Szkoła Główna Handlowa w Warszawie - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Regresja logistyczna z wykorzystaniem narzędzi SAS

Informacje ogólne

Kod przedmiotu: 223480-S Kod Erasmus / ISCED: 11.2 / (0542) Statystyka
Nazwa przedmiotu: Regresja logistyczna z wykorzystaniem narzędzi SAS
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty obowiązkowe na programie NMMS-ADA
Punkty ECTS i inne: 3.00 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: polski
Skrócony opis:

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie modelowania z wykorzystaniem regresji logistycznej oraz podstawowej wiedzy z zakresu analizy tablic kontyngencji. Studenci zapoznają się z: filozofią i historią estymacji tego rodzaju modeli; z procedurami estymacji oraz weryfikacji modeli logistycznych (binarnego, uporządkowanego oraz wielomianowego); zagadnieniami praktycznego zastosowania omawianych metod w obszarach: biologiczno-medycznym, społecznym i ekonomicznym.

Pełny opis:

Celem zajęć jest przekazanie studentom wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej (binarnej, uporządkowanej oraz wielomianowej) oraz z zakresu podstaw analizy tablic kontyngencji. W toku prowadzonych zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji wybranych modeli, jak również wskazywane są obszary zastosowań ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi modelami logitowymi. W ramach zajęć studenci mają możliwość doświadczenia procesu budowy modeli regresji logistycznej uwzględniającego poszczególne etapy ich konstrukcji. Zajęcia wchodzą w skład Certyfikatu "Data Scientist z Systemem SAS" na studiach magisterskich stacjonarnych na kierunku Analiza Danych - Big Data.

Literatura:

Literatura podstawowa:

1. Frątczak E. red. Zaawansowane Metody Analiz Statystycznych, SGH, Warszawa 2012.

2. Frątczak E. red. Modelowanie dla biznesu, SGH, Warszawa 2019.

3. Allison D. Logistic Regression Using SAS: Theory and Application, SAS, USA, 2012

4. Hosmer W. , Jr., Stanley Lemeshow, Rodney X. Sturdivant, Applied Logistic Regression, John Wiley & Sons, 2013

5. Hosmer, D.W., S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany. , John Wiley & Sons, Second Edition, New York 2013.

6. Kleinbaum D., G. ,Mitchel Klein, Logistic Regression: A Self-Learning Text, Springer, 2010.

7. Brian S. Everitt, Hothorn T., A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher 2010. .

8. Borooah V.K., Logit and Probit. Sage University Paper, No. 138, New York, 2002.

9. Osborne J.W., Best Practices in Logistic Regression, Sage Publication, 2015.

10. Panik M. Regression Modelling. Methods, Theory and Computation with SAS, CRS Press - Taylor & Francis Group, 2009.

11. Primer A., Logistic Regression. Sage University Paper, No. 132, New York, 2000.

12. Stanisz A., Modele regresji logistycznej. Zastosowania w medycynie, naukach przyrodniczych i społecznych. StatSoft Polska, Kraków, 2016.

13. Frątczak E., Regresja logistyczna jako narzędzie do modelowania poziomu i jakości życia. w: Konsumpcja. Jakość życia. Monografia dedykowana profesor Teresie Słaby, pod redakcją naukową Anny Dąbrowskiej, Mirosławy Janoś-Kresło, Rafała Kasprzaka, Bogdana Mroza, SGH, Warszawa, 2018, s. 115 - 158.

14. P. Biecek, T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021

15. Publikacje z Statistical Associates Publishers ,

http://www.statisticalassociates.com/

http://www.statisticalassociates.com/edboard.htm

http://www.statisticalassociates.com/booklist.htm

Ordinal Regression ; Logistic Regression, Binary & Multinominal .

Literatura uzupełniająca:

D.R. Cox, E.J. Snell, Analysis of Binary Data, Chapman and Hall, London 1989; S. Rabe-Hesketh, B. Everitt, A Handbook of Statistical Analyses using STATA, Chapman&Hall/CRC, 2004; J. Jaccard, Interaction Effects in Logistic Regression. Sage University Paper, No. 135, New York, 2001; Logistic Regression, Binary & Multinomial and Ordinal Regression from: http://www.statisticalassociates.com/booklist.htm; http://support.sas.com/documentation/cdl/en/statug/63033/PDF/default/statug.pdf; K. Przanowski, S. Zając. Modelowanie dla biznesu. Metody machine learning, modele portfela cf, modele rekurencyjne analizy przeżycia, modele scoringowe. SGH, 2020.

Efekty uczenia się:

Wiedza:

Student powinien znać historię, filozofię i specyfikę modeli regresji logistycznej: binarnej, uporządkowanej i wielomianowej, znać możliwości i obszary zastosowania modeli regresji logistycznej.

Student powinien rozumieć koncepcję analizy tablic kontyngencji i znać podstawowe miary współzależności, znać metody estymacji, weryfikacji i oceny jakości modeli regresji logistycznej.

Student powinien znać różne sposoby kodowania zmiennych jakościowych, znać podstawowe sposoby wprowadzania zmiennych ilościowych do modeli regresji logistycznej, znać ideę interakcji w modelach regresji logistycznej, znać metody selekcji do modelu zestawu zmiennych objaśniających.

Umiejętności:

Student powinien umieć przygotować zbiory danych do analizy regresji logistycznej, umieć zastosować sposób kodowania zmiennych odpowiedni do zagadnienia badawczego oraz charakterystyki danych, umieć wprowadzić do modeli logistycznych interakcje i zmienne ilościowe w odpowiedniej formie.

Student powinien rozróżniać modele regresji logistycznej, znać ich podstawowe zalety oraz ograniczenia, umieć zastosować odpowiednią strategię budowy modelu logistycznego stosownie do postawionego celu analizy, umieć przeprowadzić estymację, weryfikację oraz ocenę jakości modelu regresji logistycznej, oraz rozumieć ograniczenia wynikające z przyjętej metody estymacji. Student powinien umieć interpretować wyniki analiz tablic kontyngencji i wyniki estymacji modeli regresji logistycznej.

Student powinien umieć poprawnie ocenić wartość predykcyjną estymowanych modeli logistycznych, dokonać predykcji na bazie modelu i podjąć dalsze działania związane z doskonaleniem cyklu analitycznego.

Kompetencje społeczne:

Student powinien nabrać kreatywności w formułowaniu i rozwiązywaniu problemów analitycznych z zastosowaniem regresji logistycznej.

Student powinien umieć wykorzystywać narzędzia SAS do implementacji modeli regresji logistycznej.

Metody i kryteria oceniania:

inne: 10.00%

egzamin tradycyjny-pisemny: 45.00%

kolokwium: 20.00%

projekty: 25.00%

Zajęcia w cyklu "Semestr zimowy 2019/20" (zakończony)

Okres: 2019-10-01 - 2020-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2019/20" (zakończony)

Okres: 2020-02-22 - 2020-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2020/21" (zakończony)

Okres: 2020-10-01 - 2021-02-19
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2020/21" (zakończony)

Okres: 2021-02-20 - 2021-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Ewa Frątczak, Aleksandra Iwanicka, Maciej Wojtecki-Głód
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr zimowy 2021/22" (w trakcie)

Okres: 2021-10-01 - 2022-02-18
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Praca samodzielna pod kontrolą wykładowcy, 7 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

Zajęcia w cyklu "Semestr letni 2021/22" (jeszcze nie rozpoczęty)

Okres: 2022-02-19 - 2022-09-30
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 14 godzin więcej informacji
Praca samodzielna pod kontrolą wykładowcy, 7 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Aleksandra Iwanicka
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.