Statistika pro právníky - HP3027

• Anglický název: Statistics for lawyers
• Zajišťuje: Katedra národního hospodářství (22-KNH)
• Fakulta: Právnická fakulta
• Platnost: od 2023
• Semestr: zimní
• Body: 0
• E-Kredity: 4
• Způsob provedení zkoušky: zimní s.:písemná
• Rozsah, examinace: zimní s.:1/1, Zk [HT]
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Je zajišťováno předmětem: HDPV0145
• Poznámka: předmět je možno zapsat mimo plán; povolen pro zápis po webu
• Garant: doc. Ing. Josef Montag, Ph.D.
• Neslučitelnost : HPOP0000, HPOP3000
• Ve slož. prerekvizitě: HM0501, HM2401

Anotace

Poslední úprava: Mgr. Barbora Šicnerová (16.09.2022)

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.

Metody výuky

Poslední úprava: Ing. Jakub Čihák, Ph.D. (20.09.2021)

Výuka: kontaktní

Komunikační kanál se studenty: SIS/e-mail

Způsob případné bezkontaktní výuky:

• V případě bezkontaktní výuky bude probíhat výuka formou online webinářů včase původních seminářů, a to prostřednictvím MS Teams.
• Přednášky budou nahrávány a zpřístupněny zpětně v MS Teams.
• Studentům budou zpřístupněny prezentace a další podkladové materiály v SIS a MS Teams.
• Písemná zkouška v případě nemožnosti jejího konání kontaktně proběhne bezkontaktně v Moodle.

Požadavky ke zkoušce

Poslední úprava: doc. Ing. Josef Montag, Ph.D. (18.10.2022)

Viz karta předmětu.

Sylabus

Poslední úprava: Mgr. Barbora Šicnerová (16.09.2022)

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.

Studijní opory

Poslední úprava: Mgr. Barbora Šicnerová (16.09.2022)

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.