Statistická analýza dat v praxi

Cíle kurzu

• Poskytnout přístupnou formou znalost statistiky a analýzy dat a osvojení si metod jednorozměrné a vícerozměrné statistiky. Důraz ve výuce je kladen na pochopení významu statistických metod a pojmů, na řešení praktických statistických úloh a na správnou interpretaci výsledků.

Pro koho je kurz určen

Odborným pracovníkům, kteří používají analytické výstupy, realizují statistické analýzy dat nebo tato témata vyučují. Ve dvacetileté praxi tohoto kurzu byli jeho účastníky především marketingoví specialisté, vysokoškolští učitelé a vědečtí pracovníci, lékaři, odborníci, kteří využívají či realizují výzkumy, pracují v oboru kontroly a řízení kvality, personalisté, analytici ve státní správě, v ekonomické oblasti a v oborech využívajících komplexní přístupy k datům.

Osnova kurzu

1. 1 Základní pojmy statistické analýzy dat definice a rozbor statistických pojmů, typy statistických analýz, inference, explorační techniky
2. 2 definice a rozbor statistických pojmů, typy statistických analýz, inference, explorační techniky
3. 3 Popisné statistiky popis statistických dat (tabelace, grafické znázornění) – jak vytvářet statistické tabulky a grafy
4. 4 popis statistických dat (tabelace, grafické znázornění) – jak vytvářet statistické tabulky a grafy
5. 5 Měření úrovně a heterogenity dat momentové a kvantilové míry: průměry, mediány, kvartily, decily, rozptyl, měření vnitřní heterogenity souboru grafy rozptýlení dat (box-ploty) a grafy rozptylu konfidenční intervaly
6. 6 momentové a kvantilové míry: průměry, mediány, kvartily, decily, rozptyl, měření vnitřní heterogenity souboru
7. 7 grafy rozptýlení dat (box-ploty) a grafy rozptylu
8. 8 konfidenční intervaly
9. 9 Testování hypotéz a intervaly spolehlivosti neurčitost v datech – rozhodování za neurčitosti, statistické hypotézy, jejich přijímání a zamítání
10. 10 neurčitost v datech – rozhodování za neurčitosti, statistické hypotézy, jejich přijímání a zamítání
11. 11 Testy hypotéz o průměrech (t-testy)
12. 12 Analýza průměrů ve skupinách jednoduchá analýza rozptylu, porovnání skupinových průměrů a rozptylů, spojování skupin se stejnou úrovní vlastnosti, apriorní komparace (kontrasty), aposteriorní seskupování podle jedné a více proměnných (postupné vyhledávání interakcí na stromech) vícefaktorová analýza rozptylu
13. 13 jednoduchá analýza rozptylu, porovnání skupinových průměrů a rozptylů, spojování skupin se stejnou úrovní vlastnosti, apriorní komparace (kontrasty), aposteriorní seskupování podle jedné a více proměnných (postupné vyhledávání interakcí na stromech)
14. 14 vícefaktorová analýza rozptylu
15. 15 Korelační analýza lineární korelace, práce s korelační maticí, vlastnosti korelačních měr parciální korelace, řetězení vlivů, společná příčina dvou vlastností (nepravé korelace) korelační grafy korelace a kauzalita
16. 16 lineární korelace, práce s korelační maticí, vlastnosti korelačních měr
17. 17 parciální korelace, řetězení vlivů, společná příčina dvou vlastností (nepravé korelace)
18. 18 korelační grafy
19. 19 korelace a kauzalita
20. 20 Regresní analýza lineární regresní analýza, interpretace regresní přímky, popis, vysvětlení a predikce nelineární vztahy vícenásobná regresní analýza; metody výběru regresorů v rovnici; určení kvality modelu regresního vztahu
21. 21 lineární regresní analýza, interpretace regresní přímky, popis, vysvětlení a predikce
22. 22 nelineární vztahy
23. 23 vícenásobná regresní analýza; metody výběru regresorů v rovnici; určení kvality modelu regresního vztahu
24. 24 Faktorová analýza latentní vlastnosti a jejich indikace, faktory ovlivňující korelační matici, faktorová řešení, rotace, zobrazení faktorů, interpretace, uložení a analýza faktorů
25. 25 latentní vlastnosti a jejich indikace, faktory ovlivňující korelační matici, faktorová řešení, rotace, zobrazení faktorů, interpretace, uložení a analýza faktorů
26. 26 Seskupovací metody, segmentace a vytváření typologií seskupování případů z hlediska datového profilu, typ a typologie, segmenty trhu, analýza a interpretace typů
27. 27 seskupování případů z hlediska datového profilu, typ a typologie, segmenty trhu, analýza a interpretace typů
28. 28 Kontingenční tabulky základní zobrazení souvislosti dvou proměnných, různé formy procent, Chi-kvadrát test nezávislosti, kontingenční koeficient, znaménkové schéma v kontingenčních tabulkách
29. 29 základní zobrazení souvislosti dvou proměnných, různé formy procent, Chi-kvadrát test nezávislosti, kontingenční koeficient, znaménkové schéma v kontingenčních tabulkách
30. 30 Časové řady ARIMA modely, typy trendů, sezónnost
31. 31 ARIMA modely, typy trendů, sezónnost

Termíny

Požadavky

Statistické znalosti ani praxe s analýzou dat se nepředpokládají. V kurzu se buduje analytický systém pojmů, metod a aplikací od začátku. Výpočty se provádějí pomocí systému IBM SPSS Statistics, jeho znalost však není nutná. Výuka zahrnuje pokročilé metody, při kterých je nutné používat počítač se softwarem IBM SPSS Statistics.

Lektor

Ing. Ondřej Brom