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

Logistic Regression with SAS

Informacje ogólne

Kod przedmiotu: 223481-D Kod Erasmus / ISCED: 11.2 / (0542) Statystyka
Nazwa przedmiotu: Logistic Regression with SAS
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Major courses for AAB - masters
Przedmioty obowiązkowe na programie SMMD-ADA
Punkty ECTS i inne: 3.00 (zmienne w czasie)
zobacz reguły punktacji
Język prowadzenia: angielski
Skrócony opis:

The aim of the course is to provide student with a complex knowledge in logistic regression analysis. Students are able to learn about the history and philosophy of binary, oridinal and multinominal logistic models, procedures of estimation and evaluation of the models, as well as experience practical application of the presented methods to the social science, medicine and economic research. The main statistical software utilized will be SAS with examples in R & Python.

Pełny opis:

The objective of the course is to present a complex approach concerning logistic models (binary, ordinal and multinomial logistic regression analysis). During the lectures the philosophy and theoretical background of logistic models estimation and evaluation, as well as practical aspects of using logistic models are presented. During computer laboratories students have possibility to experience a complete process of modeling starting with the data preparation and variable specification, variable selection, estimation and verification, evaluation of the quality and finally prediction. Classes are part of the Certificate Program: "Data Scientist with SAS System" - Master's degree, stationary studies, at : Advanced Analytics - Big Data.

Literatura:

Literatura podstawowa:

E. Frątczak, red. Zaawansowane Metody Analiz Statystycznych, SGH, Warszawa 2012; E. Frątczak, red. Modelowanie dla biznesu, SGH, Warszawa 2019; D. Allison, Logistic Regression Using SAS: Theory and Application, SAS, USA, 2012; W. Hosmer Jr., S. Lemeshow, X. Rodney, Sturdivant, Applied Logistic Regression, John Wiley & Sons, 2014; D.G. Kleinbaum, M. Klein, Logistic Regression: A Self-Learning Text, Springler, 2010; B.S. Everitt, T. Hothorn, A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher 2010; D.N. Hosmer, S. Lemeshow, Applied Logistic Regression, John Wiley & Sons, Second Edition, New York 2000 & 2009; D.W. Hosmer, S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany, John Wiley & Sons, Second Edition, New York 2010; V.K. Borooah, Logit and Probit, Sage University Paper, No. 138, New York, 2002; A. Primer, Logistic Regression. Sage University Paper, No. 132, New York, 2000; P. Biecek, T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021.

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

Efekty uczenia się:

Wiedza:

Student should know history and philosophy of binary, oridinal and multinominal logistic models and other special cases of the models. Student should know possibilities and the areas of logistic models application.

Student should understand the concept of the contingency tables analysis and basic measures of correlation between categorical variables. Student should know how to estimate and evaluate logistic models.

Student should know basic methods of categorical variables coding and interpret the output for selected ways of coding. Student should know the idea of interaction in logistic regression models, know the basic ways of implementing quantitative variables to the logistic regression models, know the selection methods for the set of explanatory variables.

Umiejętności:

Student should know how to prepare data set due to the selected method of analysis. Student should be able to code categorical variables in order to receive interpretation adequate to research questions and data set. Student should be able to introduce interactions and quantitative variables in the appropriate form into logistic regression models.

Student should distinguish between logistic regression models, know their pros and cons, should be able to aplly a proper logistic model strategy according to the purpose of the analysis, should be able to estimate, verify logistic models, augment the quality of received results, and should understand the limitation of the estimation method. Student should be able to interpret the results of the logistic model estiamtion and the results of contingency table analysis.

Student should be able to evaluate the predictive power of the model, make predictions based on the model and take further actions related to the improvement of the analytical cycle.

Kompetencje społeczne:

The student should acquire creativity in formulating and solving analytical problems using logistic regression.

The student should be able to use SAS tools to implement logistic regression models.

Metody i kryteria oceniania:

egzamin testowy: 50.00%

kolokwium: 20.00%

projekty: 30.00%

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, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
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, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
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, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
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, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

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

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


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Egzamin

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

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


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Adam Korczyński
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.