Seznámit studenty se základy teorie regresních modelů.

To explain basics of regression models.

Předmět je zakončen zápočtem a zkouškou. Konání zkoušky je podmíněno předchozím získáním zápočtu.

Požadavky na zápočet:

• Účast na cvičeních: alespoň 75%.

• Domácí úloha: zapotřebí v termínu specifikovaném vyučujícím odevzdat vypracování zadané úlohy. Úloha musí být vypracována v dostatečné kvalitě.

Povaha kontroly studia předmětu vylučuje opakování této kontroly.

The subject is finalized by a course credit and exam. To be able to take exam, it is necessary to obtain a course credit first.

Course credit requirements:

• Presence in class: at least 75%.

• Homework assignment: Each student needs to submit, within the pre-specified deadline, a solution to the homework assignment. The solution must be graded as "acceptable" by the lecturer.

The nature of these requirements precludes any possibility of additional attempts to obtain the exercise class credit.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical Learning (with Applications in R), 2nd edition. Springer: New York, NY, 2021, xv+607 s. ISBN: 978-1-0716-1417-4.

KHURI, A.I. Linear Model Methodology. Chapman & Hall/CRC: Boca Raton, 2010, xx+542 s. ISBN: 978-1-58488-481-1.

ZVÁRA, K. Regrese. Matfyzpress: Praha, 2008, 253 s. ISBN: 978-80-7378-041-8.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An Introduction to Statistical Learning (with Applications in R), 2nd edition. Springer: New York, NY, 2021, xv+607 s. ISBN: 978-1-0716-1417-4.

KHURI, A.I. Linear Model Methodology. Chapman & Hall/CRC: Boca Raton, 2010, xx+542 s. ISBN: 978-1-58488-481-1.

ZVÁRA, K. Regrese. Matfyzpress: Praha, 2008, 253 s. ISBN: 978-80-7378-041-8.

Přednáška + cvičení.

Lecture + exercises.

Zkouška je ústní a sestává ze dvou částí:

• otázky pokrývajících látku probíranou během přednášek i cvičení;

• diskuse nad zápočtovou samostnatnou úlohou.

Problémy zadané u zkoušky vycházejí z odpřednesené látky a současně odpovídají tomu, co bylo procvičováno na cvičení. Zadané problémy odpovídají sylabu předmětu v rozsahu, který byl prezentován na přednášce.

Známka ze zkoušky se stanoví na základě bodového ohodnocení samostatné zápočtové úlohy a hodnocení výkonu u ústní části.

Exam is oral and it is composed of two parts:

• questions corresponding to topics covered by lecture and exercise classes;

• discussions about the written course credit homework.

Problems assigned during exam are based on topics presented during lectures and also correspond to topics covered by exercise classes. Assigned problems correspond to the syllabus into extent covered by lectures.

Exam grade will be based on point evaluation of the written course credit homework and evaluation of the oral part.

Lineární regresní model.

Metoda nejmenších čtverců.

Koeficient determinace.

Kvantitativní a kvalitativní regresory, interakce a jejich interpretace.

Reziduální analýza a regresní diagnostika.

Testování podmodelů, výstavba modelu.

Logistická regrese.

Linear regression model.

Least squares method.

Coefficient of determination.

Quantitative and qualitative regressors, interactions and their interpretations.

Analysis of residuals a regression diagnostics.

Submodel testing, model building.

Logistic regression.

• Vektorové prostory, maticový počet;

• Pravděpodobnostní prostor, podmíněná pravděpodobnost, podmíněné rozdělení, podmíněná střední hodnota;

• Základní asymptotické výsledky (zákony velkých čísel, centrální limitní věta pro i.i.d. náhodné veličiny a vektory, Cramér-Woldova věta, Cramér-Slutského věta);

• Základy statistické inference (statistický test, interval spolehlivosti, směrodatná chyba, konzistence);

• Základní postupy statistické inference (asymptotické testy o střední hodnotě, jedno a dvouvýběrový t-test, analýza rozptylu jednoduchého třídění, chí-kvadrát test nezávislosti);

• Teorie maximální věrohodnosti včetně asymptotických výsledků a delta metody;

• Pracovní znalost prostředí R, volně šiřitelného prostředí pro statistické výpočty a grafiku (https://www.r-project.org).

• Vector spaces, matrix calculus;

• Probability space, conditional probability, conditional distribution, conditional expectation;

• Elementary asymptotic results (laws of large numbers, central limit theorem for i.i.d. random variables and vectors, Cramér-Wold theorem, Cramér-Slutsky theorem);

• Foundations of statistical inference (statistical test, confidence interval, standard error, consistency);

• Basic procedures of statistical inference (asymptotic tests on expected value, one- and two-sample t-test, one-way analysis of variance, chi-square test of independence);

• Maximum-likelihood theory including asymptotic results and the delta method;

• Working knowledge of R, a free software environment for statistical computing and graphics (https://www.r-project.org).