Předmět navazuje na úvodní kurz statistiky a prohlubuje znalosti statistických metod používaných při analýze vztahů mezi proměnnými a modelování ekonomických a sociálních dat. Studenti si zopakují základní statistické pojmy a metody statistické inference. Následně se seznámí s analýzou závislostí mezi proměnnými, zejména pomocí korelace a analýzy rozptylu. Hlavní část kurzu je věnována regresní analýze, především lineárnímu regresnímu modelu, jeho předpokladům, odhadu a interpretaci výsledků. Závěr kurzu představuje základy analýzy časových řad. Důraz je kladen na praktickou aplikaci statistických metod při analýze empirických dat.

This course builds on the knowledge acquired in introductory statistics and provides a deeper understanding of statistical methods used for analyzing relationships between variables and modeling economic and social data. The course begins with a review of fundamental statistical concepts, including descriptive statistics, probability distributions, statistical estimation, and hypothesis testing. It then introduces methods for analyzing dependence between variables, such as analysis of variance and correlation analysis. A significant part of the course is devoted to regression analysis, focusing on the linear regression model, its assumptions, estimation using the least squares method, and the evaluation and interpretation of model results. The course also addresses common issues in regression modeling, including multicollinearity, heteroskedasticity, autocorrelation, and endogeneity. In the final part, students are introduced to the basics of time series analysis, including descriptive methods, decomposition, and trend analysis using regression models. The course emphasizes both theoretical understanding and practical application of statistical techniques for empirical data analysis.

Způsob získání kreditů: aktivní účast na semináři, odevzdání semestrálního projektu nebo úspěšné absolvování zápočtového testu (praktický)

Zkouška: písemná – teoretická a praktická část

Credit: active participation ins seminar, submission of term project, or passing the credit test (practical)

Exam: written - theoretical and practical part

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 .

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 .

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.

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.

Zápočet: aktivní účast na cvičeních, zpracování semstrálního projektu, popř. závěrečná zápočtová písemné práce

Zkouška: písemná - část teoretická a část praktická

Credit: active participation ins seminar, submission of term project, or passing the credit test (practical)

Exam: written - theoretical and practical part

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.

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.

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.

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.