Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Analiza danych kategorialnych

Informacje ogólne

Kod przedmiotu: 23A0P0-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 danych kategorialnych
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Przedmioty kierunkowe do wyboru 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 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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Zajęcia prowadzącego więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
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%

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 7.1.0.0