Analiza danych kategorialnych
Informacje ogólne
Kod przedmiotu: | 23A0P0-D |
Kod Erasmus / ISCED: |
11.2
|
Nazwa przedmiotu: | Analiza danych kategorialnych |
Jednostka: | Szkoła Główna Handlowa w Warszawie |
Grupy: |
Przedmioty kierunkowe do wyboru SMMD-ADA |
Punkty ECTS i inne: |
3.00 (zmienne w czasie)
|
Język prowadzenia: | polski |
Efekty uczenia się: |
Wiedza: Student powinien znać historię, filozofię i specyfikę modeli logistycznych (binarnego, uporządkowanego i wielomianowego) i logliniowych, 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 logistycznych i logliniowych. 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 modeli logistycznych i logliniowych, 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 i logliniowych. |
Zajęcia w cyklu "Preferencje - Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-15 - 2025-09-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Zajęcia prowadzącego
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Aleksandra Iwanicka | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Zajęcia prowadzącego - Ocena |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-15 - 2025-09-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
Skrócony opis: |
Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej oraz podstawowej wiedzy z zakresu analizy tablic kontyngencji. Studenci zapoznają się z: filozofią i historią estymacji modeli logistycznych ((binarnego, uporządkowanego oraz wielomianowego) i modeli logliniowych; z procedurami estymacji oraz weryfikacji tych modeli; zagadnieniami praktycznego zastosowania omawianych metod w obszarach: biologiczno-medycznym, społecznym i ekonomicznym. Główny używanym oprogramowaniem statystycznym będzie SAS, ale pojawiają się również przykłady zastosowania R & Python. |
|
Pełny opis: |
Celem zajęć jest przekazanie studentom wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej (binarnej, uporządkowanej oraz wielomianowej) oraz z zakresu analizy tablic kontyngencji. W toku prowadzonych zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji wybranych modeli, jak również wskazywane są obszary zastosowań tych modeli. W ramach zajęć studenci mają możliwość doświadczenia procesu budowy wybranych modeli uwzględniającego poszczególne etapy ich konstrukcji. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS. |
|
Literatura: |
Literatura podstawowa: 1. Frątczak, E. red., Modelowanie dla biznesu. SGH, Warszawa, 2019. 2. Allison, P. D., Logistic Regression Using SAS: Theory and Application, Second Edition. Cary, NC: SAS Institute Inc., 2012. 3. Hosmer, D. W., S. Lemeshow, R. X. Sturdivant, Applied Logistic Regression. Third edition. NY: John Wiley & Sons, Inc., 2013. 4. Kleinbaum, D. G., M. Klein, Logistic Regression: A Self-Learning Text, Third Edition. Springer, 2010. 5. Osborne J.W., Best Practices in Logistic Regression, Sage Publication, 2015. 6. Stokes M. E., C. S. Davis, G. G. Koch, Categorical Data Analysis Using SAS, Third Edition. Cary, NC: SAS Institute Inc., 2012 7. Agresti A., Categorical Data Analysis, Third edition. NY: John Wiley & Sons, Inc., 2013. Literatura uzupełniająca: 1. Hosmer, D.W., S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany. John Wiley & Sons, Second Edition, New York 2013. 2. Zelterman, D., Advanced Log-Linear Models Using SAS, Cary, NC: SAS Institute Inc., 2002. 3. Stanisz, A., Modele regresji logistycznej. Zastosowania w medycynie, naukach przyrodniczych i społecznych. StatSoft Polska, Kraków, 2016. 4. Everitt, B.S., T. Hothorn, A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher, 2010. 5. Borooah, V.K., Logit and Probit. Sage University Paper, No. 138, New York, 2002. 6. Panik, M., Regression Modelling. Methods, Theory and Computation with SAS, CRS Press - Taylor & Francis Group, 2009. 7. 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. 8. Biecek, P., T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021. 9. Primer, A., Logistic Regression. Sage University Paper, No. 132, New York, 2000. Publikacje własne: - |
|
Uwagi: |
Kryteria oceniania: egzamin testowy: 60.00% kolokwium: 40.00% |
Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)
Okres: | 2024-10-01 - 2025-02-14 |
Przejdź do planu
PN WT LAB
ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Aleksandra Iwanicka | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
Skrócony opis: |
Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej oraz podstawowej wiedzy z zakresu analizy tablic kontyngencji. Studenci zapoznają się z: filozofią i historią estymacji modeli logistycznych ((binarnego, uporządkowanego oraz wielomianowego) i modeli logliniowych; z procedurami estymacji oraz weryfikacji tych modeli; zagadnieniami praktycznego zastosowania omawianych metod w obszarach: biologiczno-medycznym, społecznym i ekonomicznym. Główny używanym oprogramowaniem statystycznym będzie SAS, ale pojawiają się również przykłady zastosowania R & Python. |
|
Pełny opis: |
Celem zajęć jest przekazanie studentom wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej (binarnej, uporządkowanej oraz wielomianowej) oraz z zakresu analizy tablic kontyngencji. W toku prowadzonych zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji wybranych modeli, jak również wskazywane są obszary zastosowań tych modeli. W ramach zajęć studenci mają możliwość doświadczenia procesu budowy wybranych modeli uwzględniającego poszczególne etapy ich konstrukcji. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS. |
|
Literatura: |
Literatura podstawowa: 1. Frątczak, E. red., Modelowanie dla biznesu. SGH, Warszawa, 2019. 2. Allison, P. D., Logistic Regression Using SAS: Theory and Application, Second Edition. Cary, NC: SAS Institute Inc., 2012. 3. Hosmer, D. W., S. Lemeshow, R. X. Sturdivant, Applied Logistic Regression. Third edition. NY: John Wiley & Sons, Inc., 2013. 4. Kleinbaum, D. G., M. Klein, Logistic Regression: A Self-Learning Text, Third Edition. Springer, 2010. 5. Osborne J.W., Best Practices in Logistic Regression, Sage Publication, 2015. 6. Stokes M. E., C. S. Davis, G. G. Koch, Categorical Data Analysis Using SAS, Third Edition. Cary, NC: SAS Institute Inc., 2012 7. Agresti A., Categorical Data Analysis, Third edition. NY: John Wiley & Sons, Inc., 2013. Literatura uzupełniająca: 1. Hosmer, D.W., S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany. John Wiley & Sons, Second Edition, New York 2013. 2. Zelterman, D., Advanced Log-Linear Models Using SAS, Cary, NC: SAS Institute Inc., 2002. 3. Stanisz, A., Modele regresji logistycznej. Zastosowania w medycynie, naukach przyrodniczych i społecznych. StatSoft Polska, Kraków, 2016. 4. Everitt, B.S., T. Hothorn, A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher, 2010. 5. Borooah, V.K., Logit and Probit. Sage University Paper, No. 138, New York, 2002. 6. Panik, M., Regression Modelling. Methods, Theory and Computation with SAS, CRS Press - Taylor & Francis Group, 2009. 7. 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. 8. Biecek, P., T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021. 9. Primer, A., Logistic Regression. Sage University Paper, No. 132, New York, 2000. Publikacje własne: - |
|
Uwagi: |
Kryteria oceniania: egzamin testowy: 60.00% kolokwium: 40.00% |
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
Okres: | 2024-02-24 - 2024-09-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
Skrócony opis: |
Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej oraz podstawowej wiedzy z zakresu analizy tablic kontyngencji. Studenci zapoznają się z: filozofią i historią estymacji modeli logistycznych ((binarnego, uporządkowanego oraz wielomianowego) i modeli logliniowych; z procedurami estymacji oraz weryfikacji tych modeli; zagadnieniami praktycznego zastosowania omawianych metod w obszarach: biologiczno-medycznym, społecznym i ekonomicznym. Główny używanym oprogramowaniem statystycznym będzie SAS, ale pojawiają się również przykłady zastosowania R & Python. |
|
Pełny opis: |
Celem zajęć jest przekazanie studentom wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej (binarnej, uporządkowanej oraz wielomianowej) oraz z zakresu analizy tablic kontyngencji. W toku prowadzonych zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji wybranych modeli, jak również wskazywane są obszary zastosowań tych modeli. W ramach zajęć studenci mają możliwość doświadczenia procesu budowy wybranych modeli uwzględniającego poszczególne etapy ich konstrukcji. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS. |
|
Literatura: |
Literatura podstawowa: 1. Frątczak, E. red., Modelowanie dla biznesu. SGH, Warszawa, 2019. 2. Allison, P. D., Logistic Regression Using SAS: Theory and Application, Second Edition. Cary, NC: SAS Institute Inc., 2012. 3. Hosmer, D. W., S. Lemeshow, R. X. Sturdivant, Applied Logistic Regression. Third edition. NY: John Wiley & Sons, Inc., 2013. 4. Kleinbaum, D. G., M. Klein, Logistic Regression: A Self-Learning Text, Third Edition. Springer, 2010. 5. Osborne J.W., Best Practices in Logistic Regression, Sage Publication, 2015. 6. Stokes M. E., C. S. Davis, G. G. Koch, Categorical Data Analysis Using SAS, Third Edition. Cary, NC: SAS Institute Inc., 2012 7. Agresti A., Categorical Data Analysis, Third edition. NY: John Wiley & Sons, Inc., 2013. Literatura uzupełniająca: 1. Hosmer, D.W., S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany. John Wiley & Sons, Second Edition, New York 2013. 2. Zelterman, D., Advanced Log-Linear Models Using SAS, Cary, NC: SAS Institute Inc., 2002. 3. Stanisz, A., Modele regresji logistycznej. Zastosowania w medycynie, naukach przyrodniczych i społecznych. StatSoft Polska, Kraków, 2016. 4. Everitt, B.S., T. Hothorn, A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher, 2010. 5. Borooah, V.K., Logit and Probit. Sage University Paper, No. 138, New York, 2002. 6. Panik, M., Regression Modelling. Methods, Theory and Computation with SAS, CRS Press - Taylor & Francis Group, 2009. 7. 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. 8. Biecek, P., T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021. 9. Primer, A., Logistic Regression. Sage University Paper, No. 132, New York, 2000. Publikacje własne: - |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 50.00% inne: 5.00% projekty: 45.00% |
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-02-23 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Laboratorium - Ocena |
|
Skrócony opis: |
Zajęcia mają na celu przekazanie studentom kompleksowej wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej oraz podstawowej wiedzy z zakresu analizy tablic kontyngencji. Studenci zapoznają się z: filozofią i historią estymacji modeli logistycznych ((binarnego, uporządkowanego oraz wielomianowego) i modeli logliniowych; z procedurami estymacji oraz weryfikacji tych modeli; zagadnieniami praktycznego zastosowania omawianych metod w obszarach: biologiczno-medycznym, społecznym i ekonomicznym. Główny używanym oprogramowaniem statystycznym będzie SAS, ale pojawiają się również przykłady zastosowania R & Python. |
|
Pełny opis: |
Celem zajęć jest przekazanie studentom wiedzy z zakresu modelowania z wykorzystaniem regresji logistycznej (binarnej, uporządkowanej oraz wielomianowej) oraz z zakresu analizy tablic kontyngencji. W toku prowadzonych zajęć prezentowane są filozofia oraz teoretyczne podstawy estymacji oraz weryfikacji wybranych modeli, jak również wskazywane są obszary zastosowań tych modeli. W ramach zajęć studenci mają możliwość doświadczenia procesu budowy wybranych modeli uwzględniającego poszczególne etapy ich konstrukcji. Zajęcia te wchodzą w skład Certyfikatu: Data Scientist z Systemem SAS. |
|
Literatura: |
Literatura podstawowa: 1. Frątczak, E. red., Modelowanie dla biznesu. SGH, Warszawa, 2019. 2. Allison, P. D., Logistic Regression Using SAS: Theory and Application, Second Edition. Cary, NC: SAS Institute Inc., 2012. 3. Hosmer, D. W., S. Lemeshow, R. X. Sturdivant, Applied Logistic Regression. Third edition. NY: John Wiley & Sons, Inc., 2013. 4. Kleinbaum, D. G., M. Klein, Logistic Regression: A Self-Learning Text, Third Edition. Springer, 2010. 5. Osborne J.W., Best Practices in Logistic Regression, Sage Publication, 2015. 6. Stokes M. E., C. S. Davis, G. G. Koch, Categorical Data Analysis Using SAS, Third Edition. Cary, NC: SAS Institute Inc., 2012 7. Agresti A., Categorical Data Analysis, Third edition. NY: John Wiley & Sons, Inc., 2013. Literatura uzupełniająca: 1. Hosmer, D.W., S. Lemeshow, Applied Logistic Regression. Solution Manual to Accompany. John Wiley & Sons, Second Edition, New York 2013. 2. Zelterman, D., Advanced Log-Linear Models Using SAS, Cary, NC: SAS Institute Inc., 2002. 3. Stanisz, A., Modele regresji logistycznej. Zastosowania w medycynie, naukach przyrodniczych i społecznych. StatSoft Polska, Kraków, 2016. 4. Everitt, B.S., T. Hothorn, A Handbook of Statistical Analyses Using R, Second Edition. Taylor & Francis Publisher, 2010. 5. Borooah, V.K., Logit and Probit. Sage University Paper, No. 138, New York, 2002. 6. Panik, M., Regression Modelling. Methods, Theory and Computation with SAS, CRS Press - Taylor & Francis Group, 2009. 7. 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. 8. Biecek, P., T. Burzykowski, Explanatory Model Analysis Explore, Explain, and Examine Predictive Models. Chapman & Hall/CRC, 2021. 9. Primer, A., Logistic Regression. Sage University Paper, No. 132, New York, 2000. Publikacje własne: - |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 50.00% inne: 5.00% projekty: 45.00% |
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.