Course Credit Requirements

To obtain course credit, students must fulfil the following three requirements:

1. Attendance at seminars: A maximum of three absences is permitted. In the case of illness or other serious reasons, absences must be excused in advance.

2. Midterm credit test: Students must successfully complete a midterm credit test covering the material discussed during the semester. A minimum score of 60% is required to pass the test.

2. Semester project: The project must be submitted by the specified deadline(s). Students may be allowed one revision of the project. The decision on whether a revision will be permitted is entirely at the discretion of the respective instructor. Students are expected to demonstrate independence and a creative approach when completing the semester project.

The date of the credit test and deadline(s) for project submission will be announced at the beginning of the semester.

Make-up option:

Students who fail to meet any of the above requirements (insufficient attendance, failure to submit the project, or failure to achieve at least 60% on the midterm credit test) may be allowed to take a cumulative make-up credit test. This test covers practical problems from the material covered throughout the semester. To obtain course credit, students must achieve at least 60% on this test as well.

Exam

Only students who earned the credit can take the exam. The exam will be written, in pre-announced dates. Students have to register for the chosen date in SIS. The duration of the exam is 90 minutes and the maximum number of points is 100. The exam will consist of two parts - a theoretical part (maximum of 50 points) and a practical part (maximum of 50 points). To successfully pass the exam, a student needs to earn at least 25 points from each of the two parts. The final grade of students who earned the credit and met the minimum required-point levels in the exam is then determined on the basis of the total sum of points from the above mentioned requirements on the following scale: A 90-100%, B 80-90%, C 70-80%, D 60-70%, E 50-60%, F less than 50%.

Everyone is responsible for obliging to standard rules of academic honesty and integrity and for submitting own solutions to problems. All written tests are conducted in accordance with the common examination rules of the School of Business. Any violations of the exam rules or general academic honesty and integrity or of ethic codex (that includes any sort of cheating, copying of someone else’s work and presenting it as own, use of AI inappropriately and without properly citing it) will result in grade F.

Požadavky pro získání zápočtu

Pro získání zápočtu je nutné splnit následující tři podmínky:

1. Docházka na cvičení: Povoleny jsou maximálně tři absence. V případě nemoci nebo jiných závažných důvodů je nutné se omluvit předem.

2. Průběžný zápočtový test: Student musí úspěšně absolvovat průběžný zápočtový test, který prověřuje látku probíranou během semestru. Minimální hranice pro úspěšné splnění testu je 60 %.

3. Semestrální projekt: Projekt musí být odevzdán v určeném termínu (případně termínech). Studentovi může být umožněno jedno přepracování projektu. Rozhodnutí o možnosti přepracování je plně v kompetenci konkrétního vyučujícího. Při zpracování semestrálního projektu se očekává samostatnost a tvůrčí přístup.

Termín průběžného zápočtového testu a termín(y) odevzdání semestrálního projektu budou oznámeny na začátku semestru.

Opravná možnost:

Studentům, kteří nesplní některý z výše uvedených požadavků (nedostatečná docházka, neodevzdání projektu nebo nezískání alespoň 60 % bodů z průběžného zápočtového testu), může být umožněno vykonat souhrnný opravný zápočtový test. Tento test pokrývá praktické příklady z látky probírané během celého semestru. Pro získání zápočtu je i v tomto případě nutné dosáhnout alespoň 60 % bodů.

Zkouška

Ke zkoušce se mohou přihlásit pouze studenti, kteří získali zápočet. Zkouška je písemná a probíhá v předem vyhlášených termínech. Na zvolený termín zkoušky se studenti přihlašují prostřednictvím systému SIS. Délka zkoušky je 90 minut a maximální počet bodů je 100. Zkouška se skládá ze dvou částí – teoretické části (maximálně 50 bodů) a praktické části (maximálně 50 bodů). Pro úspěšné složení zkoušky je nutné získat alespoň 25 bodů z každé části. Konečné hodnocení studentů, kteří získali zápočet a splnili minimální bodové hranice u zkoušky, se stanoví na základě celkového součtu bodů podle následující stupnice: A: 90–100 %, B: 80–89 %, C: 70–79 %, D: 60–69 %, E: 50–59 %, F: méně než 50 %.

Každý student je odpovědný za dodržování zásad akademické poctivosti a integrity a za odevzdávání vlastních řešení zadaných úloh. Všechny písemné testy a zkoušky se řídí společnými pravidly Ústavu ekonomiky a managementu pro písemné testy a zkoušky. Jakékoli porušení pravidel zkoušek, zásad akademické poctivosti a integrity nebo Etického kodexu (včetně jakékoli formy podvádění, opisování, vydávání cizí práce za vlastní nebo nevhodného používání nástrojů umělé inteligence bez jejich řádného uvedení) bude mít za následek hodnocení F.

Obligatory:

• STUDENMUND, A.H. . Using econometrics: A practical guide.. New York: Pearson Global Edition, 2017, s. ISBN 978-01-3136773-9.
• LEVINE, SZABAT, STEPHAN . Business Statistics: A First Course. . New York: Pearson Global Edition, 2016, s. ISBN .

Recommended:

• LIND, D., MARCHAL, W., WATHEN, S.. Statistical Techniques in Business and Economics, (16th Edition). . : McGraw-Hill Education. , 2015, s. ISBN 978-0078020520..
• WARNER, R.M. . Applied Statistics. . : SAGE Publicatons Inc., 2012, s. ISBN .
• TRIOLA, M., F. . Essentials of Statistics (5th Edition). : Pearson Education, 2015, s. ISBN .

Povinná:

• STUDENMUND, A.H. . Using econometrics: A practical guide. . New York: Pearson Global Edition., 2017, s. ISBN 978-01-3136773-9.
• LEVINE, SZABAT, STEPHAN . Business Statistics: A First Course. . New York: Pearson Global Edition, 2016, s. ISBN .

Doporučená:

• LIND, D., MARCHAL, W., WATHEN, S. . Statistical Techniques in Business and Economics, (16th Edition). . : McGraw-Hill Education, 2015, s. ISBN .
• MENDENHALL, W.M, SINCICH, T.L. . Statistics for Engineering and Sciences. 8th ed.. : Taylor & Francis Inc., 2016, s. ISBN .
• WARNER, R.M. . Applied Statistics. . : SAGE Publicatons Inc., 2012, s. ISBN .
• TRIOLA, M., F. . Essentials of Statistics (5th Edition). : Pearson Education, 2015, s. ISBN .
• ZÁŠKODNÝ, Přemysl . The Principles of Probability and Statistics (Data Mining Approach). . Praha: Praha: Curriculum. , , s. ISBN .
• SALKIND, N.J. . Excel Statistics. . : Sage Publications., 2015, s. ISBN .

Lectures focused on explanation of theoretical concepts and statistical methods.

Seminars with practical exercises and problem-solving tasks.

Demonstrations of statistical techniques using statistical software and real datasets.

Independent student work on assigned exercises and data analysis tasks.

Class discussions and interpretation of empirical results.

Přednášky zaměřené na vysvětlení teoretických pojmů a statistických metod.

Semináře s praktickými cvičeními a úkoly zaměřenými na řešení problémů.

Ukázky statistických technik s využitím statistického softwaru a reálných datových souborů.

Samostatná práce studentů na zadaných cvičeních a úkolech zaměřených na analýzu dat.

Diskuse ve třídě a interpretace empirických výsledků.

Only students who earned the credit can take the exam. The exam will be written, in pre-announced dates. Students have to register for the chosen date in SIS. The duration of the exam is 90 minutes and the maximum number of points is 100. The exam will consist of two parts - a theoretical part (maximum of 50 points) and a practical part (maximum of 50 points). To successfully pass the exam, a student needs to earn at least 25 points from each of the two parts. The final grade of students who earned the credit and met the minimum required-point levels in the exam is then determined on the basis of the total sum of points from the above mentioned requirements on the following scale: A 90-100%, B 80-90%, C 70-80%, D 60-70%, E 50-60%, F less than 50%.

Ke zkoušce se mohou přihlásit pouze studenti, kteří získali zápočet. Zkouška je písemná a probíhá v předem vyhlášených termínech. Na zvolený termín zkoušky se studenti přihlašují prostřednictvím systému SIS. Délka zkoušky je 90 minut a maximální počet bodů je 100. Zkouška se skládá ze dvou částí – teoretické části (maximálně 50 bodů) a praktické části (maximálně 50 bodů). Pro úspěšné složení zkoušky je nutné získat alespoň 25 bodů z každé části. Konečné hodnocení studentů, kteří získali zápočet a splnili minimální bodové hranice u zkoušky, se stanoví na základě celkového součtu bodů podle následující stupnice: A: 90–100 %, B: 80–89 %, C: 70–79 %, D: 60–69 %, E: 50–59 %, F: méně než 50 %.

1. Repetition of the basics of statistics I. Descriptive statistics - characteristics. Basic probability distributions – discrete and continuous.

2. Repetition of the basics of statistics II. Statistical induction - point and interval estimates. Hypothesis testing, selected basic parametric tests (equality of mean, variance, etc.).

3. Repetition of the basics of statistics III. Normal and standardized normal distribution, the use and practical significance. Verification of normality.

4. Introduction to analyzing dependence I. Types of variables and types of data. Types of relationships between variables, difference between correlation and causality. Testing the independence of categorical variables (Pearson's Chi-square test).

5. Introduction to analyzing dependence II. Analysis of variance (Anova). Verification of test assumptions: normality and variance within groups. One-way and two-way ANOVA, nonparametric versions of the test.

6. Correlation analysis. Correlation coefficients for two- and multi-dimensional sets of normally distributed random variables (paired, partial, multiple). Testing hypotheses about the correlation coefficient. Correlation coefficients for violations of normality (Spearman's correlation coefficient, tetrachoric and biserial correlation coefficient).

7. Introduction to regression analysis I. Simple and multidimensional linear regression model and other types of regression models.

8. Introduction to regression analysis II. Basic evaluation of estimation results. Testing hypotheses and constructing confidence intervals for model parameters. Coefficient of determination.

9. Linear regression model (LRM). Least squares method and its assumptions. Gauss-Markov theorem and required properties of estimation. Violation of GMV assumptions and their consequences.

10. Specification of LRM. Choice of explanatory variables and choice of the functional form. Nonlinear models which can be transformed into a linear one. Multicollinearity in LRM.

11. Evaluation of the quality of the linear regression model. Residual analysis. Homoskedasticity, autocorrelation and endogeneity in LRM (with relevant tests). Normality of residuals.

12. Introduction to time series analysis I. Specifics of time series and their importance. Descriptive characteristics of time series, visualizations. Decomposition of time series.

13. Introduction to time series analysis I. Trend analysis and possibilities for using LRM in time series analysis.

14. Final recap.

Opakování základů statistiky I. Popisná statistika – charakteristiky. Základní pravděpodobnostní rozdělení – diskrétní a spojité.

Opakování základů statistiky II. Statistická inference – bodové a intervalové odhady. Testování hypotéz, vybrané základní parametrické testy (rovnost středních hodnot, rozptylů apod.).

Opakování základů statistiky III. Normální a standardizované normální rozdělení, použití a praktický význam. Ověření normality.

Úvod do analýzy závislostí I. Typy proměnných a dat. Typy vztahů mezi proměnnými, rozdíl mezi korelací a kauzalitou. Testování nezávislosti kategoriálních proměnných (Pearsonův chí-kvadrát test).

Úvod do analýzy závislostí II. Analýza rozptylu (ANOVA). Ověření předpokladů testu: normalita a rozptyl uvnitř skupin. Jednofaktorová a dvoufaktorová ANOVA, neparametrické verze testu.

Korelační analýza. Korelační koeficienty pro dvou- a vícerozměrné soubory normálně rozdělených proměnných (párové, parciální, multiplní). Testování hypotéz o korelačním koeficientu. Korelační koeficienty při porušení normality (Spearmanův koeficient, tetrachorický a biseriální koeficient).

Úvod do regresní analýzy I. Jednoduchý a vícerozměrný lineární regresní model a jiné typy regresních modelů.

Úvod do regresní analýzy II. Základní hodnocení výsledků odhadu. Testování hypotéz a konstrukce intervalů spolehlivosti parametrů modelu. Koeficient determinace.

Lineární regresní model (LRM). Metoda nejmenších čtverců a její předpoklady. Gauss-Markovova věta a požadované vlastnosti odhadu. Porušení předpokladů GMV a jejich důsledky.

Specifikace LRM. Volba vysvětlujících proměnných a funkčního tvaru. Nelineární modely transformovatelné na lineární. Multikolinearita v LRM.

Hodnocení kvality lineárního regresního modelu. Analýza reziduí. Homoskedasticita, autokorelace a endogenita v LRM (s příslušnými testy). Normalita reziduí.

Úvod do analýzy časových řad I. Specifika časových řad a jejich význam. Popisné charakteristiky časových řad, vizualizace. Dekompozice časových řad.

Úvod do analýzy časových řad II. Analýza trendů a možnosti využití LRM v analýze časových řad.

Závěrečné shrnutí.

After completing the course, students will be able to:

Explain key statistical concepts and apply basic statistical inference methods.

Analyze relationships between variables using correlation and analysis of variance.

Construct and interpret simple and multiple linear regression models.

Evaluate regression model assumptions and identify potential violations.

Interpret statistical results and apply them to empirical data analysis.

Apply basic methods of time series analysis, including trend identification and visualization.

Po absolvování předmětu bude student schopen:

Vysvětlit základní statistické pojmy a aplikovat základní metody statistické inference.

Analyzovat vztahy mezi proměnnými pomocí korelace a analýzy rozptylu.

Sestavit a interpretovat jednoduché a vícerozměrné lineární regresní modely.

Posoudit předpoklady regresního modelu a identifikovat možné porušení těchto předpokladů.

Interpretovat statistické výsledky a aplikovat je při analýze empirických dat.

Použít základní metody analýzy časových řad, včetně identifikace trendů a vizualizace.