Zaawansowana analityka biznesowa, metody imputacji danych

Modele statystyczne w analityce biznesowej. Imputacja danych. Zaawansowane modele liniowe. Modele oceny wartości klienta w czasie.

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie zaawansowanej analityki biznesowej opartej na danych przekrojowych oraz wzdłużnych. Techniki analityczne będą zaprezentowane w kontekście problemów biznesowych z zakresu badań klinicznych, badań marketingowych, głównie relacji z klientem, a także problemów ekonomicznych. Studenci zapoznają się z istotą, zakresem i znaczeniem zaawansowanych analiz biznesowych; z metodami imputacji danych, technikami eksploracji danych z wykorzystaniem modeli liniowych i z zaawansowanymi modelami liniowymi oraz technikami segmentacji klientów i oceny wartości relacji z klientem w czasie.

Celem zajęć jest przekazanie studentom wiedzy z zakresu zaawansowanej analityki biznesowej. W toku zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji zaawansowanych modeli biznesowych, jak również wskazywane są obszary zastosowań ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi metodami i modelami w rozwiązywaniu problemów biznesowych. Zajęcia składają się trzech bloków obejmujących odpowiednio zagadnienia imputacji danych, modeli liniowych i oceny wartości relacji z klientem w czasie. Studenci zapoznają się zarówno z praktycznym aspektem imputacji danych jak i ze znaczeniem imputacji w podejmowaniu decyzji biznesowych. W ramach laboratoriów studenci mają możliwość doświadczenia procesu budowy modeli uwzględniającego poszczególne etapy ich konstrukcji: przygotowania danych, na które składa się imputacja danych, zdefiniowania oraz selekcji zmiennych, estymacji, weryfikacji, oceny i poprawy jakości modelu oraz wykorzystaniu go do predykcji. Kontekst BIG DATA będzie uwzględniony. Głównym językiem programowania w ramach zajęć jest SAS, dodatkowymi R i Python. Zajęcia wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

Aanderud T., Collum R., Kumpfmiller R., An Introduction to SAS Visual Analytics: How to Explore Numbers, Design Reports, and Gain Insight into Your Data. SAS Institute, Cary , 2017.

Advanced Business Analytics - SAS Course Materials. SAS Institute , Cary 2015.

Allison A., Missing Data, Thousand Oaks: Sage University Paper, 2002.

Fader P., Hardie B.G., How to project customer retention, J. of Interactive Marketing, 2007

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

Frątczak E., I inni red. Statystyka - zastosowania biznesowe i społeczne, WSM, 2015 Warszawa

Hastie T., Tibshirani R., Friedman J., The elements of statistical learning. Data Mining, Inference, and Prediction. Second Edition, Springer: New York, 2009.

James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer: New York, 2013.

Korczyński A., Modelowanie statystyczne dla biznesu. Teoria i zastosowania z wykorzystaniem SAS Viya, R i Python, Oficyna Wydawnicza SGH, Warszawa, 2023.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kuhn M., K. Johnson, Applied Predictive Modeling, Springer, New York, 2013.

Linoff S.G., Data Analysis Using SQL and Excel, Second Edition, Wiley, 2016

Little A, Rubin D., Statistical Analysis with Missing Data. John Wiley & Sons: Hoboken 2002.

Malthouse E.C., Segmentation and Lifetime Value Models Using SAS, SAS Institute, 2013

Molenberghs G., Kenward M. G , Missing Data in Clinical Studies, John Wiley & Sons: Chichester, 2007

Ribeiro J., Business Survival Analysis Using SAS: An Introduction to Lifetime Probabilities. SAS Institute, Cary , 2017.

Silvia J. , Iqbal A., House S. Economic Modeling in the Post Great Recession Era: Incomplete Data, Imperfect Markets, SAS Institute, Cary 2017.

Svolba G., Applying Data Science. Business Case Studies, SAS Institute: Cary, NC, 2017.

Svolba G., Data Quality for Analytics Using SAS, SAS Institute: Cary, NC, 2012.

Literatura uzupełniająca:

Berger P., Nasr N., Customer lifetime value: Marketing models and applications, J. of Interactive Marketing, 1998

Clarke B.S. and Clarke J.L., Predictive Statistics. Analysis and Inference beyond Models, Cambridge University Press, Cambridge UK, 2018.

Frątczak E., Kordos J., Kamińska A., (red.) Statystyka zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014

Frątczak E. Statistics for Management and Economics, SGH, Warszawa, 2015.

Maimon O. and Rokach L. (red.), Data Mining and Knowledge Discovery Handbook, Springer, New York, 2005.

Rubin D., Multiple Imputation for Nonresponse in Surveys, John Wiley & Sons: Hoboken, 1997.

Schafer J. L., Analysis of Multivariate Incomplete Data, Chapman & Hall: London 1997.

Publikacje własne:

Korczyński A., Modelowanie statystyczne dla biznesu. Teoria i zastosowania z wykorzystaniem SAS Viya, R i Python, Oficyna Wydawnicza SGH, Warszawa, 2023.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

ocena z ćwiczeń: 50.00%

Modele statystyczne w analityce biznesowej. Imputacja danych. Zaawansowane modele liniowe. Modele oceny wartości klienta w czasie.

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie zaawansowanej analityki biznesowej opartej na danych przekrojowych oraz wzdłużnych. Techniki analityczne będą zaprezentowane w kontekście problemów biznesowych z zakresu badań klinicznych, badań marketingowych, głównie relacji z klientem, a także problemów ekonomicznych. Studenci zapoznają się z istotą, zakresem i znaczeniem zaawansowanych analiz biznesowych; z metodami imputacji danych, technikami eksploracji danych z wykorzystaniem modeli liniowych i z zaawansowanymi modelami liniowymi oraz technikami segmentacji klientów i oceny wartości relacji z klientem w czasie.

Celem zajęć jest przekazanie studentom wiedzy z zakresu zaawansowanej analityki biznesowej. W toku zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji zaawansowanych modeli biznesowych, jak również wskazywane są obszary zastosowań ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi metodami i modelami w rozwiązywaniu problemów biznesowych. Zajęcia składają się trzech bloków obejmujących odpowiednio zagadnienia imputacji danych, modeli liniowych i oceny wartości relacji z klientem w czasie. Studenci zapoznają się zarówno z praktycznym aspektem imputacji danych jak i ze znaczeniem imputacji w podejmowaniu decyzji biznesowych. W ramach laboratoriów studenci mają możliwość doświadczenia procesu budowy modeli uwzględniającego poszczególne etapy ich konstrukcji: przygotowania danych, na które składa się imputacja danych, zdefiniowania oraz selekcji zmiennych, estymacji, weryfikacji, oceny i poprawy jakości modelu oraz wykorzystaniu go do predykcji. Kontekst BIG DATA będzie uwzględniony. Głównym językiem programowania w ramach zajęć jest SAS, dodatkowymi R i Python. Zajęcia wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

Aanderud T., Collum R., Kumpfmiller R., An Introduction to SAS Visual Analytics: How to Explore Numbers, Design Reports, and Gain Insight into Your Data. SAS Institute, Cary , 2017.

Advanced Business Analytics - SAS Course Materials. SAS Institute , Cary 2015.

Allison A., Missing Data, Thousand Oaks: Sage University Paper, 2002.

Fader P., Hardie B.G., How to project customer retention, J. of Interactive Marketing, 2007

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

Frątczak E., I inni red. Statystyka - zastosowania biznesowe i społeczne, WSM, 2015 Warszawa

Hastie T., Tibshirani R., Friedman J., The elements of statistical learning. Data Mining, Inference, and Prediction. Second Edition, Springer: New York, 2009.

James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer: New York, 2013.

Korczyński A., Modelowanie statystyczne dla biznesu. Teoria i zastosowania z wykorzystaniem SAS Viya, R i Python, Oficyna Wydawnicza SGH, Warszawa, 2023.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kuhn M., K. Johnson, Applied Predictive Modeling, Springer, New York, 2013.

Linoff S.G., Data Analysis Using SQL and Excel, Second Edition, Wiley, 2016

Little A, Rubin D., Statistical Analysis with Missing Data. John Wiley & Sons: Hoboken 2002.

Malthouse E.C., Segmentation and Lifetime Value Models Using SAS, SAS Institute, 2013

Molenberghs G., Kenward M. G , Missing Data in Clinical Studies, John Wiley & Sons: Chichester, 2007

Ribeiro J., Business Survival Analysis Using SAS: An Introduction to Lifetime Probabilities. SAS Institute, Cary , 2017.

Silvia J. , Iqbal A., House S. Economic Modeling in the Post Great Recession Era: Incomplete Data, Imperfect Markets, SAS Institute, Cary 2017.

Svolba G., Applying Data Science. Business Case Studies, SAS Institute: Cary, NC, 2017.

Svolba G., Data Quality for Analytics Using SAS, SAS Institute: Cary, NC, 2012.

Literatura uzupełniająca:

Berger P., Nasr N., Customer lifetime value: Marketing models and applications, J. of Interactive Marketing, 1998

Clarke B.S. and Clarke J.L., Predictive Statistics. Analysis and Inference beyond Models, Cambridge University Press, Cambridge UK, 2018.

Frątczak E., Kordos J., Kamińska A., (red.) Statystyka zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014

Frątczak E. Statistics for Management and Economics, SGH, Warszawa, 2015.

Maimon O. and Rokach L. (red.), Data Mining and Knowledge Discovery Handbook, Springer, New York, 2005.

Rubin D., Multiple Imputation for Nonresponse in Surveys, John Wiley & Sons: Hoboken, 1997.

Schafer J. L., Analysis of Multivariate Incomplete Data, Chapman & Hall: London 1997.

Publikacje własne:

Korczyński A., Modelowanie statystyczne dla biznesu. Teoria i zastosowania z wykorzystaniem SAS Viya, R i Python, Oficyna Wydawnicza SGH, Warszawa, 2023.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

ocena z ćwiczeń: 50.00%

Zaawansowane analizy biznesowe. Modele predykcyjne. Imputacja danych. Zaawansowane modele liniowe. Modele oceny wartości klienta w czasie.

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie zaawansowanej analityki biznesowej opartej na danych przekrojowych oraz wzdłużnych. Techniki analityczne będą zaprezentowane w kontekście problemów biznesowych z zakresu badań klinicznych, badań marketingowych, głównie relacji z klientem, a także problemów ekonomicznych. Studenci zapoznają się z istotą, zakresem i znaczeniem zaawansowanych analiz biznesowych; z metodami imputacji danych, technikami eksploracji danych z wykorzystaniem modeli liniowych i z zaawansowanymi modelami liniowymi oraz technikami segmentacji klientów i oceny wartości relacji z klientem w czasie.

Celem zajęć jest przekazanie studentom wiedzy z zakresu zaawansowanej analityki biznesowej. W toku zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji zaawansowanych modeli biznesowych, jak również wskazywane są obszary zastosowań aplikacyjnych ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi metodami i modelami w rozwiązywaniu problemów biznesowych. Zajęcia składają się trzech bloków obejmujących odpowiednio zagadnienia imputacji danych, modeli liniowych i oceny wartości relacji z klientem w czasie. Studenci zapoznają się zarówno z praktycznym aspektem imputacji danych jak i ze znaczeniem imputacji w podejmowaniu decyzji biznesowych. W ramach laboratoriów studenci mają możliwość doświadczenia pełnego procesu budowy modeli uwzględniającego poszczególne etapy ich konstrukcji: przygotowania bazy danych, na które składa się imputacja danych, zdefiniowania oraz selekcji zmiennych, estymacji, weryfikacji, oceny i poprawy jakości modelu oraz wykorzystaniu go do predykcji. Kontekst BIG DATA będzie uwzględniony. Głównym językiem programowania w ramach zajęć jest SAS, dodatkowymi R i Python. Zajęcia wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

Aanderud T., Collum R., Kumpfmiller R., An Introduction to SAS Visual Analytics: How to Explore Numbers, Design Reports, and Gain Insight into Your Data. SAS Institute, Cary , 2017.

Advanced Business Analytics - SAS Course Materials. SAS Institute , Cary 2015.

Allison A., Missing Data, Thousand Oaks: Sage University Paper, 2002.

Fader P., Hardie B.G., How to project customer retention, J. of Interactive Marketing, 2007

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

Frątczak E., I inni red. Statystyka - zastosowania biznesowe i społeczne, WSM, 2015 Warszawa

Hastie T., Tibshirani R., Friedman J., The elements of statistical learning. Data Mining, Inference, and Prediction. Second Edition, Springer: New York, 2009.

James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer: New York, 2013.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kuhn M., K. Johnson, Applied Predictive Modeling, Springer, New York, 2013.

Linoff S.G., Data Analysis Using SQL and Excel, Second Edition, Wiley, 2016

Little A, Rubin D., Statistical Analysis with Missing Data. John Wiley & Sons: Hoboken 2002.

Malthouse E.C., Segmentation and Lifetime Value Models Using SAS, SAS Institute, 2013

Molenberghs G., Kenward M. G , Missing Data in Clinical Studies, John Wiley & Sons: Chichester, 2007

Ribeiro J., Business Survival Analysis Using SAS: An Introduction to Lifetime Probabilities. SAS Institute, Cary , 2017.

Silvia J. , Iqbal A., House S. Economic Modeling in the Post Great Recession Era: Incomplete Data, Imperfect Markets, SAS Institute, Cary 2017.

Svolba G., Applying Data Science. Business Case Studies, SAS Institute: Cary, NC, 2017.

Svolba G., Data Quality for Analytics Using SAS, SAS Institute: Cary, NC, 2012.

Literatura uzupełniająca:

Berger P., Nasr N., Customer lifetime value: Marketing models and applications, J. of Interactive Marketing, 1998

Clarke B.S. and Clarke J.L., Predictive Statistics. Analysis and Inference beyond Models, Cambridge University Press, Cambridge UK, 2018.

Frątczak E., Kordos J., Kamińska A., (red.) Statystyka zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014

Frątczak E. Statistics for Management and Economics, SGH , Warszawa , 2015

Rubin D., Multiple Imputation for Nonresponse in Surveys, John Wiley & Sons: Hoboken, 1997.

Schafer J. L., Analysis of Multivariate Incomplete Data, Chapman & Hall: London 1997.

Publikacje własne:

-

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

ocena z ćwiczeń: 50.00%

Zaawansowane analizy biznesowe. Modele predykcyjne. Imputacja danych. Zaawansowane modele liniowe. Modele oceny wartości klienta w czasie.

Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy w zakresie zaawansowanej analityki biznesowej opartej na danych przekrojowych oraz wzdłużnych. Techniki analityczne będą zaprezentowane w kontekście problemów biznesowych z zakresu badań klinicznych, badań marketingowych, głównie relacji z klientem, a także problemów ekonomicznych. Studenci zapoznają się z istotą, zakresem i znaczeniem zaawansowanych analiz biznesowych; z metodami imputacji danych, technikami eksploracji danych z wykorzystaniem modeli liniowych i z zaawansowanymi modelami liniowymi oraz technikami segmentacji klientów i oceny wartości relacji z klientem w czasie.

Celem zajęć jest przekazanie studentom wiedzy z zakresu zaawansowanej analityki biznesowej. W toku zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji zaawansowanych modeli biznesowych, jak również wskazywane są obszary zastosowań aplikacyjnych ze szczególnym nastawienie na praktyczne umiejętności posługiwania się poszczególnymi metodami i modelami w rozwiązywaniu problemów biznesowych. Zajęcia składają się trzech bloków obejmujących odpowiednio zagadnienia imputacji danych, modeli liniowych i oceny wartości relacji z klientem w czasie. Studenci zapoznają się zarówno z praktycznym aspektem imputacji danych jak i ze znaczeniem imputacji w podejmowaniu decyzji biznesowych. W ramach laboratoriów studenci mają możliwość doświadczenia pełnego procesu budowy modeli uwzględniającego poszczególne etapy ich konstrukcji: przygotowania bazy danych, na które składa się imputacja danych, zdefiniowania oraz selekcji zmiennych, estymacji, weryfikacji, oceny i poprawy jakości modelu oraz wykorzystaniu go do predykcji. Kontekst BIG DATA będzie uwzględniony. Głównym językiem programowania w ramach zajęć jest SAS, dodatkowymi R i Python. Zajęcia wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS.

Literatura podstawowa:

Aanderud T., Collum R., Kumpfmiller R., An Introduction to SAS Visual Analytics: How to Explore Numbers, Design Reports, and Gain Insight into Your Data. SAS Institute, Cary , 2017.

Advanced Business Analytics - SAS Course Materials. SAS Institute , Cary 2015.

Allison A., Missing Data, Thousand Oaks: Sage University Paper, 2002.

Fader P., Hardie B.G., How to project customer retention, J. of Interactive Marketing, 2007

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

Frątczak E., I inni red. Statystyka - zastosowania biznesowe i społeczne, WSM, 2015 Warszawa

Hastie T., Tibshirani R., Friedman J., The elements of statistical learning. Data Mining, Inference, and Prediction. Second Edition, Springer: New York, 2009.

James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning with Applications in R, Springer: New York, 2013.

Korczyński A., Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych, Oficyna wydawnicza SGH, Warszawa, 2018.

Korczyński A, Review of methods for data sets with missing values and practical applications, Śląski Przegląd Statystyczny , Wrocław, Uniwersytet Ekonomiczny we Wrocławiu, 2014, s. 83-104.

Korczyński A., Własności estymatorów - porównanie kalibracji i imputacji wielokrotnej, Statystyka - zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014, s. 183-194.

Kuhn M., K. Johnson, Applied Predictive Modeling, Springer, New York, 2013.

Linoff S.G., Data Analysis Using SQL and Excel, Second Edition, Wiley, 2016

Little A, Rubin D., Statistical Analysis with Missing Data. John Wiley & Sons: Hoboken 2002.

Malthouse E.C., Segmentation and Lifetime Value Models Using SAS, SAS Institute, 2013

Molenberghs G., Kenward M. G , Missing Data in Clinical Studies, John Wiley & Sons: Chichester, 2007

Ribeiro J., Business Survival Analysis Using SAS: An Introduction to Lifetime Probabilities. SAS Institute, Cary , 2017.

Silvia J. , Iqbal A., House S. Economic Modeling in the Post Great Recession Era: Incomplete Data, Imperfect Markets, SAS Institute, Cary 2017.

Svolba G., Applying Data Science. Business Case Studies, SAS Institute: Cary, NC, 2017.

Svolba G., Data Quality for Analytics Using SAS, SAS Institute: Cary, NC, 2012.

Literatura uzupełniająca:

Berger P., Nasr N., Customer lifetime value: Marketing models and applications, J. of Interactive Marketing, 1998

Clarke B.S. and Clarke J.L., Predictive Statistics. Analysis and Inference beyond Models, Cambridge University Press, Cambridge UK, 2018.

Frątczak E., Kordos J., Kamińska A., (red.) Statystyka zastosowania biznesowe i społeczne, Warszawa, Wydawnictwo Wyższej Szkoły Menedżerskiej w Warszawie, 2014

Frątczak E. Statistics for Management and Economics, SGH , Warszawa , 2015

Rubin D., Multiple Imputation for Nonresponse in Surveys, John Wiley & Sons: Hoboken, 1997.

Schafer J. L., Analysis of Multivariate Incomplete Data, Chapman & Hall: London 1997.

Publikacje własne:

-

Kryteria oceniania:

egzamin tradycyjny-pisemny: 50.00%

ocena z ćwiczeń: 50.00%