Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Categorical Data Analysis

Informacje ogólne

Kod przedmiotu: 23A0P1-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: Categorical Data Analysis
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Elective courses for AAB - masters
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: angielski
Efekty uczenia się:

Wiedza:

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

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: Adam Korczyński
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: Adam Korczyński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

The aim of the course is to provide student with a knowledge about logistic regression analysis and contingency tables analysis. Students are able to learn about the history and philosophy of binary, oridinal and multinominal logistic models and loglinear models, procedures of estimation and evaluation of these 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) and contigency tables analysis. During the lectures the philosophy and theoretical background of selected models estimation and evaluation, as well as practical aspects of using these 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".
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:

Adam Korczyński (2021), ?Predicting in multivariate incomplete time series. Application of the expectation-maximisation algorithm supplemented by the Newton-Raphson method.?, Przegląd Statystyczny. Statistical Review, 60(1): 17-46;

Adam Korczyński (2018), monografia nauk. pt. ?Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych?, Warszawa: Oficyna Wydawnicza SGH;

Aleksandra Iwanicka (2019), rozdział pt. ?Analiza tablic kontyngencji ? ocena zależności cech jakościowych? w ?Modelowanie dla Biznesu? pod red. nauk. prof. Ewy Frątczak, Warszawa: Oficyna Wydawnicza SGH.
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: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

The aim of the course is to provide student with a knowledge about logistic regression analysis and contingency tables analysis. Students are able to learn about the history and philosophy of binary, oridinal and multinominal logistic models and loglinear models, procedures of estimation and evaluation of these 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) and contigency tables analysis. During the lectures the philosophy and theoretical background of selected models estimation and evaluation, as well as practical aspects of using these 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".
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:

Adam Korczyński (2021), ?Predicting in multivariate incomplete time series. Application of the expectation-maximisation algorithm supplemented by the Newton-Raphson method.?, Przegląd Statystyczny. Statistical Review, 60(1): 17-46;

Adam Korczyński (2018), monografia nauk. pt. ?Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych?, Warszawa: Oficyna Wydawnicza SGH;

Aleksandra Iwanicka (2019), rozdział pt. ?Analiza tablic kontyngencji ? ocena zależności cech jakościowych? w ?Modelowanie dla Biznesu? pod red. nauk. prof. Ewy Frątczak, Warszawa: Oficyna Wydawnicza SGH.
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: Łukasz Głąb, Adam Korczyński
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Laboratorium - Ocena
Skrócony opis:

The aim of the course is to provide student with a knowledge about logistic regression analysis and contingency tables analysis. Students are able to learn about the history and philosophy of binary, oridinal and multinominal logistic models and loglinear models, procedures of estimation and evaluation of these 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) and contigency tables analysis. During the lectures the philosophy and theoretical background of selected models estimation and evaluation, as well as practical aspects of using these 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".
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:

Adam Korczyński (2021), ?Predicting in multivariate incomplete time series. Application of the expectation-maximisation algorithm supplemented by the Newton-Raphson method.?, Przegląd Statystyczny. Statistical Review, 60(1): 17-46;

Adam Korczyński (2018), monografia nauk. pt. ?Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych?, Warszawa: Oficyna Wydawnicza SGH;

Aleksandra Iwanicka (2019), rozdział pt. ?Analiza tablic kontyngencji ? ocena zależności cech jakościowych? w ?Modelowanie dla Biznesu? pod red. nauk. prof. Ewy Frątczak, Warszawa: Oficyna Wydawnicza SGH.
Uwagi:

Kryteria oceniania:

egzamin testowy: 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:

The aim of the course is to provide student with a knowledge about logistic regression analysis and contingency tables analysis. Students are able to learn about the history and philosophy of binary, oridinal and multinominal logistic models and loglinear models, procedures of estimation and evaluation of these 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) and contigency tables analysis. During the lectures the philosophy and theoretical background of selected models estimation and evaluation, as well as practical aspects of using these 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".
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:

Adam Korczyński (2021), ?Predicting in multivariate incomplete time series. Application of the expectation-maximisation algorithm supplemented by the Newton-Raphson method.?, Przegląd Statystyczny. Statistical Review, 60(1): 17-46;

Adam Korczyński (2018), monografia nauk. pt. ?Screening wariancji jako narzędzie wykrywania zmowy cenowej. Istota i znaczenie imputacji danych?, Warszawa: Oficyna Wydawnicza SGH;

Aleksandra Iwanicka (2019), rozdział pt. ?Analiza tablic kontyngencji ? ocena zależności cech jakościowych? w ?Modelowanie dla Biznesu? pod red. nauk. prof. Ewy Frątczak, Warszawa: Oficyna Wydawnicza SGH.
Uwagi:

Kryteria oceniania:

egzamin testowy: 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