Informace o předmětu

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.
Vyučováno kontaktně

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)
Mgr. Ondřej Pokora, Ph.D. (cvičící)

Garance

doc. Mgr. David Kraus, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• JAMES, Gareth R., Daniela WITTEN, Trevor HASTIE a Robert TIBSHIRANI. An introduction to statistical learning : with applications in R. Second edition. New York: Springer, 2021, xv, 607. ISBN 9781071614174. info
• FARAWAY, Julian James. Extending the linear model with R : generalized linear, mixed effects and nonparametric regression models. Second edition. Boca Raton, FL: CRC Press/Taylor & Francis Group, 2016, xiii, 399. ISBN 9781498720960. info
• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• PINHEIRO, José C. a Douglas M. BATES. Mixed-effects models in S and S-PLUS. New York: Springer, 2000, xvi, 528. ISBN 0387989579. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.

Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Předmět je vyučován každoročně.
Výuka probíhá každý týden.

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)
Mgr. Ondřej Pokora, Ph.D. (cvičící)

Garance

doc. Mgr. David Kraus, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Po 19. 2. až Ne 26. 5. Čt 12:00–13:50 M6,01011

• Rozvrh seminárních/paralelních skupin:

M8751/01: Po 19. 2. až Ne 26. 5. Pá 8:00–9:50 MP1,01014, O. Pokora

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• JAMES, Gareth R., Daniela WITTEN, Trevor HASTIE a Robert TIBSHIRANI. An introduction to statistical learning : with applications in R. Second edition. New York: Springer, 2021, xv, 607. ISBN 9781071614174. info
• FARAWAY, Julian James. Extending the linear model with R : generalized linear, mixed effects and nonparametric regression models. Second edition. Boca Raton, FL: CRC Press/Taylor & Francis Group, 2016, xiii, 399. ISBN 9781498720960. info
• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• PINHEIRO, José C. a Douglas M. BATES. Mixed-effects models in S and S-PLUS. New York: Springer, 2000, xvi, 528. ISBN 0387989579. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.

Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. PaedDr. RNDr. Stanislav Katina, Ph.D. (přednášející)
doc. Mgr. David Kraus, Ph.D. (přednášející)
Mgr. Karolína Hrabcová (cvičící)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Po 14:00–15:50 M3,01023

• Rozvrh seminárních/paralelních skupin:

M8751/01: Po 18:00–19:50 MP1,01014, K. Hrabcová

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info
• PINHEIRO, José C. a Douglas M. BATES. Mixed-effects models in S and S-PLUS. New York: Springer, 2000, xvi, 528. ISBN 0387989579. info

Výukové metody

Přednášky, cvičení (vše online)

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.
Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)
doc. PaedDr. RNDr. Stanislav Katina, Ph.D. (pomocník)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

St 14:00–15:50 M4,01024

• Rozvrh seminárních/paralelních skupin:

M8751/01: St 16:00–17:50 MP2,01014a, D. Kraus

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info
• PINHEIRO, José C. a Douglas M. BATES. Mixed-effects models in S and S-PLUS. New York: Springer, 2000, xvi, 528. ISBN 0387989579. info

Výukové metody

Přednášky, cvičení (vše online)

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.
Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Po 1. 3. až Pá 14. 5. St 10:00–11:50 online_M3

• Rozvrh seminárních/paralelních skupin:

M8751/01: Po 1. 3. až Pá 14. 5. St 12:00–13:50 online_MP2, D. Kraus

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info
• PINHEIRO, José C. a Douglas M. BATES. Mixed-effects models in S and S-PLUS. New York: Springer, 2000, xvi, 528. ISBN 0387989579. info

Výukové metody

Přednášky, cvičení (vše online)

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.
Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2/0. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Út 8:00–9:50 M4,01024

• Rozvrh seminárních/paralelních skupin:

M8751/01: St 16:00–17:50 MP1,01014, D. Kraus

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Biomedicínská bioinformatika (program PřF, N-MBB)
• Epidemiologie a modelování (program PřF, N-MBB)
• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely: nelineární nejmenší čtverce, Gauss--Newtonova metoda, asymptotické vlastnosti odhadů, konfidenční množiny pro parametry a odezvu, profilová věrohodnost, příklady parametrických modelů.
• Regrese s heteroskedastickými a korelovanými daty: lineární regrese s heteroskedastickými chybami (Whiteův odhad, vážené nejmenší čtverce, zobecněné nejmenší čtverce), skupinově korelovaná data a zobecněné odhadovací rovnice, sériově korelovaná data (časové řady) a sandwichové odhady.
• Volba modelu: vliv zahrnutí a vynechání proměnných na odhad a predikci, strategie hledání modelu, informační kriteria (AIC, BIC, jejich význam a vlastnosti), cross-validace a zobecněná cross-validace.
• Regularizační techniky: účel a význam regularizace, penalizační metody (hřebenová regrese, LASSO), metody založené na redukci dimenze (regrese s hlavními komponentami, parciální nejmenší čtverce), srovnání, interpretace a vlastnosti metod, algoritmy, volba regularizačního parametru.
• Regresní modely v analýze přežití: cenzorování, věrohodnost cenzorovaných dat, parametrické regresní modely, Coxův model proporcionálních rizik.

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

Výuka probíhá většinou v češtině nebo dle potřeby v angličtině, příslušná terminologie je za všech okolností uváděna i s anglickými ekvivalenty.
Mezi cílové dovednosti studia patří schopnost používat anglický jazyk pasivně i aktivně ve vlastní odbornosti a také v potenciálních oblastech aplikací matematiky.
Hodnocení ve všech případech může probíhat v češtině i v angličtině, dle volby studenta.

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Po 18. 2. až Pá 17. 5. Pá 8:00–9:50 M6,01011

• Rozvrh seminárních/paralelních skupin:

M8751/01: Po 18. 2. až Pá 17. 5. Pá 10:00–11:50 MP1,01014, D. Kraus

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely
• Regrese s korelovanými daty, zobecněné nejmenší čtverce, zobecněné odhadovací rovnice
• Volba modelu, regularizační techniky
• Regresní modely v analýze přežití

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

https://is.muni.cz/auth/el/1431/jaro2018/M8751/index.qwarp

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

St 18:00–19:50 M2,01021

• Rozvrh seminárních/paralelních skupin:

M8751/01: Pá 10:00–11:50 MP1,01014

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely
• Regrese s korelovanými daty, zobecněné nejmenší čtverce, zobecněné odhadovací rovnice
• Volba modelu, regularizační techniky
• Regresní modely v analýze přežití

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

https://is.muni.cz/auth/el/1431/jaro2018/M8751/index.qwarp

Další komentáře

Studijní materiály
Předmět je vyučován každoročně.

M8751 Pokročilé regresní modely I

Rozsah

2/2. 4 kr. (příf plus uk plus > 4). Ukončení: zk.

Vyučující

doc. Mgr. David Kraus, Ph.D. (přednášející)

Garance

doc. PaedDr. RNDr. Stanislav Katina, Ph.D.
Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta
Dodavatelské pracoviště: Ústav matematiky a statistiky – Ústavy – Přírodovědecká fakulta

Rozvrh

Po 20. 2. až Po 22. 5. Po 18:00–19:50 M5,01013

• Rozvrh seminárních/paralelních skupin:

M8751/01: Po 20. 2. až Po 22. 5. Út 16:00–17:50 MP1,01014

Předpoklady

M7222 Zobec. lineární modely
Diferenciální a integrální počet, lineární algebra, základy teorie pravděpodobnosti a matematické statistiky, teorie odhadu a testování statistických hypotéz, lineární a zobecněný lineární model, znalost programu R

Omezení zápisu do předmětu

Předmět je nabízen i studentům mimo mateřské obory.

Mateřské obory/plány

• Statistika a analýza dat (program PřF, N-MA)

Cíle předmětu

Předmět se věnuje výkladu pokročilých regresních metod a modelů nad rámec lineární a zobecněné lineární regrese. Kurs pokrývá teoretické základy, statistické modely a inferenci, softwarovou implementaci, aplikaci a interpretaci.

Výstupy z učení

V kursu studenti získají hlubší pochopení vlastností metod a souvislostí mezi nimi, naučí se rozeznat situace, které lze řešit s pomocí diskutovaných modelů, jsou schopni vybrat vhodný model z této třídy, implementovat jej a interpretovat jeho výsledky.

Osnova

• Nelineární parametrické regresní modely
• Regrese s korelovanými daty, zobecněné nejmenší čtverce, zobecněné odhadovací rovnice
• Volba modelu, regularizační techniky
• Regresní modely v analýze přežití

Literatura

• VERBEKE, Geert a Geert MOLENBERGHS. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2009, xxii, 568. ISBN 9781441902993. info
• KLEIN, John P. a Melvin L. MOESCHBERGER. Survival analysis : techniques for censored and truncated data. 2nd ed. New York: Springer, 2003, xv, 536. ISBN 9781441929853. info
• HASTIE, Trevor, Robert TIBSHIRANI a J. H. FRIEDMAN. The elements of statistical learning : data mining, inference, and prediction. 2nd ed. New York, N.Y.: Springer, 2009, xxii, 745. ISBN 9780387848570. info
• MOLENBERGHS, Geert a Geert VERBEKE. Models for discrete longitudinal data. New York: Springer-Verlag, 2005. ISBN 978-0-387-28980-9. info
• Survival and event history analysisa process point of view. Edited by Odd O. Aalen - Ørnulf Borgan - S. Gjessing. New York, NY: Springer, 2008, xviii, 539. ISBN 9780387202877. info

Výukové metody

Přednášky, cvičení

Metody hodnocení

Ústní zkouška, zadané domácí úlohy

Navazující předměty

• M8752 Pokročilé regresní modely II

Informace učitele

https://is.muni.cz/auth/el/1431/jaro2018/M8751/index.qwarp

Další komentáře

Předmět je vyučován každoročně.

• Statistika zápisu (nejnovější)