Cílem kurzu je zvládnutí základních postupů regresního modelování potřebných pro vyhodnocení typických výzkumných hypotéz v kvantitativním empirickém výzkumu. Důraz je kladen především na specifikaci vhodného regresního modelu, jeho odhad pomocí profesionálního statistického programu a následnou int
Cílem kurzu je zvládnutí základních postupů regresního modelování potřebných pro vyhodnocení typických výzkumných hypotéz v kvantitativním empirickém výzkumu. Důraz je kladen především na specifikaci vhodného regresního modelu, jeho odhad pomocí profesionálního statistického programu a následnou interpretaci a verifikaci výsledků.
Po úspěšném absolvování budou studenti schopni navrhnout, odhadnout a interpretovat lineární i nelineární regresní modely za účelem jejich praktické aplikace v kvantitativní analýze.
• Deskriptivní, kauzální a prediktivní úlohy. Výzkumné hypotézy v empirickém výzkumu, problematika vyhodnocení kauzálních vztahů pomocí neexperimentálních dat. • Jednoduchá lineární regrese. Odhad regresních parametrů a jejich interpretace. Shoda modelu s daty. Logaritmická transformace a model s konstantní elasticitou. • Vícenásobná regrese. Funkční tvar ve vícenásobné lineární regresi: kategoriální vysvětlující proměnné, kvadratické členy a interakce. • Algebraické vlastnosti MNČ odhadů. Vlastnosti reziduí a vyrovnaných hodnot, dopad změn jednotek a jiných lineárních transformací, dopad volby referenčních kategorií. • Statistické vlastnosti odhadů v malých a velkých výběrech, statistická indukce. Směrodatná chyba a výběrové rozdělení odhadových statistik, intervaly spolehlivosti, testování hypotéz. • Multikolinearita. Příčiny a důsledky, detekce, kompromis mezi rozptylem a vychýlením odhadů. Role kontrolních a klíčových vysvětlujících proměnných v empirickém výzkumu. Kritéria volby relevantních proměnných. • Predikce na základě lineární regrese, predikční intervaly. • Nelineární regresní modely s binární závisle proměnnou: logit a probit. Odhad parametrů, interpretace koeficientů, výpočet mezních efektů, shoda modelu s daty. • Modely s ordinální a multinomickou závisle proměnnou. • Modely s čítací závislé proměnnou: Poissonova regrese a negativně binomický model. • Robustní statistická indukce. Heteroskedasticita v lineárních a zobecněných lineárních regresních modelech, víceúrovňové modely a clusterování. Sendvičové a bootstrapové odhady směrodatných chyb.
Základní:
Používej Markdown: ## Nadpis, **tučně**, `kód`, - odrážky, > citace