OPF:INMNPSTZ Statistické zpracování dat - Informace o předmětu

INMNPSTZ Statistické zpracování dat

Rozsah

2/1/0. 5 kr. Ukončení: zk.

Vyučující

prof. RNDr. Jaroslav Ramík, CSc. (přednášející)
Mgr. Radmila Krkošková, Ph.D. (cvičící)
Ing. Elena Mielcová, Ph.D. (cvičící)

Garance

prof. RNDr. Jaroslav Ramík, CSc.
Katedra informatiky a matematiky – Obchodně podnikatelská fakulta v Karviné
Kontaktní osoba: Mgr. Radmila Krkošková, Ph.D.

Předpoklady

K absolvování předmětu nejsou vyžadovány žádné podmínky a předmět může být zapsán nezávisle na jiných předmětech.

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

předmět má 6 mateřských oborů, zobrazit

Cíle předmětu

V návaznosti na předmět Statistika v bakalářském stupni poskytnout výklad dalších pojmů matematické statistiky, hlavních poznatků této teorie a základních statistických metod. Látku prezentovat s ohledem na aplikace v hospodářské oblasti. Získat příslušné manuální výpočetní dovednosti a naučit se řešit statistické úlohy pomocí Excelu a SPSS na počítači.

Osnova

• 1. Analýza rozptylu (ANOVA) - Jeden faktor
  2. Analýza rozptylu- Dva a více faktorů, neparametrická ANOVA
  3. Regresní analýza - Jednorozměrná, lineární
  4. Regresní analýza - Jednorozměrná, nelineární
  5. Regresní analýza - Vícerozměrná
  6. Regresní analýza - Vícerozměrná: Multikolinearita, heteroskedasticita, autokorelace
  7. Základy analýzy časových řad
  8. Analýza trendu časové řady (ČŘ)
  9. Analýza sezónní a náhodné složky ČŘ
  10. Modely exponenciálního vyrovnání ČŘ
  11. Modely ARIMA
  12. Modely SARIMA
  13. Prognózování v ČŘ
  1. Analýza rozptylu (ANOVA) - Jeden faktor
  Nezávislý a závislý faktor, předpoklady analýzy rozptylu s jedním faktorem. Postup při analýze rozptylu s jedním faktorem. Míra těsnosti závislosti, determinační a korelační poměr.
  2. Analýza rozptylu- Dva a více faktorů, neparametrická ANOVA
  Analýza rozptylu se dvěma faktory. Předpoklady ANOVA se 2 faktory. Dvoufaktorová ANOVA bez interakce a s interakcí. Kruskal-Wallisova neparametrická ANOVA.
  
  3. Regresní analýza - Jednorozměrná, lineární
  Co je regresní analýza (RA) - jednoduchá, vícenásobná, lineární, nelineární. Podstata jednoduché lineární RA - bodový diagram, regresní přímka, regresní koeficienty, přiléhavost, koeficient determinace, testy hypotéz.
  
  4. Regresní analýza - Jednorozměrná, nelineární
  Jednoduchá nelineární RA - základní typy nelinearity, Törnquistovy křivky a jejich aplikace v ekonomii.
  5. Regresní analýza - Vícerozměrná
  Vícenásobná lineární RA - kritérium, prediktory, regresní nadrovina, koeficient determinace. Použití VRA pro nominální prediktory a korelační koeficienty. Aplikace na příkladech z ekonomické oblasti (marketingový výzkum).
  6. Regresní analýza - Vícerozměrná: Multikolinearita, heteroskedasticita, autokorelace
  Populační a výběrová regresní funkce. Klasický vícerozměrný lineární regresní model. Multikolinearita a její příčiny. Heteroskedasticita, testy H-S (Parkův test, Bartleyův test) a její odstraňování. Autokorelace (znaménkový test).
  7. Základy analýzy časových řad
  Typy ekonomických ČŘ. Elementární charakteristiky ČŘ. Modely ekonomických ČŘ - dekompoziční, exponenciálního vyrovnání, ARIMA.
  8. Analýza trendu časové řady (ČŘ)
  Analytické metody stanovení trendů ČŘ: regresní analýza (MNČ - metoda nejmenších čtverců, MMV - metoda maximální věrohodnosti). Syntetické metody: klouzavé průměry, exponenciální vyrovnání.
  9. Analýza sezónní a náhodné složky ČŘ
  Analýza sezónní složky: modely konstantní sezónnosti se schodovitým trendem, s lineárním trendem. Modely proporcionální sezónnosti. Analýza náhodné složky: statistické testy náhodné složky pomocí reziduí
  10. Modely exponenciálního vyrovnání ČŘ
  Modely exponenciálního vyrovnání ČŘ (jednoduchý, Holtův, Wintersův model EV)
  11. Modely ARIMA
  Stochastický proces a jeho stacionarita. Základy modelů ARIMA: modely AR, MA, I, ARIMA. Identifikace ARIMA modelu pomoci autokorelační funkce (ACF) a parciální autokorelační funkce (PACF). Výpočet koeficientů modelu ARIMA, verifikace modelu, predikce v modelu ARIMA.
  12. Modely SARIMA
  Identifikace SARIMA modelu pomocí autokorelační funkce a parciální autokorelační funkce.
  13. Prognózování a predikce v ČŘ v modelech ARIMA a SARIMA.
  Prognóza ex-post a ex-ante, bodové a intervalové prognózy. Prognózování v lineárních regresních modelech. Prognózování v modelech ARIMA a SARIMA.
  

Literatura

povinná literatura
• RAMÍK, J. Statistika pro navazující magisterské studium. Karviná: OPF SU, 2007. info
• RAMÍK, J, ČEMERKOVÁ, Š. Statistika pro ekonomy. Karviná: OPF SU, 2000. info

doporučená literatura
• GURAJATI, D. N. Basic Econometrics, 4. Ed. Mc Graw-Hill, Singapore, 2003. ISBN 0-07-233542-4. info
• RAMÍK, J., ČEMERKOVÁ, Š. Kvantitativní metody B - Statistika. Distanční studijní opora. Karviná, OPF SU, 2003. ISBN 80-7248-198-3. info
• TOŠENOVSKÝ J., DUDEK,M. Základy statistického zpracování dat. Ostrava : VŠB - Technická univerzita Ostrava, 2001. ISBN 80-248-0006-3. info

Výukové metody

Demonstrace dovedností
Seminární výuka

Metody hodnocení

Písemná zkouška
Písemný test

Informace učitele

průběžný test, 70% účast na seminářích, forma zkoušky: písemná

Aktivity	Náročnost [h]
Ostatní studijní zátěž	61
Přednáška	26
Seminář	13
Zkouška	40
Celkem	140

Další komentáře

Předmět je dovoleno ukončit i mimo zkouškové období.

• Statistika zápisu (zima 2014, nejnovější)
  
• Permalink: https://is.slu.cz/predmet/opf/zima2014/INMNPSTZ