The course is an introduction to a broad spectrum of multidimensional methods of statistical analysis. The techniques useful potentially
in sociology will be focused as well as their principal properties and limitations.
Repetitive enrollment is allowed.
Last update: Betinec Martin, Mgr., Ph.D. (19.09.2022)
Cílem kurzu je provést studenty širokým spektrem mnohorozměrných metod statistické analýzy dat.
Důraz bude kladen na techniky použitelné pro sociologické analýzy, jejich vlastnosti, přínosy a omezení.
Kurz je možno zapisovat opakovaně.
Last update: Betinec Martin, Mgr., Ph.D. (19.09.2022)
Course completion requirements -
Reaching at least 50% score in the final exam of written form is a necessary condition for passing the course. There will be two exam dates given in May/June and one in September. Precise dates will be specified during the course.
As a consequence of the epidemiology quaranteen, the exam might be proceed in a distant form.
The exam may be passed in the next year too.
Last update: Betinec Martin, Mgr., Ph.D. (01.02.2023)
V průběhu května/června budou vypsány dva termíny pro atestaci a jeden během záři. Konkrétní data budou upřesněna po dohodě se studenty. Podmínkou absolvovaní je dosažení alespoň 50% bodů v testu.
Z důvodů karanténních opatření test může proběhnout i distanční formou, která bude upřesněna.
Zkoušku je možno skládat i v následujícím roce.
Last update: Betinec Martin, Mgr., Ph.D. (01.02.2023)
Literature -
Hebák, P. a kol.: Vícerozměrné statistické metody I. INFORMATORIUM, Praha, (2004) Hebák, P.a kol.: Vícerozměrné statistické metody II. INFORMATORIUM, Praha, (2005a) Hebák, P.a kol.: Vícerozměrné statistické metody III. INFORMATORIUM, Praha, (2005a) Hendl, J.: Přehled statistických metod zpracování dat. Portál. Praha, (2004) Statisitical Analysis: An introduuction using R (http://en.wikibooks.org/wik> [en.wikibooks.org]) Venables, W. N. and Ripley, B. D.: Modern Applied Statistics with S. Springer-Verlag, New York (2002) Meloun, M. a Militký J.: Statistická analýza experimentálních dat. Academia, Praha, (2004). Disman, M.: Jak se vyrábí sociologická znalost, Karolinum, Praha (2002) Thereneau, T.M. a Atkinson, E. J.: An Introdiction ro recursive Partitioning Using the RPART Routines. Mayo Foundation, (2011). Documentation to R-package. Agresti, A.: An Introduction to Categorical Data Analysis. John Wiley & Sons, Inc. New York, New York, USA. (1996) Peňa, D.: Análisis de datos multivariantes. McGraw-Hill, Madrid (2002) Berka, P.: Dobývání znalostí z databází, Academia, Praha (2003). Breiman, L; Friedman, J. H., Olshen, R. A., & Stone, C. J.: Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, (1984)
Last update: Betinec Martin, Mgr., Ph.D. (28.01.2020)
Hebák, P. a kol.: Vícerozměrné statistické metody I. INFORMATORIUM, Praha, (2004) Hebák, P.a kol.: Vícerozměrné statistické metody II. INFORMATORIUM, Praha, (2005a) Hebák, P.a kol.: Vícerozměrné statistické metody III. INFORMATORIUM, Praha, (2005a) Hendl, J.: Přehled statistických metod zpracování dat. Portál. Praha, (2004) Statisitical Analysis: An introduuction using R (http://en.wikibooks.org/wik> [en.wikibooks.org]) Venables, W. N. and Ripley, B. D.: Modern Applied Statistics with S. Springer-Verlag, New York (2002) Meloun, M. a Militký J.: Statistická analýza experimentálních dat. Academia, Praha, (2004). Disman, M.: Jak se vyrábí sociologická znalost, Karolinum, Praha (2002) Thereneau, T.M. a Atkinson, E. J.: An Introdiction ro recursive Partitioning Using the RPART Routines. Mayo Foundation, (2011). Documentation to R-package. Agresti, A.: An Introduction to Categorical Data Analysis. John Wiley & Sons, Inc. New York, New York, USA. (1996) Peňa, D.: Análisis de datos multivariantes. McGraw-Hill, Madrid (2002) Berka, P.: Dobývání znalostí z databází, Academia, Praha (2003). Breiman, L; Friedman, J. H., Olshen, R. A., & Stone, C. J.: Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, (1984)
Last update: Betinec Martin, Mgr., Ph.D. (28.01.2020)
Teaching methods -
Realization of the course in case of distant study
The course will be held in line with the schedule published on the web of the Dept. of Sociology
On-line platform : MS Teams (Teams Pokročilé statistické metody https://teams.microsoft.com/l/team/19%3a983d34f761ec4d4391fd45c93d60b4b1%40thread.tacv2/conversations?groupId=f06fe134-108b-48a9-bfb4-694a5def8677&tenantId=71cbe59b-f59f-49d8-bed9-6de6b6468917)
Supporting materials: MS Teams (https://teams.microsoft.com/_#/school/files/Obecn%C3%A9?threadId=19%3A983d34f761ec4d4391fd45c93d60b4b1%40thread.tacv2&ctx=channel&context=slajdy&rootfolder=%252Fsites%252Felearning-Pokroilstatistickmetody%252FSdilene%2520dokumenty%252FGeneral%252Fslajdy)
Course graduation requests: the same as under the regular conditions
Typo of exam: written form, might be on-line
Last update: Betinec Martin, Mgr., Ph.D. (07.02.2021)
Realizace kursu v případě Distanční výuky
Výuka bude probíhat on-line dle rozvrhu zveřejněného na stánkách Katedry sociologie
Platforma on-line výuky: MS Teams (Teams Pokročilé statistické metody https://teams.microsoft.com/l/team/19%3a983d34f761ec4d4391fd45c93d60b4b1%40thread.tacv2/conversations?groupId=f06fe134-108b-48a9-bfb4-694a5def8677&tenantId=71cbe59b-f59f-49d8-bed9-6de6b6468917)
Studijní materiály: MS Teams (https://teams.microsoft.com/_#/school/files/Obecn%C3%A9?threadId=19%3A983d34f761ec4d4391fd45c93d60b4b1%40thread.tacv2&ctx=channel&context=slajdy&rootfolder=%252Fsites%252Felearning-Pokroilstatistickmetody%252FSdilene%2520dokumenty%252FGeneral%252Fslajdy)
Podmínky splnění: stejné, jako za běžných podmínek
Způsob atestace: písemný test může proběhnout on-line
Last update: Betinec Martin, Mgr., Ph.D. (07.02.2021)
Syllabus -
The following topics will be presented:<br> 1. Typology of multidimensional methods. Basic descriptive methods and graphs. Smooth introduction to multidimensional geometry. <br> 2. Principal Component Analysis}: geometry, interpretation and usage.<br> 3. Factor Analysis: theoretical assumptions, geometry, implications, description, interpretation and prediction. Relation to PCA.<br> 4. Cluster Analysis.<br> 5. Discriminant analysis. Linear, Fisher's, quadratic ... Introduction to classification.<br> 6. Classification and Regression Trees (CART). Slight introduction to other (non-linear) methods (neural networks, SVM). Measurement of classifiers' quality.<br> 7. Regression and Generalized Linear Models.<br> 8. Logistic regression.<br> 9. Log-lineár regression models and analysis of contingency tables.
Last update: Betinec Martin, Mgr., Ph.D. (29.01.2020)
V rámci kurzu bude pozornost věnována následujícím tématům: 1. Typologie vícerozměrných metod a základní popisné nástroje a grafy. Jemný úvod do geometrie ve více rozměrech. 2. Analýza hlavních komponent (PCA), její geometrická interpretace a praktické použití. 3. Faktorová analýza, teoretické předpoklady, geometrické důsledky, popis, interpretace a predikce. Vztah k PCA. 4. Shluková analýza. 5. Diskriminační analýza. Lineární, Fisherova, kvadratická. Úvod do klasifikačních úloh. 6. Klasifikační a regresní stromy. Jemný nástin dalších nelineárních klasifikátorů (neuronové sítě a SVM). Hodnocení klasifikátorů. 7. Mnohorozměrná regrese a základy zobecnění regresního modelování. 8. Logistická regrese a její využití pro diskriminační úlohy. 9. Log-lineární regrese a její využití pro analýzu kontingenčních tabulek.
Last update: Betinec Martin, Mgr., Ph.D. (29.01.2020)
