediktor, rozdělení odezvy).

2. Rozdělení exponenciálního typu a jejich vlastnosti. Maximálně věrohodné odhady. Test poměrem věrohodností. Metoda iterativních vážených nejmenších čtverců.

3. Inference v zobecněných lineárních modelech. Deviance. Strategie budování modelu. Residua. Ověřování předpokladů. Regresní diagnostika pro zobecněný lineární model.

4. Binární a binomická data. Logistická regrese.

5. Modelování četností. Poissonovská regrese. Loglineární modely pro kontingenční tabulky.

6. Nadměrná disperse. Kvazivěrohodnost. Dodatky.

 
Univerzita Karlova | Informační systém UK