Zobecněné lineární modely - NMST412

• Anglický název: Generalized Linear Models
• Zajišťuje: Katedra pravděpodobnosti a matematické statistiky (32-KPMS)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2023
• Semestr: letní
• E-Kredity: 5
• Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina, čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Další informace: http://www.karlin.mff.cuni.cz/~kulich/vyuka/glm/index.html
• Garant: doc. Mgr. Michal Kulich, Ph.D.
• Třída: M Mgr. PMSE; M Mgr. PMSE > Povinně volitelné
• Kategorizace předmětu: Matematika > Pravděpodobnost a statistika
• Neslučitelnost : NMFP402, NMST432
• Prerekvizity : NMSA407
• Záměnnost : NMST432
• Je neslučitelnost pro: NMFP402
• Je prerekvizitou pro: NMST551, NMEK521, NMST532, NMST552
• Je záměnnost pro: NMFP402
• Ve slož. prerekvizitě: NMST539, NMST547

Anotace

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

Navazuje na předmět NMSA407 Lineární regrese. Učí se zde regresní modely pro nenormální data a diskrétní rozdělení.. Cvičení je kombinací teoretických a praktických úloh, ale jádro spočívá v analýzách různých typů ekonometrických, lékařských a technických dat a zahrnuje závěrečný projekt.

angličtina

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

Continuation of the course NMSA407 Linear Regression. This course covers regression models for non-normal data and discrete distributions. The practice sessions include solutions to theoretical excercises but the focus is on analyses of different types of econometric, medical and technical data. The course is concluded by a Final Project.

Cíl předmětu

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (02.12.2020)

Seznámit studenty s regresními modely pro nenormální data.

angličtina

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (02.12.2020)

To explain regression models for non-normal data.

Podmínky zakončení předmětu

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

The exercise class credit is necessary to sign up for the exam. The credit for the exercise class will be awarded to the student who hands in a satisfactory solution to each assignment by the prescribed deadline. The nature of these requirements precludes any possibility of additional attempts to obtain the exercise class credit.

Literatura

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (01.12.2020)

J.W. Hardin and J.M. Hilbe: Generalized Linear Model and Extensions. StataPress, 2007.

A. Agresti: Categorical Data Analysis. Wiley, 1990.

angličtina

Poslední úprava: doc. Mgr. Michal Kulich, Ph.D. (27.01.2023)

J.W. Hardin and J.M. Hilbe: Generalized Linear Model and Extensions. StataPress, 2007.

A. Agresti: Categorical Data Analysis. Wiley, 1990.

Metody výuky

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

Přednáška + cvičení.

angličtina

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

Lecture+exercises.

Požadavky ke zkoušce

Poslední úprava: doc. Mgr. Michal Kulich, Ph.D. (27.01.2023)

The exam has two parts: (1) Evaluation of applied project report and (2) Theoretical oral part. To pass the exam, both parts need to be passed.

Requirements for the exam comprise the entire contents of the lectures and exercise sessions.

Sylabus

čeština

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (01.12.2020)

1. Zobecněný lineární model

2. Regrese pro binární data

3. Loglineární model

4. Rozšíření zobecněného lineárního modelu, kvazivěrohodnost, sandwichové odhady rozptylu

angličtina

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (01.12.2020)

1. Generalized linear model

2. Binary response regression

3. Loglinear model

4. Extensions of generalized linear model, quasilikelihood, sandwich estimator of variance

Vstupní požadavky

Poslední úprava: doc. Ing. Marek Omelka, Ph.D. (30.11.2020)

This course assumes mid-level knowledge of linear regression (both theory and applications) and good understanding of maximum likelihood theory.