|
|
|
||
|
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.
Studenti se postupně seznámí se základními statistickými koncepty, od deskriptivních statistik, přes testování hypotéz, až po základy lineární regrese (metoda nejmenších čtverců). Předmět využívá logiku náhodného kontrolovaného experimentu jako organizačního rámce pro výuku a diskusi základních statistických metod a postupů. Statistika je odvětvím matematiky a teorie rozhodování, obsahuje tedy teorii a výpočty. Předmět ale nevyžaduje pokročilé matematické znalosti (nad rámec středoškolských), důraz je kladen na aplikaci a interpretaci. V rámci seminářů se studenti naučí základy práce s daty (získání dat, načtení do statistického software, čištění a manipulace), vizualizace a aplikace přednášených analytických postupů a konceptů (výpočet deskriptivních statistik, testování hypotéz, základní regresní analýza). Získané schopnosti však mají širší využití v oblasti automatizace pracovních postupů v právní praxi i výzkumu, a budou výhodou při studiu souvisejících kurzů Legal Tech I a II a Empirical Legal Studies. Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|
|
||
|
Výuka: kontaktní Komunikační kanál se studenty: SIS/e-mail Způsob případné bezkontaktní výuky:
Poslední úprava: Čihák Jakub, Ing., Ph.D. (20.09.2021)
|
|
||
|
1. Zkouška je písemná a skládá se ze dvou částí: I. Multiple choice (cca 50 %). - 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 (cca 50 %). - Součástí zkoušky bude výňatek z vybrané statistické studie, na který bude navazovat několik otázek. - Na tyto otázky bude třeba volnou, ale strukturovanou, formou odpovědět. 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. Výsledné hodnocení bude relativní. Nejlepší student získá maximální počet bodů a ostatní skóre budou hodnocena relativně vůči tomuto nejlepšímu skóre.
Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|
|
||
|
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. 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. Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|
|
||
|
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. 3. Wickham, Hadley. R for Data Science, Second Edition. Online na r4ds.hadley.nz. 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. Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|
|
||
|
Znalosti: ● Studující definují základní principy statistické inference, formulace hypotéz, statistické signifikantnosti a chyb I. a II. typu. ● Studující vysvětlí výpočet standardní chyby, konstrukci intervalu spolehlivosti, testové statistiky (Welchův test a jeho odnože), stanovení statistické signifikantnosti s využitím pravidla tří sigma. ● Studující popíší logiku náhodného kontrolovaného experimentu (RCT) a s její pomocí vysvětlí rozdíl mezi korelací a kauzalitou. ● Studující vysvětlí základní mechaniku a účel lineární regrese odhadované metodou nejmenších čtverců (MNČ). Dovednosti: ● Studující vypočítají a interpretují základní testové statistiky (např. Welchův dvouvýběrový z-test) za účelem porovnání vzorků dat. ● Studující interpretují výstupy z reálných empirických studií, včetně bodových odhadů regresních koeficientů, standardních chyb, intervalů spolehlivosti a testů hypotéz. ● Studující budou umět formulovat nové hypotézy a testovat je pomocí statistik dostupných v emplirických studiích (aplikace Welchova testu). ● Studující identifikují silné a slabé stránky výzkumného designu předložených studií a rozliší mezi experimentálními a observačními daty. ● Studující aplikují výše uvedené statistické koncepty při kritickém hodnocení empirických důkazů v právních sporech a analýzách veřejných politik. ● Studující budou umět načíst data do statistického software a připravit je do analytické podoby (čištění, manipulace). ● Studující budou umět vytvořit základní datové vizualizace (četnosti, bodový diagram, časové řady). ● Studující budou umět naprogramovat základní deskriptivní statistiky a výpočet statistických testů a jednoduchých regresí. Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|
|
||
|
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. Poslední úprava: Šicnerová Barbora, Mgr. (15.07.2026)
|