INMNPSTZ Statistické zpracování dat

Obchodně podnikatelská fakulta v Karviné
zima 2014
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
AktivityNáročnost [h]
Ostatní studijní zátěž61
Přednáška26
Seminář13
Zkouška40
Celkem140
Další komentáře
Předmět je dovoleno ukončit i mimo zkouškové období.
Předmět je zařazen také v obdobích zima 2015, zima 2016, zima 2017, zima 2018, zima 2019, zima 2020, zima 2021, zima 2022, zima 2023, zima 2024.