|
|
|
||
|
Předmět je designován pro právníky jako „konzumenty“ statistických studií, ať už u soudu, ve státní správě, při legislativní práci, nebo jako prostí občané a voliči. Primárním cílem tohoto předmětu je rozvoj znalostí potřebných k porozumění statistickým studiím, identifikace jejich silných a slabých stránek, a rozvoj zdravé skepse.
Předmět je zaměřen na statistiku primárně jako nástroj pro testování hypotéz a studium kauzálních vztahů, a jen sekundárně k popisu dat. Předmět začíná diskusí náhodného kontrolovaného experimentu jako zlatého standardu pro empirickou práci. Základní teorie pravděpodobnosti bude diskutována zejména s ohledem na inferenci z důkazů při soudním řízení. Třetím důležitým bodem je porozumění a interpretace testování statistických hypotéz a regresní analýzy. Předmět je zakončen ukázkami a kritickou diskusí studií odhadujících kauzální dopady veřejných politik a právních regulací, a ukázkami využití dat a statistiky ve firmách, veřejné správě a veřejné politice. Last update: Šicnerová Barbora, Mgr. (05.08.2024)
|
|
||
|
Výuka: kontaktní Komunikační kanál se studenty: SIS/e-mail Způsob případné bezkontaktní výuky:
Last update: Čihák Jakub, Ing., Ph.D. (20.09.2021)
|
|
||
|
1. Zkouška je písemná a skládá se ze dvou částí: I. Multiple choice (10 bodů). - Deset otázek multiple choice typu (ABCDE), pouze jedna možnost bude správně. - Správná odpověď sestává ze dvou částí: (i) Zaškrtnutí správné možnosti a (ii) krátkého zdůvodnění/vysvětlení její správnosti. - Za každou takto správně odpovězenou otázku student získá pět bodů. - Odpověď bez vysvětlení bude hodnocena jako nula. II. Interpretace statistické studie (5 bodů). - Součástí zkoušky bude výňatek z vybrané statistické studie, na který bude navazovat několik otázek. - Na tyto otázky bude třeba volnou, ale strukturovanou, formou odpovědět. - Výsledné hodnocení bude relativní. Nejlepší student získá maximální počet bodů a ostatní skóre budou hodnocena relativně vůči tomuto nejlepšímu skóre. 2. Časová dotace pro zkoušku činí 90 minut. 3. Zkouška bude zahrnovat veškerý materiál z přednášek, předepsané literatury a doplňkových materiálů. 4. Zkouška bude obsahovat jednoduché výpočty, pro které lze použít jednoduchou (tj. nikoli programovatelnou) kalkulačku. Žádná jiná elektronická zařízení nejsou přípustná. Výpočty však budou takové povahy, aby je šlo řešit bez kalkulačky. 5. Ke zkoušce je též možné si připravit rukou psané poznámky v maximálním rozsahu jedné strany A4 (tj. jeden list popsaný z jedné strany). Tyto poznámky je pak nutné odevzdat společně se zkouškou. Sdílení kalkulaček nebo poznámek není přípustné. 6. S ohledem na charakter předmětu není u zkoušky možné používat právní předpisy. 7. Předmět je také možné zakončit alternativně – výzkumným projektem/esejí na studentem zvolené téma a za těchto podmínek: - Nutno předběžně konzultovat s přednášejícím. - Omezená kapacita na 5 prací. - Rozsah 2000 až 2500 slov (bez referencí, tabulek a obrázků.) - Práce musí formálně i obsahově splňovat standardy pro esej na univerzitní úrovni. Last update: Šicnerová Barbora, Mgr. (05.08.2024)
|
|
||
|
Předmět zahrnuje tato témata: - Příčina, následek, a experimentální paradigma Hlavní koncepty: 1. Kauzalita. 2. Náhodný kontrolovaný experiment (RCT). 3. Typologie experimentů. Hlavní četba: • Zeisel a Kaye, kap. 1. - Identifikace a zkreslení kauzálních vztahů Hlavní koncepty: 1. Nepravá korelace, vývojová sekvence, chybějící mezičlánek, dvojí příčina. 2. Endogeneita. 3. Kontrafaktuál. Hlavní četba: • Disman, kap. 1.4, 1.5 a 2. • Zeisel a Kaye, kap. 2 a 3. - Data, proměnné a deskriptivní statistiky Hlavní koncepty: 1. Populace a parametry. 2. Vzorek a statistiky. 3. Reprezentativnost vzorku. 4. Sample selection/self-selection bias. 5. Typy dat. 6. Typy proměnných. 7. Histogram a rozdělení četností. 8. Průměr, modus a medián. 9. Robustnost statistiky. 10. Průměrná absolutní odchylka, směrodatná odchylka, IQR. 11. Standardizace a z-score. Hlavní četba: • Disman, kap. 5. • Epstein a Martin, kap. 6. • Montag 2017, sekce 1 až 3. • Montag 2016 a Brabenec a Montag 2018, s. 397–405. - Statistická inference I: náhoda a signifikance. Hlavní koncepty: 1. Statistická inference. 2. Sampling distribution. 3. Centrální limitní věta. 4. Normální rozdělení. 5. Pravidlo tří sigma. 6. Standardní chyba. Hlavní četba: • Epstein a Martin, kap. 6.5 a 7. • Zeisel a Kaye, kap. 6. - Nade vší pochybnost: teorie pravděpodobnosti a důkazy v soudních sporech Hlavní koncepty: 1. Základní teorie pravděpodobnosti. 2. Podmíněné pravděpodobnosti. 3. Bayesova věta. 4. Aplikace: pachové stopy. 5. Aplikace: DNA. Hlavní četba: • Finkelstein a Levin, kap 3. • Pinc, Ludvík a kol. 2015. Zpráva o průběhu testování reliability metody pachové identifikace prováděné speciálně vycvičenými služebními psy. Praha: Česká zemědělská univerzita. • Gastwirth, kap. 3. - Statistická inference II: testování hypotéz. Hlavní koncepty: 1. Nulová a alternativní hypotéza. 2. Interval spolehlivosti. 3. Statistická signifikantnost. 4. p-value a její interpretace. 5. Testová statistika. 6. p-value a její interpretace. 7. Jednovýběrový a párový z-test a t-test. 8. Chyba I. typu. 9. Chyba II. typu. Hlavní četba: • Epstein a Martin, kap. 7. • Zeisel a Kaye, kap. 6. - Statistická inference III: síla a substance. Hlavní koncepty: 1. Síla statistického testu. 2. Substantivní signifikantnost. 3. Two-sample z-test (t-test). 4. Tabulky a χ2-test. Hlavní četba: • Epstein a Martin, kap. 7. • Zeisel a Kaye, kap. 6. • Bolcha a Rovný 2015, s. 603–624. • Beber a Scacco 2012, sekce 1, 2.2, 3, 4. Doplňková četba: • Montag 2017. • Gelman a Stern 2006. - Lineární regrese I: metoda nejmenších čtverců Hlavní koncepty: 1. Bodový diagram (scatter plot). 2. Regrese na konstantu a jednoduchá lineární regrese. 3. Metoda nejmenších čtverců. 4. Interpretace konstanty a koeficientu(ů). Hlavní četba: • Epstein a Martin, kap. 8.1 a 8.2. - Lineární regrese II: Inference Hlavní koncepty: 1. Vlastnosti vzorku a statistická inference. 2. Vztah mezi standardní chybou, -statistikou a -value. 3. Koeficient determinace. 4. Ne-robustnost lineární regrese. 5. Flexibilita lineární regrese. 6. Logaritmus v regresi. Hlavní četba: • Epstein a Martin, kap. 8.3. 9.1 a 9.2. - Lineární regrese III: Kauzalita 1. Kauzalita a role teorie v empirickém výzkumu. 2. Exogeneita. 3. Předpoklad ceteris paribus a alternativní vysvětlení. 4. Kontrolní proměnné, omitted variable bias a konzervativní zkreslení. 5. (Ne)stacionarita časových řad a zavádějící regrese. 6. Random walk a kointegrace. Hlavní četba: • Montag 2016. • Brabenec a Montag 2018. Doplňková četba: • Murray 1994. - Přirozené experimenty Hlavní koncepty: 1. Difference-in-differences. 2. Instrumentální proměnné. 3. Regresní diskontinuita. 4. Matching. Hlavní četba: • Angrist a Krueger 1994. • Montag 2004. Last update: Šicnerová Barbora, Mgr. (05.08.2024)
|
|
||
|
Přesná specifikace literatury je uvedena u jednotlivých témat přednášek. Studijní materiály mohou být v průběhu semestru upřesněny a doplněny. Materiály nedostupné v knihovně či online budou poskytnuty v elektronické formě. Základní literatura: 1. Disman, Miroslav. 2002. Jak se vyrábí sociologická znalost. Praha: Karolinum. 2. Epstein, Lee, a Andrew D. Martin. 2013. An Introduction to Empirical Legal Research. New York: Oxford University Press. Ostatní literatura: 1. Beber, Bernd, and Alexandra Scacco. 2012. What the numbers say: A digit-based test for election fraud. Political Analysis 20: 211-234. 2. Bolcha, Peter, and Jan Rovný. 2016. Luck or luxury? Possible corruption in the car registration process in the Czech Republic. Journal of Public Policy 36: 603-638. 3. Brabenec, Tomáš, and Josef Montag. 2018. Criminals and the price system: Evidence from czech metal thieves. Journal of Quantitative Criminology 34: 397-430. 4. Finkelstein Michael O., a Bruce Levin. 2001. Statistics for Lawyers. New York: Springer. 5. Gastwirth, Joseph L. 2000. Statistical Science in the Courtroom. New York: Springer. 6. Montag, Josef. 2014. A radical change in traffic law: effects on fatalities in the Czech Republic. Journal of Public Health 36: 539-545. 7. Montag, Josef. 2017. Identifying odometer fraud in used car market data. Transport Policy 60:10-23. 8. Murray, Michael P. 1994. A drunk and her dog: an illustration of cointegration and error correction. American Statistician 48: 37-39. 9. Zeisel, Hans, a David Kaye. 1997. Prove it With Numbers: Empirical Methods for Law and Litigation. New York: Springer. Last update: Šicnerová Barbora, Mgr. (05.08.2024)
|
|
||
|
Rekvizity materiální (doporučení pro zápis předmětu): Pro zapsání předmětu je vhodné, aby měl student absolvován nebo alespoň zapsán předmět Právo a ekonomie II, nebo obdobný předmět základů mikroekonomie; a aby ovládal středoškolskou matematiku. Last update: Šicnerová Barbora, Mgr. (05.08.2024)
|