Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Analiza czasu trwania

Informacje ogólne

Kod przedmiotu: 229080-D
Kod Erasmus / ISCED: 11.2 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0542) Statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Analiza czasu trwania
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 3.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
zobacz reguły punktacji
Język prowadzenia: polski
Efekty uczenia się:

Wiedza:

Student powinien znać historię, filozofię i specyfikę modeli: nieparametrycznych, parametrycznych i sami-parametrycznych oraz szczególne przypadki tych modeli, takie jak modele analizy historii zdarzeń o czasie dyskretnym i modele ryzyk konkurencyjnych; metody Survival Data Mining oraz bayesowskie podejście do analizy historii zdarzeń.

Student powinien znać teorię z zakresu podstawowych typów modeli: pojedynczego epizodu, wielu epizodów, ryzyk konkurencyjnych; modeli opartych na procesie stanowym; modeli nieparametrycznych, parametrycznych i semiparametrycznych; metod Survival Data Mining.

Student powinien znać metody estymacji modeli analizy czasu trwania: metodę największej wiarygodności, metodę częściowej największej wiarygodności i ich modyfikacje oraz podstawowe ich algorytmy; metody estymacji modeli analizy przeżycia w podejściu bayesowskim oraz metody estymacji modeli Survival Data Mining.

Umiejętności:

Student powinien umieć: zdefiniować i przygotować zmienną celu do estymacji modeli analizy czasu trwania, zdefiniować badane zdarzenie (zdarzenia), zdefiniować i określić rodzaj obcięcia i cenzurowania, zbudować poprawnie zbiór danych do estymacji modeli przeżycia zawierający zmienne niezależne i zależne od czasu.

Student powinien umieć: przeprowadzić estymację, weryfikację oraz ocenę jakości modeli; zinterpretować poprawnie wyniki estymacji modeli analizy przeżycia różnych typów oraz modeli Survival Data Mining w odniesieniu do zmiennych niezależnych i zależnych od czasu.

Student powinien umieć: poprawnie na bazie wyników estymacji ocenić wartość predykcyjną estymowanych modelu(i); zbudować model predykcyjny i przeprowadzić pełna diagnostykę modelu oraz podjąć dalsze działania mające na celu poprawę jakości predykcji.

Kompetencje społeczne:

Nabycie umiejętności w posługiwaniu się programami SAS i R do estymacji różnego typu modeli analizy czasu trwania na użytek modelowania dla biznesu.

Nabycie umiejętności "twardych i miękkich" w zakresie analizy czasu trwania; umiejętności pracy w zespole (poprzez udział w zespole przygotowującym projekty); umiejętności propagowania zastosowania modeli przeżycia w środowisku analityki biznesowej.

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-15 - 2025-09-30

Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aleksandra Iwanicka, Aneta Ptak-Chmielewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim.

Pełny opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim. Wskazywane są różne obszary zastosowań analizy czasu trwania ze szczególnym nastawieniem na zdobycie praktycznych umiejętności posługiwania się poszczególnymi modelami. W ramach zajęć laboratoryjnych realizowany jest pełny proces budowy modeli przeżycia obejmujący następujące etapy ich konstrukcji: przygotowanie danych, zdefiniowanie oraz selekcja zmiennych, estymacja i weryfikacja modelu, ocena użyteczności modelu z perspektywy potrzeb predykcji. Przykłady zastosowań zostaną przedstawione z wykorzystaniem programów SAS i R. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.
Literatura:

Literatura podstawowa:

Allison P.D. (2018), Survival Analysis Using the SAS?: A Practical Guide, Second Edition, SAS Institute Inc., Cary, NC.

Frątczak E., Gach-Ciepiela U., Babiker H. (2005), Analiza historii zdarzeń. Elementy teorii, wybrane przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W. (2019), Modelowanie karier zawodowej i rodzinnej z wykorzystaniem podejścia bayesowskiego, Wydawnictwo Naukowe PWN, Warszawa.

Ibrahim J.G., Chen M.H., Sinha D. (2001), Bayesian Survival Analysis, Springer-Verlag, New York.

Jenkins S. P. (2005), Survival analysis. Unpublished manuscript, Institute for Social and Economic Research, University of Essex, Colchester, UK, 42, 54-56.

Klein J.P., Moeschberger M.L. (2005), Survival Analysis: Techniques for Censored and Truncated Data, Springer Science & Business Media, New York.

Kleinbaum D.G., Klein M. (2006), Survival Analysis: A Self-Learning Text, Springer Science & Business Media, USA.

Landmesser J. (2013), Wykorzystanie metod analizy czasu trwania do badania aktywności ekonomicznej ludności w Polsce, Wydawnictwo SGGW, Warszawa.

Moore, D. F. (2016), Applied survival analysis using R. New York, NY: Springer.

Literatura uzupełniająca:

Balicki A. (2006), Analiza przeżycia i tablice wymieralności, PWE, Warszawa.

Bieszk-Stolorz B., Landmesser J., Markowicz I. (2020), Analiza trwania w badaniach ekonomicznych. Modele parametryczne, CeDeWu, Warszawa.

Bieszk-Stolorz B., Markowicz I. (2019), Analiza trwania w badaniach ekonomicznych. Modele nieparametryczne i semiparametryczne, CeDeWu, Warszawa.

Blossfeld H.P., Rohwer G. (1995), Techniques of Event History Modeling. New Approaches to Causal Analysis, L. Erlbaum, Mahwah, NJ.

Broström, G. (2021), Event history analysis with R. Chapman and Hall/CRC.

Coleman J.S. (1981), Longitudinal Data Analysis, Basic Books, Inc. Publisher, New York.

Collett D. (2014), Modelling Survival Data in Medical Research, Chapman and Hall, CRC Press Book, London.

Finkelstein M.S. (2008), Failure Rate Modelling for Reliability and Risk, Springer, London.

Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian Data Analysis, Chapman & Hall/CRC, London.

Greenberg E. (2013), Introduction to Bayesian Econometrics, Cambridge University Press, New York.

Grzenda W. (2021), Direct adjusted survival probabilities in the analysis of finding a job by the unemployed depending on their individual characteristics. In: Jajuga K., Najman K., Walesiak M. (eds) Data Analysis and Classification, Methods and Applications. Springer, Cham. 229-244

Grzenda W. (2020), Prediction of the probability of employment termination by people over the age of 50 using parametric survival models. In M. Papież and S. Śmiech (Eds.), The 14th Professor Aleksander Zeliaś International Conference on Modelling and Forecasting of Socio-Economic Phenomena. Conference Proceedings. Krakow, 52-60.

Grzenda W. (2019), Survival Modelling of Repeated Events Using the Example of Changes in the Place of Employment, Acta Universitatis Lodziensis. Folia Oeconomica, 3(342), 183-197.

Grzenda W. (2017), Modelling the duration of the first job using Bayesian accelerated failure time models, Acta Universitatis Lodziensis, Folia Oeconomica, 4(330), 19?38.

Grzenda W. (2016), Modelowanie bayesowskie, teoria i przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W., Buczyński M. K. (2015), Estimation of employee turnover with competing risks models, Folia Oeconomica Stetinensia, 15(2), 53-65.

Grzenda W. (2013), The significance of prior information in Bayesian parametric survival models, Acta Universitatis Lodziensis, Folia Oeconomica, 285, 31?39.

Grzenda W, Ptak-Chmielewska A., Przanowski K., Zwierz U. (2012), Przetwarzanie danych w SAS, (Wydanie drugie, poprawione i uzupełnione), Oficyna Wydawnicza Szkoła Główna Handlowa, Warszawa.

Hosmer D.W., Lemeshow S., May S. (2008), Applied Survival Analysis: Regression Modeling of Time to Event Data, Wiley, New York.

Kalbfleisch J.D., Prentice R.L. (2011), The Statistical Analysis of Failure Time Data, Second Edition, Wiley, USA.

Legrand C. (2021), Advanced Survival Models, Chapman and Hall/CRC, USA

Liu X. (2012), Survival Analysis: Models and Applications, John Wiley & Sons, United Kingdom.

Miller R.G. (2011), Survival Analysis, Vol. 66, John Wiley & Sons.

Publikacje własne:

-
Uwagi:

Kryteria oceniania:

egzamin testowy: 50.00%

projekty: 50.00%

Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim.

Pełny opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim. Wskazywane są różne obszary zastosowań analizy czasu trwania ze szczególnym nastawieniem na zdobycie praktycznych umiejętności posługiwania się poszczególnymi modelami. W ramach zajęć laboratoryjnych realizowany jest pełny proces budowy modeli przeżycia obejmujący następujące etapy ich konstrukcji: przygotowanie danych, zdefiniowanie oraz selekcja zmiennych, estymacja i weryfikacja modelu, ocena użyteczności modelu z perspektywy potrzeb predykcji. Przykłady zastosowań zostaną przedstawione z wykorzystaniem programów SAS i R. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.
Literatura:

Literatura podstawowa:

Allison P.D. (2018), Survival Analysis Using the SAS?: A Practical Guide, Second Edition, SAS Institute Inc., Cary, NC.

Frątczak E., Gach-Ciepiela U., Babiker H. (2005), Analiza historii zdarzeń. Elementy teorii, wybrane przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W. (2019), Modelowanie karier zawodowej i rodzinnej z wykorzystaniem podejścia bayesowskiego, Wydawnictwo Naukowe PWN, Warszawa.

Ibrahim J.G., Chen M.H., Sinha D. (2001), Bayesian Survival Analysis, Springer-Verlag, New York.

Jenkins S. P. (2005), Survival analysis. Unpublished manuscript, Institute for Social and Economic Research, University of Essex, Colchester, UK, 42, 54-56.

Klein J.P., Moeschberger M.L. (2005), Survival Analysis: Techniques for Censored and Truncated Data, Springer Science & Business Media, New York.

Kleinbaum D.G., Klein M. (2006), Survival Analysis: A Self-Learning Text, Springer Science & Business Media, USA.

Landmesser J. (2013), Wykorzystanie metod analizy czasu trwania do badania aktywności ekonomicznej ludności w Polsce, Wydawnictwo SGGW, Warszawa.

Moore, D. F. (2016), Applied survival analysis using R. New York, NY: Springer.

Literatura uzupełniająca:

Balicki A. (2006), Analiza przeżycia i tablice wymieralności, PWE, Warszawa.

Bieszk-Stolorz B., Landmesser J., Markowicz I. (2020), Analiza trwania w badaniach ekonomicznych. Modele parametryczne, CeDeWu, Warszawa.

Bieszk-Stolorz B., Markowicz I. (2019), Analiza trwania w badaniach ekonomicznych. Modele nieparametryczne i semiparametryczne, CeDeWu, Warszawa.

Blossfeld H.P., Rohwer G. (1995), Techniques of Event History Modeling. New Approaches to Causal Analysis, L. Erlbaum, Mahwah, NJ.

Broström, G. (2021), Event history analysis with R. Chapman and Hall/CRC.

Coleman J.S. (1981), Longitudinal Data Analysis, Basic Books, Inc. Publisher, New York.

Collett D. (2014), Modelling Survival Data in Medical Research, Chapman and Hall, CRC Press Book, London.

Finkelstein M.S. (2008), Failure Rate Modelling for Reliability and Risk, Springer, London.

Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian Data Analysis, Chapman & Hall/CRC, London.

Greenberg E. (2013), Introduction to Bayesian Econometrics, Cambridge University Press, New York.

Grzenda W. (2021), Direct adjusted survival probabilities in the analysis of finding a job by the unemployed depending on their individual characteristics. In: Jajuga K., Najman K., Walesiak M. (eds) Data Analysis and Classification, Methods and Applications. Springer, Cham. 229-244

Grzenda W. (2020), Prediction of the probability of employment termination by people over the age of 50 using parametric survival models. In M. Papież and S. Śmiech (Eds.), The 14th Professor Aleksander Zeliaś International Conference on Modelling and Forecasting of Socio-Economic Phenomena. Conference Proceedings. Krakow, 52-60.

Grzenda W. (2019), Survival Modelling of Repeated Events Using the Example of Changes in the Place of Employment, Acta Universitatis Lodziensis. Folia Oeconomica, 3(342), 183-197.

Grzenda W. (2017), Modelling the duration of the first job using Bayesian accelerated failure time models, Acta Universitatis Lodziensis, Folia Oeconomica, 4(330), 19?38.

Grzenda W. (2016), Modelowanie bayesowskie, teoria i przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W., Buczyński M. K. (2015), Estimation of employee turnover with competing risks models, Folia Oeconomica Stetinensia, 15(2), 53-65.

Grzenda W. (2013), The significance of prior information in Bayesian parametric survival models, Acta Universitatis Lodziensis, Folia Oeconomica, 285, 31?39.

Grzenda W, Ptak-Chmielewska A., Przanowski K., Zwierz U. (2012), Przetwarzanie danych w SAS, (Wydanie drugie, poprawione i uzupełnione), Oficyna Wydawnicza Szkoła Główna Handlowa, Warszawa.

Hosmer D.W., Lemeshow S., May S. (2008), Applied Survival Analysis: Regression Modeling of Time to Event Data, Wiley, New York.

Kalbfleisch J.D., Prentice R.L. (2011), The Statistical Analysis of Failure Time Data, Second Edition, Wiley, USA.

Legrand C. (2021), Advanced Survival Models, Chapman and Hall/CRC, USA

Liu X. (2012), Survival Analysis: Models and Applications, John Wiley & Sons, United Kingdom.

Miller R.G. (2011), Survival Analysis, Vol. 66, John Wiley & Sons.

Publikacje własne:

-
Uwagi:

Kryteria oceniania:

egzamin testowy: 50.00%

projekty: 50.00%

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-24 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda, Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim.

Pełny opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim. Wskazywane są różne obszary zastosowań analizy czasu trwania ze szczególnym nastawieniem na zdobycie praktycznych umiejętności posługiwania się poszczególnymi modelami. W ramach zajęć laboratoryjnych realizowany jest pełny proces budowy modeli przeżycia obejmujący następujące etapy ich konstrukcji: przygotowanie danych, zdefiniowanie oraz selekcja zmiennych, estymacja i weryfikacja modelu, ocena użyteczności modelu z perspektywy potrzeb predykcji. Przykłady zastosowań zostaną przedstawione z wykorzystaniem programów SAS i R. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.
Literatura:

Literatura podstawowa:

Allison P.D. (2018), Survival Analysis Using the SAS?: A Practical Guide, Second Edition, SAS Institute Inc., Cary, NC.

Frątczak E., Gach-Ciepiela U., Babiker H. (2005), Analiza historii zdarzeń. Elementy teorii, wybrane przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W. (2019), Modelowanie karier zawodowej i rodzinnej z wykorzystaniem podejścia bayesowskiego, Wydawnictwo Naukowe PWN, Warszawa.

Ibrahim J.G., Chen M.H., Sinha D. (2001), Bayesian Survival Analysis, Springer-Verlag, New York.

Jenkins S. P. (2005), Survival analysis. Unpublished manuscript, Institute for Social and Economic Research, University of Essex, Colchester, UK, 42, 54-56.

Klein J.P., Moeschberger M.L. (2005), Survival Analysis: Techniques for Censored and Truncated Data, Springer Science & Business Media, New York.

Kleinbaum D.G., Klein M. (2006), Survival Analysis: A Self-Learning Text, Springer Science & Business Media, USA.

Landmesser J. (2013), Wykorzystanie metod analizy czasu trwania do badania aktywności ekonomicznej ludności w Polsce, Wydawnictwo SGGW, Warszawa.

Moore, D. F. (2016), Applied survival analysis using R. New York, NY: Springer.

Literatura uzupełniająca:

Balicki A. (2006), Analiza przeżycia i tablice wymieralności, PWE, Warszawa.

Bieszk-Stolorz B., Landmesser J., Markowicz I. (2020), Analiza trwania w badaniach ekonomicznych. Modele parametryczne, CeDeWu, Warszawa.

Bieszk-Stolorz B., Markowicz I. (2019), Analiza trwania w badaniach ekonomicznych. Modele nieparametryczne i semiparametryczne, CeDeWu, Warszawa.

Blossfeld H.P., Rohwer G. (1995), Techniques of Event History Modeling. New Approaches to Causal Analysis, L. Erlbaum, Mahwah, NJ.

Broström, G. (2021), Event history analysis with R. Chapman and Hall/CRC.

Coleman J.S. (1981), Longitudinal Data Analysis, Basic Books, Inc. Publisher, New York.

Collett D. (2014), Modelling Survival Data in Medical Research, Chapman and Hall, CRC Press Book, London.

Finkelstein M.S. (2008), Failure Rate Modelling for Reliability and Risk, Springer, London.

Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian Data Analysis, Chapman & Hall/CRC, London.

Greenberg E. (2013), Introduction to Bayesian Econometrics, Cambridge University Press, New York.

Grzenda W. (2021), Direct adjusted survival probabilities in the analysis of finding a job by the unemployed depending on their individual characteristics. In: Jajuga K., Najman K., Walesiak M. (eds) Data Analysis and Classification, Methods and Applications. Springer, Cham. 229-244

Grzenda W. (2020), Prediction of the probability of employment termination by people over the age of 50 using parametric survival models. In M. Papież and S. Śmiech (Eds.), The 14th Professor Aleksander Zeliaś International Conference on Modelling and Forecasting of Socio-Economic Phenomena. Conference Proceedings. Krakow, 52-60.

Grzenda W. (2019), Survival Modelling of Repeated Events Using the Example of Changes in the Place of Employment, Acta Universitatis Lodziensis. Folia Oeconomica, 3(342), 183-197.

Grzenda W. (2017), Modelling the duration of the first job using Bayesian accelerated failure time models, Acta Universitatis Lodziensis, Folia Oeconomica, 4(330), 19?38.

Grzenda W. (2016), Modelowanie bayesowskie, teoria i przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W., Buczyński M. K. (2015), Estimation of employee turnover with competing risks models, Folia Oeconomica Stetinensia, 15(2), 53-65.

Grzenda W. (2013), The significance of prior information in Bayesian parametric survival models, Acta Universitatis Lodziensis, Folia Oeconomica, 285, 31?39.

Grzenda W, Ptak-Chmielewska A., Przanowski K., Zwierz U. (2012), Przetwarzanie danych w SAS, (Wydanie drugie, poprawione i uzupełnione), Oficyna Wydawnicza Szkoła Główna Handlowa, Warszawa.

Hosmer D.W., Lemeshow S., May S. (2008), Applied Survival Analysis: Regression Modeling of Time to Event Data, Wiley, New York.

Kalbfleisch J.D., Prentice R.L. (2011), The Statistical Analysis of Failure Time Data, Second Edition, Wiley, USA.

Legrand C. (2021), Advanced Survival Models, Chapman and Hall/CRC, USA

Liu X. (2012), Survival Analysis: Models and Applications, John Wiley & Sons, United Kingdom.

Miller R.G. (2011), Survival Analysis, Vol. 66, John Wiley & Sons.

Publikacje własne:

-
Uwagi:

Kryteria oceniania:

egzamin testowy: 50.00%

projekty: 50.00%

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Wioletta Grzenda
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim.

Pełny opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu analizy czasu trwania zarówno w ujęciu klasycznym jak i bayesowskim. W toku prowadzonych zajęć omawiane są różne rodzaje modeli: nieparametrycznych, parametrycznych i semiparametrycznych. Prezentowane są teoretyczne podstawy omawianych modeli czasu trwania, metody ich estymacji oraz weryfikacji na gruncie klasycznym i bayesowskim. Wskazywane są różne obszary zastosowań analizy czasu trwania ze szczególnym nastawieniem na zdobycie praktycznych umiejętności posługiwania się poszczególnymi modelami. W ramach zajęć laboratoryjnych realizowany jest pełny proces budowy modeli przeżycia obejmujący następujące etapy ich konstrukcji: przygotowanie danych, zdefiniowanie oraz selekcja zmiennych, estymacja i weryfikacja modelu, ocena użyteczności modelu z perspektywy potrzeb predykcji. Przykłady zastosowań zostaną przedstawione z wykorzystaniem programów SAS i R. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.
Literatura:

Literatura podstawowa:

Allison P.D. (2018), Survival Analysis Using the SAS?: A Practical Guide, Second Edition, SAS Institute Inc., Cary, NC.

Frątczak E., Gach-Ciepiela U., Babiker H. (2005), Analiza historii zdarzeń. Elementy teorii, wybrane przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W. (2019), Modelowanie karier zawodowej i rodzinnej z wykorzystaniem podejścia bayesowskiego, Wydawnictwo Naukowe PWN, Warszawa.

Ibrahim J.G., Chen M.H., Sinha D. (2001), Bayesian Survival Analysis, Springer-Verlag, New York.

Jenkins S. P. (2005), Survival analysis. Unpublished manuscript, Institute for Social and Economic Research, University of Essex, Colchester, UK, 42, 54-56.

Klein J.P., Moeschberger M.L. (2005), Survival Analysis: Techniques for Censored and Truncated Data, Springer Science & Business Media, New York.

Kleinbaum D.G., Klein M. (2006), Survival Analysis: A Self-Learning Text, Springer Science & Business Media, USA.

Landmesser J. (2013), Wykorzystanie metod analizy czasu trwania do badania aktywności ekonomicznej ludności w Polsce, Wydawnictwo SGGW, Warszawa.

Moore, D. F. (2016), Applied survival analysis using R. New York, NY: Springer.

Literatura uzupełniająca:

Balicki A. (2006), Analiza przeżycia i tablice wymieralności, PWE, Warszawa.

Bieszk-Stolorz B., Landmesser J., Markowicz I. (2020), Analiza trwania w badaniach ekonomicznych. Modele parametryczne, CeDeWu, Warszawa.

Bieszk-Stolorz B., Markowicz I. (2019), Analiza trwania w badaniach ekonomicznych. Modele nieparametryczne i semiparametryczne, CeDeWu, Warszawa.

Blossfeld H.P., Rohwer G. (1995), Techniques of Event History Modeling. New Approaches to Causal Analysis, L. Erlbaum, Mahwah, NJ.

Broström, G. (2021), Event history analysis with R. Chapman and Hall/CRC.

Coleman J.S. (1981), Longitudinal Data Analysis, Basic Books, Inc. Publisher, New York.

Collett D. (2014), Modelling Survival Data in Medical Research, Chapman and Hall, CRC Press Book, London.

Finkelstein M.S. (2008), Failure Rate Modelling for Reliability and Risk, Springer, London.

Gelman A., Carlin J.B., Stern H.S., Rubin D.B. (2000), Bayesian Data Analysis, Chapman & Hall/CRC, London.

Greenberg E. (2013), Introduction to Bayesian Econometrics, Cambridge University Press, New York.

Grzenda W. (2021), Direct adjusted survival probabilities in the analysis of finding a job by the unemployed depending on their individual characteristics. In: Jajuga K., Najman K., Walesiak M. (eds) Data Analysis and Classification, Methods and Applications. Springer, Cham. 229-244

Grzenda W. (2020), Prediction of the probability of employment termination by people over the age of 50 using parametric survival models. In M. Papież and S. Śmiech (Eds.), The 14th Professor Aleksander Zeliaś International Conference on Modelling and Forecasting of Socio-Economic Phenomena. Conference Proceedings. Krakow, 52-60.

Grzenda W. (2019), Survival Modelling of Repeated Events Using the Example of Changes in the Place of Employment, Acta Universitatis Lodziensis. Folia Oeconomica, 3(342), 183-197.

Grzenda W. (2017), Modelling the duration of the first job using Bayesian accelerated failure time models, Acta Universitatis Lodziensis, Folia Oeconomica, 4(330), 19?38.

Grzenda W. (2016), Modelowanie bayesowskie, teoria i przykłady zastosowań, Oficyna Wydawnicza SGH, Warszawa.

Grzenda W., Buczyński M. K. (2015), Estimation of employee turnover with competing risks models, Folia Oeconomica Stetinensia, 15(2), 53-65.

Grzenda W. (2013), The significance of prior information in Bayesian parametric survival models, Acta Universitatis Lodziensis, Folia Oeconomica, 285, 31?39.

Grzenda W, Ptak-Chmielewska A., Przanowski K., Zwierz U. (2012), Przetwarzanie danych w SAS, (Wydanie drugie, poprawione i uzupełnione), Oficyna Wydawnicza Szkoła Główna Handlowa, Warszawa.

Hosmer D.W., Lemeshow S., May S. (2008), Applied Survival Analysis: Regression Modeling of Time to Event Data, Wiley, New York.

Kalbfleisch J.D., Prentice R.L. (2011), The Statistical Analysis of Failure Time Data, Second Edition, Wiley, USA.

Legrand C. (2021), Advanced Survival Models, Chapman and Hall/CRC, USA

Liu X. (2012), Survival Analysis: Models and Applications, John Wiley & Sons, United Kingdom.

Miller R.G. (2011), Survival Analysis, Vol. 66, John Wiley & Sons.

Publikacje własne:

-
Uwagi:

Kryteria oceniania:

egzamin testowy: 50.00%

projekty: 50.00%
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa tel: +48 22 564 60 00 http://www.sgh.waw.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0